人工智能輔助內(nèi)鏡在胃占位性病變中的應用進展2025胃占位性病變通常指胃內(nèi)的腫塊或其他病理性結構，常見的病變類型包括胃癌、胃癌前病變、胃良性腫瘤，以及一些非腫瘤性占位病變。胃癌作為全球常見的惡性腫瘤之一，近年來在許多國家的發(fā)病率仍保持較高水平，早期發(fā)現(xiàn)和精準診斷至關重要。早期胃占位性病變往往癥狀不明顯且胃腔結構復雜，容易被誤診或漏診。作為診斷金標準的內(nèi)鏡檢查雖廣泛應用于胃占位性病變的篩查和診斷，但傳統(tǒng)內(nèi)鏡依賴于臨床醫(yī)師的經(jīng)驗和視覺判斷，容易受到臨床醫(yī)師疲勞、經(jīng)驗不足或主觀因素的影響。人工智能技術(artificialintelligence，AI)、尤其是深度學習算法，近年來在醫(yī)學診斷成像和復雜醫(yī)學數(shù)據(jù)分析中展現(xiàn)了巨大潛力

[1]。AI輔助內(nèi)鏡技術借助深度學習算法對內(nèi)鏡圖像進行實時分析和輔助決策，能夠極大地提高胃占位性病變的診斷精度和效率，減少人為錯誤，并幫助臨床醫(yī)師發(fā)現(xiàn)早期病變。本綜述系統(tǒng)檢索了2020年1月至2025年4月AI在胃占位性病變中的應用研究，主要數(shù)據(jù)庫包括PubMed、Embase、中國知網(wǎng)和萬方數(shù)據(jù)庫，關鍵詞包括人工智能、內(nèi)鏡、胃癌、萎縮性胃炎、胃黏膜下病變等。納入標準：①使用AI對胃占位性病變進行診斷、分類、預測等研究；②基于胃鏡圖像或胃液、組織樣本等客觀數(shù)據(jù)；③明確提供訓練、驗證數(shù)據(jù)集和AI模型性能指標。排除標準：①研究對象為非胃部病變；②非AI相關模型研究；③重復性綜述、單病例報告或缺乏方法學介紹的文獻。為控制文獻數(shù)量，優(yōu)先納入近2年具有代表性的研究成果，尤其關注我國在該領域的研究進展。本文通過探討AI在胃鏡分析中的作用來評估其在胃占位性病變早期診斷、病理分類和臨床決策中的應用前景，分析當前的挑戰(zhàn)與局限并展望未來的發(fā)展方向，以期推動AI消化內(nèi)鏡個體化精準醫(yī)療的進一步發(fā)展。一、AI在胃癌中的應用胃癌的發(fā)病率和病死率在全球均位居第5位

[2]。內(nèi)鏡檢查作為一種重要的胃癌早期篩查手段，具有較高的靈敏度和準確度，能夠有效降低胃癌的發(fā)病率和病死率。然而，傳統(tǒng)內(nèi)鏡檢查仍存在一定的局限性，尤其是在早期胃癌和進展期胃癌(advancedgastriccancer，AGC)的檢測方面，假陰性結果時有發(fā)生，且內(nèi)鏡醫(yī)師的經(jīng)驗差異可能導致診斷準確度出現(xiàn)波動。研究表明，傳統(tǒng)內(nèi)鏡檢測胃癌的準確度通常為69%~79%，而AI則可以通過輔助檢測和診斷顯著提高胃癌的發(fā)現(xiàn)率和診斷精度

[3]。1．AI在早期胃癌中的應用：早期胃癌由于病變較小且與正常胃黏膜差異微弱，傳統(tǒng)內(nèi)鏡檢查往往難以識別。AI在此領域表現(xiàn)出顯著優(yōu)勢，尤其在幫助內(nèi)鏡醫(yī)師識別微小病變方面。例如，在白光內(nèi)鏡圖像的應用中，2022年Yuan等

