近日，由四川华西医院宋彬教授团队与推想科技科研团队作为联合参与单位完成的基于深度学习模型对晚期胃癌患者腹膜转移的术前诊断研究并在肿瘤领域高分期刊《Frontier in Oncology》（2020年影响因子：4.848）发表(1)。

本研究利用CT影像信息建立深度卷积神经网络模型，实现对晚期胃癌患者隐匿性腹膜转移的检测，辅助术前诊断。通过与传统的基于多因素回归分析的临床模型对比，该模型表现出对预测隐匿性腹膜转移的高敏感性，能够有效辅助医生评估腹腔镜手术方案与必要性。

推想与华西医院科研论文发表在《Frontier in Oncology》

实验背景

胃癌是我国最常见且高病死率的恶性肿瘤之一，而腹膜转移通常被认为是胃癌的终末阶段，胃癌患者一旦出现腹膜转移则临床病理已属Ⅳ期, 提示预后极差. 因此, 胃癌腹膜转移的早期诊断及预防对改善胃癌患者预后有着极其重要的临床价值。腹部增强CT是诊断胃癌腹膜转移常见的影像学检测手段，有着较高的准确率与特异性，但是对于腹膜转移，尤其是隐匿性腹膜转移，其检测敏感度较低。腹腔镜探查目前被认为是诊断胃癌腹膜转移最为可靠的方法，然而由于其有创性及在病人选择上仍存在争议。

因此本研究利用深度学习技术赋能腹部增强CT数据分析，通过深层非线性神经网络对数据进行高层抽象的学习与分析，实现对隐匿性腹膜转移的识别，从而辅助临床进行早期诊断与干预。

方法与结果

本研究回顾性收集了四川华西医院从2013年1月至2018年12月的544例接受腹部增强CT检查的晚期胃癌病人。通过手术或腹腔镜检查与CT影像表现，确认其中隐匿性腹膜转移阳性患者79例，阴性患者465例。

手动标注：利用ITK-SNAP软件，两名医生对 CT 影像进行逐层观察，并手动标注出原发肿瘤的最大截面区域设定为感兴趣区域（ROI）。

模型训练与比较：使用Xception作为深度卷积神经网络模型的骨干结构，以原发肿瘤区域的最大 ROI 截面作为输入预测是否存在隐匿性腹膜转移。同时，使用多变量逻辑回归建立了基于临床特征中的独立预测因子的临床模型，并与深度学习模型结果进行比较。

Figure 1 深度学习模型开发与测试流程图

研究结果表明，对比临床模型，深度学习模型具有显著提升的诊断效能（AUC: 0.900 vs. 0.670; p<0.05）。深度学习模型的灵敏度与特异度分别为0.801和0.875，而临床模型的灵敏度和特异度分别为0.857 和0.445。

分层分析的结果表明深度学习模型在不同年龄范围和性别分布上表现出一致优异的诊断性能，具备良好的通用性。

同时，深度学习模型可以产出激活图，从而对不同类别患者的预测结果进行定性分析。图中高亮区域指示深度学习模型判断原发肿瘤区域上与识别胃癌的隐匿性腹膜转移相关的区域，可能可以作为医生诊断的有效参考。

文章总结

该研究基于CT影像信息建立识别隐匿性胃癌腹膜转移的深度学习模型，模型预测准确率显著高于传统临床模型，可以有效辅助临床进行腹腔镜检查的术前诊断与评估。该方法对于胃癌患者的早期诊断与手术治疗具有重要临床意义。

于此同时，推想科技开发的InferScholar科研平台，是实现人工智能定制化模型开发的利器。平台集成数据存储与管理、数据标注、深度学习、影像组学、多中心研究等多种科研模块，辅助医生在无编程基础的情况下完成全流程的AI试验。目前，InferScholar科研平台已成功应用于肺栓塞，冠状动脉狭窄，内窥镜检测，脑卒中风险预测，糖尿病的监控和管理等领域。平台以”医疗AI技术回归临床“为理念，赋能医生快速实现医疗AI技术的产学研一体化。

本文参考文献：

1. Huang, Zixing, et al. "Deep Convolutional Neural Network based on Computed Tomography Images for the Preoperative Diagnosis of Occult Peritoneal Metastasis in Advanced Gastric Cancer." Frontiers in Oncology 10 (2020): 2402.