胃癌是全球癌症相关死亡的主要原因之一，准确术前T分期对治疗决策至关重要。目前，增强CT是术前评估标准，但传统判读存在主观性强、准确性有限的问题，总体准确率约65-75%，尤其在区分T2与T3分期、识别微小浆膜侵犯方面困难显著。内镜超声（EUS）虽能清晰显示胃壁层次，但对晚期或近端病变准确性下降，且高度依赖操作者经验。尽管双增强超声等辅助手段在经验丰富的中心表现出色，但普及度有限。因此，临床亟需客观、精准的T分期新工具。人工智能（AI）尤其是卷积神经网络（CNN）在医学影像分析中展现出强大潜力，但在胃癌影像研究中，多数成果集中于“早期vs晚期”的二分类任务，或依赖耗时的手动分割，限制了临床推广。为此，郑国良、王欢等团队在《npj Digital Medicine》发表研究，开发了名为GTRNet的可解释端到端深度学习框架，旨在实现基于常规CT影像的胃癌T1-T4四分类自动分期。研究采用多中心回顾性设计，纳入三家三级医院2015年至2021年接受根治性手术的1,792例胃癌患者。所有患者均行门静脉期增强CT扫描，图像经各向同性重采样（1×1×1 mm³）、强度标准化（HU范围-1024至1024）等预处理。模型以修改的ResNet-152为骨干网络，引入并行最大池化与中心裁剪流，聚焦局部肿瘤细节与胃周上下文信息。训练中使用迁移学习、数据增强（随机翻转、旋转、强度扰动）及自适应早停策略，避免过拟合。外部验证时，采用关键层面及其相邻三张图像多数投票整合预测结果，提升稳定性。研究结果GTRNet模型性能在内部测试集（n=239）中，GTRNet四分类准确率达89.9%，宏观AUC为0.97；外部测试集（n=600）准确率87-94%，AUC 0.91-0.95，显著优于放射科医生独立诊断（准确率55.3-59.7%）。模型对T1、T2期敏感性高达98.5-99.0%与93.0-97.8%，对T3、T4期亦达83.3%与81.7-93.3%。Grad-CAM可解释性分析热力图显示模型注意力与放射科医生标注区域高度重合：T1期聚焦胃壁内层，T4期延伸至肿瘤与邻近器官界面。Dice系数（T1:0.56, T4:0.63）表明模型能准确定位分期关键解剖结构。列线图整合与临床效用将深度学习放射组学评分（Rad-score）与肿瘤大小（≥5 cm）、低分化、弥漫型Lauren分型结合，构建有序逻辑回归模型。列线图校准良好，决策曲线分析显示AI模型在多数阈值概率下净收益高于EUS，过度治疗率（2.09% vs 12.97%）与治疗不足率（2.51% vs 17.57%）均显著降低。讨论与结论GTRNet通过端到端架构避免了手动分割，实现了多中心验证下的稳健T分期，其热力图机制增强了临床可信度。结合临床指标的列线图有望优化新辅助治疗决策，例如识别CT隐匿性浆膜侵犯或避免早期肿瘤过度治疗。研究局限性包括T4a/T4b合并分析、样本仅来自中国人群、未涵盖N/M分期。未来可探索Transformer或3D CNN架构、脉冲神经网络优化实时性，并整合多组学数据构建数字孪生模型。该研究为胃癌术前精准分层提供了自动化、可解释的AI解决方案，推动个体化治疗进展。