[4]開發(fā)了一種AI系統(tǒng)，通過回顧性收集8947例患者的29809張圖像(包括早期胃癌、晚期胃癌、黏膜下腫瘤、息肉、消化性潰瘍、糜爛和無病變胃黏膜的圖像)用來訓練和測試該系統(tǒng)，該系統(tǒng)診斷早期胃癌的總體準確度為93.5%，與具有10年以上工作經(jīng)驗內(nèi)鏡醫(yī)師的診斷能力相當。該AI系統(tǒng)還可將高級和初級內(nèi)鏡醫(yī)師對早期胃癌的診斷準確度分別提高至94.9%和94.1%。同年，F(xiàn)eng等

[5]開發(fā)了一種卷積神經(jīng)網(wǎng)絡(convolutionalneuralnetwork，CNN)模型，并收集了3400張早期胃癌圖像和8600張胃良性病變圖像用來訓練該模型，該模型在內(nèi)部測試集中診斷靈敏度和準確度分別為88.08%和88.60%，高于內(nèi)鏡醫(yī)師；而在外部測試集中，該模型的診斷靈敏度和特異度分別為92.08%和92.05%，高于所有內(nèi)鏡醫(yī)師；準確度則為92.07%，高于具有2年內(nèi)鏡工作經(jīng)驗的醫(yī)師。該研究雖然局限于白光內(nèi)鏡下的靜態(tài)圖像，但其分析了模型假陽性和假陰性診斷的原因，如黏液、出血和幽門螺桿菌感染等因素，對于未來AI輔助內(nèi)鏡診斷工作提供了經(jīng)驗和方向。Yao等

[6]開發(fā)了名為"早期胃癌-YOLO(You-Only-Look-Once)"的AI模型并使用了1653例患者的40000余張胃鏡圖像進行訓練，在外部測試集2中該模型的準確度、靈敏度和特異度分別為84.41%、92.21%和95.22%，這一結果證明了該模型具有快速、準確、高效檢測早期胃癌的能力。同時，該研究在訓練集中使用了不同分辨率的圖像來模擬臨床中遇到的各種非高質(zhì)量圖像，使得研究結果更加貼合臨床實際，可以通過進一步前瞻性研究來驗證該模型在未來臨床工作中的可靠程度和應用價值。2024年，Kim等

[7]建立了一個CNN模型并使用了2606例患者的10181張白光內(nèi)鏡圖像來檢測和分類良性胃病變、癌前病變和惡性腫瘤，結果證明該模型對早期胃癌的檢出率為100.00%，特異度、靈敏度和準確度分別為71.22%、67.20%和60.83%。這些研究均表明，AI能夠顯著提高白光內(nèi)鏡圖像下早期胃癌的檢出率，特別是在有3年以下工作經(jīng)驗的低年資內(nèi)鏡醫(yī)師的操作中有助于發(fā)現(xiàn)肉眼難以識別的早期病變。白光內(nèi)鏡雖然最常用于臨床工作中，但其存在難以區(qū)分黏膜細微變化的局限性，而圖像增強內(nèi)鏡可以通過窄帶成像或藍色激光成像技術增強胃黏膜血管和腺體的結構特征，提高診斷準確性。例如，2021年Ueyama等

[8]使用水浸技術建立并訓練了一個CNN模型，該模型在窄帶成像放大內(nèi)鏡圖像中的準確度、靈敏度和特異度分別為98.7%、98.0%和100.0%，優(yōu)于有3年工作經(jīng)驗的內(nèi)鏡醫(yī)師，同時其診斷靈敏度也高于具有10年工作經(jīng)驗的內(nèi)鏡醫(yī)師，但設備的高成本和對內(nèi)鏡醫(yī)師的嚴格培訓要求限制了其應用。2022年He等

[9]首次開發(fā)了一個名為"ENDOANGEL-MM"的多模態(tài)深度學習模型，用于識別白光內(nèi)鏡和弱放大內(nèi)鏡雙模態(tài)模式下的胃腫瘤，在該模型的協(xié)助下，內(nèi)鏡醫(yī)師表現(xiàn)出更高的診斷準確度和靈敏度。該研究為后續(xù)AI模型的構建提供了新的方法和思路，未來可以通過增加多中心數(shù)據(jù)減少偏倚風險。此外，在實時內(nèi)鏡檢測與診斷的應用中，2019年Luo等

[10

]開發(fā)了一種實時胃腸道AI診斷系統(tǒng)并使用1036496張白光內(nèi)鏡圖像訓練該系統(tǒng)，結果顯示其診斷準確度為91.5%~97.7%，靈敏度為94.2%，僅比專業(yè)內(nèi)鏡醫(yī)師低0.3%，在上消化道癌癥的診斷中展現(xiàn)了顯著的潛力。同年Wu等

[11]也建立了一個實時AI輔助診斷模型，該模型檢測早期胃癌的準確度、靈敏度和特異度分別為92.5%、94.0%和91.0%，同時該模型還能主動跟蹤上消化道內(nèi)鏡檢查中的可疑癌變并監(jiān)測盲點，表現(xiàn)優(yōu)于內(nèi)鏡醫(yī)師。2023年，Dong等

[12]開發(fā)了一個名為"AIENDOANGEL-ED"的可解釋AI模型，并使用3279例患者的內(nèi)鏡圖像和296個局灶性病變視頻進行了訓練和測試，結果發(fā)現(xiàn)AIENDOANGEL-ED在圖像和視頻測試中均表現(xiàn)良好，且準確度高于內(nèi)鏡醫(yī)師。相較于傳統(tǒng)的AI模型，這種高性能、可解釋的實時AI模型不僅能提高內(nèi)鏡醫(yī)師的診斷能力，還具有很高的臨床可信度和接受度。AI模型可以幫助內(nèi)鏡醫(yī)師在臨床操作中進行早期病變的診斷，通過早診斷、早治療極大地降低胃癌的病死率，具有巨大的應用潛力(

表1)。2．AI在AGC中的應用：與早期胃癌不同，AGC通常病灶較大，且腫瘤侵襲性較強，因此，在圖像識別中相對容易檢測，AI模型的深度學習算法則能進一步優(yōu)化AGC的診斷精度。例如，2021年Zhang等

[13]開發(fā)的CNN模型使用了普通白光圖像來區(qū)分正常胃黏膜、消化性潰瘍、胃黏膜下腫瘤、早期胃癌和AGC等5種胃部病變，該模型對5種病變的診斷特異度和陽性預測值均高于具有8年以上內(nèi)鏡診斷經(jīng)驗的內(nèi)鏡醫(yī)師，準確度則接近于內(nèi)鏡醫(yī)師水平，顯示了AI在胃部病變辨識中的巨大潛力。然而，該研究為單中心、回顧性設計，且僅使用白光靜態(tài)圖像作為輸入數(shù)據(jù)，缺乏動態(tài)視頻、增強成像等多模態(tài)數(shù)據(jù)，模型在復雜臨床環(huán)境中的泛化能力尚不明確。此外，該模型未進行外部驗證，臨床推廣仍需謹慎評估。2023年Gong等

[14]開發(fā)了實時深度學習臨床決策支持系統(tǒng)，該系統(tǒng)對非腫瘤、異型增生、早期胃癌和AGC的分類準確度為89.7%，對黏膜局限和黏膜下層浸潤病變的分類準確度為89.2%，這展現(xiàn)了AI在臨床決策輔助中的潛力。然而，模型在實際應用中仍面臨諸多挑戰(zhàn)，如數(shù)據(jù)輸入質(zhì)量控制、不同內(nèi)鏡設備間的一致性問題、醫(yī)師接受度等因素。此外，該研究未涉及AI輸出可解釋性評估，限制了其在高風險臨床場景中的信任基礎。AI在AGC的診療中有極大的應用潛力，不僅能夠顯著提高癌癥早期診斷率，還能在治療決策、轉移檢測、浸潤深度評估、治療反應預測等方面提供重要支持

[15]。然而，目前許多研究多為小樣本、回顧性，缺乏前瞻性、多中心臨床研究驗證，需通過開展多中心、前瞻性研究，結合多模態(tài)數(shù)據(jù)，強化AI模型的可解釋性等推動AI在精準分型、治療路徑制定和預后評估方面發(fā)揮更大的臨床效益，從而促進胃癌的精準醫(yī)學診療發(fā)展。3．AI在胃癌浸潤深度預測中的應用：AI不僅能夠輔助早期胃癌和AGC的檢測與診斷，還能夠預測胃癌的浸潤深度，進而指導治療決策。2019年Zhu等

[16]開發(fā)了能夠預測胃癌侵襲深度的CNN模型，發(fā)現(xiàn)其準確度和特異度分別為17.25%和32.21%，均高于內(nèi)鏡醫(yī)師，但該模型仍存在性能瓶頸，且數(shù)據(jù)來源局限于單一機構，代表性不足。2020年Nagao等

[17]利用CNN模型和16557張圖像建立了3種不同的AI模型來預測胃癌浸潤深度，包括常規(guī)白光成像、窄帶成像和靛藍胭脂紅染料對比成像，該研究在成像策略多樣性方面提供了有益探索，未來可為臨床醫(yī)師提供更準確的信息，尤其是在難以明確診斷的胃癌病例中。但其缺乏獨立外部驗證，且僅使用靜態(tài)圖像，難以覆蓋真實內(nèi)鏡操作中的圖像噪聲與動態(tài)信息。2023年Goto等

[18]通過深度學習技術設計了AI分類器來區(qū)分臨床上較難鑒別的黏膜內(nèi)癌和黏膜下癌，該分類器的準確度、靈敏度、特異度分別為77%、76%、78%，通過內(nèi)鏡醫(yī)師與AI分類器的合作可以大大提高早期胃癌浸潤深度的診斷能力，這對治療策略的選擇和預后判斷具有重要意義，能夠幫助內(nèi)鏡醫(yī)師評估腫瘤的侵襲深度，從而為患者提供個體化治療方案。2024年，Chen等

[19]使用數(shù)據(jù)增強和YOLO方法開發(fā)的AI模型來解決早期胃癌的分期問題，結果發(fā)現(xiàn)該模型可以準確區(qū)分黏膜(T1a)和黏膜下層(T1b)病變并有效替代超聲內(nèi)鏡和CT，為未來評估腫瘤浸潤深度提供快速、經(jīng)濟且準確的方法，同時該模型還能協(xié)助醫(yī)師在實時內(nèi)鏡檢查中決定是否切除病灶。未來可通過開發(fā)新的算法來提高其準確性和適用的廣泛性。AI能從海量的醫(yī)學影像數(shù)據(jù)中學習到有助于預測浸潤深度的特征，從而輔助內(nèi)鏡醫(yī)師準確評估腫瘤的浸潤深度并制定個體化治療方案，但目前多數(shù)研究存在樣本量不足、模型訓練與臨床使用脫節(jié)、缺乏多中心驗證等問題，未來需從這些方向進行優(yōu)化。4．AI在胃癌治療與預后中的應用：AI在胃癌的治療中同樣展現(xiàn)了巨大潛力，在預測治療效果和預后方面，Jiang等

[20

]于2023年通過結合深度學習和組學方法建立了影像學模型，可以對胃癌進行無創(chuàng)的腫瘤微環(huán)境評估，并預測不同治療方案的反應。Chen等

[21]于2024年通過機器學習分析建立了胃癌代謝組學診斷模型，發(fā)現(xiàn)其靈敏度高達90.5%，遠高于傳統(tǒng)胃癌蛋白質(zhì)標志物(靈敏度<40%)。這些研究表明，AI不僅能在治療決策和預后預測中提供支持，還能夠推動精準醫(yī)學的發(fā)展，提高胃癌患者的治療效果和生存率。AI在胃癌的早期篩查、診斷、浸潤深度預測和治療效果預測中具有廣泛的應用潛力。通過深度學習和大數(shù)據(jù)分析，AI能夠有效提升早期胃癌的檢出率，并幫助內(nèi)鏡醫(yī)師識別復雜病變。在AGC中，AI不僅能夠精確分類不同類型的病變，還能準確預測腫瘤的侵襲深度，為個體化治療提供支持。隨著技術的不斷進步，AI將成為胃癌診斷和治療中不可或缺的工具，推動精準醫(yī)學的實現(xiàn)，并為患者提供更好的預后和治療效果。二、AI在胃癌前病變中的應用Correa的級聯(lián)反應說明胃癌是慢性發(fā)展過程，逐步從健康黏膜、慢性非萎縮性胃炎、慢性萎縮性胃炎、腸化生、異型增生發(fā)展到胃癌，因此，胃癌前病變是胃癌發(fā)生、發(fā)展的關鍵中間環(huán)節(jié)，早期識別和干預這些病變對于阻斷其進展至胃癌具有重要意義。AI特別是深度學習技術正逐漸成為輔助識別胃癌前病變的有力工具，在提高篩查效率、統(tǒng)一診斷標準、優(yōu)化治療策略方面展現(xiàn)出巨大潛力。2020年Guimar?es等

[22]開發(fā)了輔助診斷慢性萎縮性胃炎的深度學習模型，該模型準確度達93%(受試者操作特征曲線的曲線下面積為0.98，F(xiàn)評分為0.93)，能夠在不依賴高質(zhì)量圖像的情況下有效工作，并能很好地處理低質(zhì)量圖像，但該研究訓練集規(guī)模較小，需要更大規(guī)模的驗證數(shù)據(jù)來進一步評估其可靠性。2020年Zhang等

[23]開發(fā)了CNN-慢性萎縮性胃炎預測模型，通過收集胃竇圖像來診斷萎縮性胃炎，該模型的診斷準確度、靈敏度和特異度分別為94.2%、94.5%和94.0%，均高于具有5年以上胃鏡操作經(jīng)驗的內(nèi)鏡醫(yī)師。2021年Lin等

[24]開發(fā)了CNN模型，通過使用來自多中心的白光內(nèi)鏡圖像來訓練該模型以識別胃黏膜萎縮和腸化生，識別胃黏膜萎縮的靈敏度、特異度和準確度分別為96.2%、96.4%和96.4%，識別腸化生的靈敏度、特異度和準確度分別為97.9%、97.5%和97.6%，取得了較高的診斷準確性。同年Xu等

[25]開發(fā)了實時檢測胃黏膜萎縮和腸化生的深度CNN模型，通過回顧性靜態(tài)圖像和前瞻性連續(xù)視頻證明了該模型在診斷胃癌前病變方面具有較高的準確性，與有5年以上胃鏡操作經(jīng)驗的內(nèi)鏡醫(yī)師相似。2024年Tao等

[26]構建了基于Kimura-Takemoto分類的AI系統(tǒng)，該系統(tǒng)能夠評估所有胃黏膜來確定每個胃部位的黏膜萎縮程度并進行內(nèi)鏡風險分層。同年，Si等

[27]設計了機器學習模型，通過對人類胃液樣本的表面增強拉曼光譜進行機器學習來區(qū)分胃部病變的不同階段，該模型可以準確識別慢性非萎縮性胃炎、慢性萎縮性胃炎的不同亞型與腸化生，為快速、經(jīng)濟、高效和微創(chuàng)的胃病診斷提供了新的可能性。AI在胃癌前病變的診斷中展現(xiàn)了巨大潛力，尤其是當病變程度較輕、難以通過常規(guī)檢查來識別的早期胃黏膜萎縮與腸化生，AI特別是基于深度學習的圖像識別模型能夠自動檢測胃黏膜的微小病理改變，在胃黏膜萎縮、腸化生等胃癌前病變的篩查中取得顯著進展。此外，AI還可整合患者的臨床資料(如年齡、性別、幽門螺桿菌感染狀態(tài)、家族史等)與多模態(tài)圖像數(shù)據(jù)，建立風險預測模型，實現(xiàn)高風險人群的精準識別與隨訪策略優(yōu)化，從而在提升胃癌早診率和治愈率方面發(fā)揮核心作用(

表2)。然而，AI在輔助胃癌前病變診斷應用中仍面臨一些挑戰(zhàn)：首先，目前許多研究基于單中心、小規(guī)模數(shù)據(jù)集，盡管結果顯示有一定前景，但由于往往使用有限的樣本量進行驗證，可能會導致過度擬合AI算法的風險

[28]。因此，使用外部數(shù)據(jù)集(最好是多中心數(shù)據(jù)集)驗證深度學習系統(tǒng)對于確保更穩(wěn)健和令人信服的結果至關重要，同時視頻數(shù)據(jù)集也可作為實時病變診斷的訓練資源。其次，目前大多數(shù)研究通常只單獨解決一項任務，如病變的識別與檢測、分期或預后預測。因此，可以通過開發(fā)多模態(tài)算法同時學習和分析來自各種醫(yī)學知識的信息，這種多模態(tài)算法或許會推動AI在醫(yī)學領域的重大進步。此外，還需要進一步提高AI模型的透明度和可解釋性，以增強醫(yī)師對AI診斷結果的信任。AI在胃癌前病變的識別和診斷中展現(xiàn)出廣闊的應用前景。通過提高診斷準確性、標準化診斷流程、輔助醫(yī)師決策和提高篩查效率，AI有望成為胃癌早期防控的重要工具。未來需要加強多中心、大樣本的臨床研究，完善AI模型的可解釋性和臨床適應性，以推動AI在胃癌前病變診斷中的廣泛應用。三、AI在胃良性病變中的應用胃良性占位性病變約占上消化道病變的62.5%，主要包括胃息肉、胃平滑肌瘤、胃脂肪瘤、異位胰腺和血管瘤，也有一些胃占位性病變?nèi)缥搁g質(zhì)瘤、神經(jīng)內(nèi)分泌腫瘤等具有惡變傾向，因此，早期識別和診斷對于臨床治療決策至關重要。2020年Minoda等

[29]設計了用于超聲內(nèi)鏡下的AI輔助診斷系統(tǒng)，該系統(tǒng)對最大徑≥20mm胃黏膜下病變的診斷效能良好，其準確度、靈敏度和特異度分別為90.0%、91.7%和83.3%，但研究為單中心設計，且樣本量較小，所納入圖像的質(zhì)量和操作標準未明確定義，限制了模型在多中心、多設備環(huán)境下的可推廣性。2022年Hirai等

[30

]開發(fā)了能有效區(qū)分上消化道上皮下病變(包括胃間質(zhì)瘤、平滑肌瘤、神經(jīng)鞘瘤、神經(jīng)內(nèi)分泌腫瘤和異位胰腺)的AI模型，該模型區(qū)分間質(zhì)瘤與非間質(zhì)瘤的靈敏度、特異度和準確度分別為98.8%、67.6%和89.3%，其中靈敏度和準確度甚至高于內(nèi)鏡操作年限超過10年的內(nèi)鏡醫(yī)師。這是一項將AI應用于常見上消化道上皮下病變的多類別分類的研究，證明了AI將有助于內(nèi)鏡醫(yī)師的診斷和治療決策。然而，該模型訓練數(shù)據(jù)集中病變分布比例不均，且未設立獨立的外部驗證集，降低了其在不同醫(yī)療場景下的適應性。2022年Yang等

[31]開發(fā)了AI輔助超聲內(nèi)鏡診斷系統(tǒng)，該系統(tǒng)可以有效提高超聲內(nèi)鏡和內(nèi)鏡醫(yī)師鑒別胃間質(zhì)瘤與胃平滑肌瘤的準確性。同年Tanaka等

[32]評估了AI在超聲造影劑增強諧波內(nèi)鏡檢查中區(qū)分胃平滑肌瘤與胃間質(zhì)瘤的效能，發(fā)現(xiàn)AI診斷胃間質(zhì)瘤的靈敏度、特異度和準確度分別為90.5%、90.9%和90.6%，對胃間質(zhì)瘤和平滑肌瘤的診斷能力與專業(yè)超聲醫(yī)師相仿。盡管該系統(tǒng)顯現(xiàn)出與醫(yī)師的高度一致性，但未明確其在低質(zhì)量圖像、非典型病灶中的識別能力，也未分析AI模型在多品牌超聲設備間的性能表現(xiàn)。2023年，Zhu等

[33]開發(fā)了名為MMP-AI的系統(tǒng)來識別隆起型良性胃病灶，該系統(tǒng)可以對白光內(nèi)鏡和超聲內(nèi)鏡下的圖像進行識別和分析，其分類胃間質(zhì)瘤、胃平滑肌瘤和胃異位胰腺的受試者操作特征曲線的曲線下面積分別為0.896、0.890和0.999，診斷和鑒別胃黏膜下病變的表現(xiàn)優(yōu)于具有5年以上內(nèi)鏡診斷經(jīng)驗的醫(yī)師。該系統(tǒng)創(chuàng)新性地融合了多模態(tài)圖像輸入，適合多種臨床情境，但目前尚缺乏其在實時內(nèi)鏡操作中的嵌入模式與交互界面相關的研究。AI在胃良性黏膜下病變的識別、分型和風險評估方面展現(xiàn)出良好的輔助能力，可以實現(xiàn)自動化病變檢測、差異化診斷、惡性風險評估、手術決策支持及隨訪監(jiān)測與復發(fā)預測，幫助醫(yī)師提高診斷精度，加快治療決策過程并優(yōu)化治療方案(

表3)。然而，現(xiàn)有研究多聚焦于靜態(tài)圖像分析，尚未充分解決圖像動態(tài)變化、邊界模糊、病變罕見等情境下的識別難題。未來可從提升模型普適性、提高模型臨床實時輔助決策能力，以及與病理、影像、基因等多源數(shù)據(jù)融合等方面進行研究。四、AI面臨的挑戰(zhàn)和不足盡管AI在胃占位性病變的診斷、治療和管理中取得了顯著進展，但在實際應用過程中，AI仍然面臨一些挑戰(zhàn)和不足。1．數(shù)據(jù)質(zhì)量和數(shù)據(jù)標注問題：AI的性能往往依賴于大量高質(zhì)量的標注數(shù)據(jù)，數(shù)據(jù)的標注質(zhì)量會直接影響模型的訓練和預測結果。然而，胃占位性病變的數(shù)據(jù)集往往存在標注不一致的問題，尤其對于影像學數(shù)據(jù)，醫(yī)師的主觀判斷、影像質(zhì)量差異和解讀偏差均可能導致標注誤差。此外，由于胃癌和其他胃部疾病的早期表現(xiàn)不夠顯著，相關數(shù)據(jù)難以收集，使得AI模型難以獲得足夠的數(shù)據(jù)來訓練和提高精度。數(shù)據(jù)的偏差和質(zhì)量問題也可能限制AI模型的廣泛應用和效果。2．算法的泛化能力：現(xiàn)有的AI模型主要是在特定的數(shù)據(jù)集上進行訓練和驗證，這使得其泛化能力存在一定局限性。即使AI在某一特定地區(qū)或醫(yī)院的胃部疾病診斷中表現(xiàn)良好，當模型被應用到其他不同地區(qū)或不同人群時仍可能會出現(xiàn)性能不足的問題。這種現(xiàn)象稱為"模型的泛化不足"。胃部疾病的發(fā)生和發(fā)展與地理、種族、飲食習慣、環(huán)境等因素密切相關，這些變量可能影響AI模型的效果。例如，基于中國患者群體開發(fā)的AI模型可能在歐美患者中表現(xiàn)不佳，反之亦然。3．算法的可解釋性問題：深度學習等復雜的AI算法雖然在胃部疾病的診斷中取得了優(yōu)異的成績，但其"黑盒"特性導致很多算法的決策過程變得模糊，缺乏足夠的可解釋性

[34]。臨床醫(yī)師可能難以理解AI模型做出診斷的具體原因，這限制了其臨床應用，特別是在高風險的胃部疾病(如胃癌)診斷過程中，醫(yī)師往往需要進一步驗證AI給出的結果。如果AI模型的決策過程無法被清晰解釋，將可能影響醫(yī)師對其推薦治療方案的信任度。4．臨床數(shù)據(jù)的缺乏和跨學科合作的障礙：盡管AI在醫(yī)學領域的發(fā)展迅速，但臨床數(shù)據(jù)的獲取仍是瓶頸問題。尤其是在胃部疾病的早期診斷和治療中缺乏大規(guī)模、長期的患者數(shù)據(jù)集，特別是包含多種數(shù)據(jù)類型(如影像學、基因組學信息和生活方式數(shù)據(jù)等)的綜合數(shù)據(jù)集。這些數(shù)據(jù)的缺乏導致AI算法的訓練受到限制，難以全面考慮胃部疾病的多維因素。此外，AI的成功應用需要醫(yī)師、數(shù)據(jù)科學家和計算機工程師的緊密合作，但在實際操作中，跨學科團隊之間的溝通和合作常常存在障礙，影響了AI的研究與轉化應用。5．倫理和隱私問題：AI在胃部疾病中的應用可能涉及大量的患者個人數(shù)據(jù)，特別是敏感的健康信息和醫(yī)療記錄。在收集和處理這些數(shù)據(jù)時，隱私保護成為重要問題。盡管許