胃神经内分泌癌(G-NEC)是一种罕见但高度恶性的胃部肿瘤，其临床病理特征与常见的胃腺癌(GC)极为相似，但生物学行为却显著不同。G-NEC具有侵袭性强、增殖指数高、早期转移倾向明显等特点，患者预后远差于GC患者。然而，这两种肿瘤在常规苏木精-伊红(H&E)染色切片上的形态学特征常常难以区分，尤其是与低分化GC的鉴别更为困难。当前诊断金标准需要依赖免疫组织化学(IHC)检测神经内分泌标志物（如突触素(Syn)、嗜铬粒蛋白A(CgA)、胰岛素瘤相关蛋白1(INSM1)）以及Ki-67增殖指数评估，这些辅助检测不仅耗时耗力，而且在资源有限或高通量诊断环境中难以普及。因此，开发一种快速、准确且成本效益高的G-NEC诊断工具成为临床实践的迫切需求。
随着人工智能技术在医学影像分析领域的快速发展，深度学习模型特别是卷积神经网络(CNN)在肿瘤检测、分类和分子分型等任务中展现出卓越性能。中山大学肿瘤防治中心等机构的研究团队基于这一背景，在《Communications Medicine》上发表了题为"A deep learning model for the diagnosis of gastric neuroendocrine carcinoma"的研究论文，介绍了他们开发的G-NECNet深度学习模型，该模型能够仅基于H&E染色全切片图像(WSI)实现G-NEC的精准诊断。
研究团队采用了多队列研究设计，包括来自中山大学肿瘤防治中心的内部队列（1177张WSI，826例患者）、中山大学附属第六医院的外部队列（344张WSI，340例患者）以及多中心会诊队列（113张WSI，113例患者）。所有病例的诊断均按照2022年WHO消化系统肿瘤分类标准，由两位经验丰富的胃肠道病理医师独立审核确认。
关键技术方法包括：WSI预处理与组织区域提取；基于ResNet50架构的肿瘤检测器开发，用于自动识别WSI中的肿瘤区域；G-NEC分类器构建，同样采用ResNet50作为主干网络，通过五折交叉验证训练并集成五个独立分类器形成最终模型；读者研究设计，邀请三位不同资历的病理医师（初级5年、高级10年、专家15年经验）与模型性能进行对比。
研究结果显示，G-NECNet在内部测试集中表现卓越，曲线下面积(AUROC)达0.993（95%置信区间(CI)：0.99-1.00），灵敏度为0.952（95% CI：0.88-0.99），特异度为0.986（95% CI：0.97-0.99），阴性预测值(NPV)为0.993（95% CI：0.98-1.00）。在外部验证中，模型同样保持高性能：外部队列AUROC为0.985（95% CI：0.98-0.99），会诊队列AUROC达到完美的1.000。
G-NECNet与病理医师的性能比较
通过与三位病理医师的对比研究，G-NECNet展现出明显优势。在内部测试集中，初级、高级和专家病理医师的AUROC分别为0.677、0.825和0.903，均显著低于G-NECNet的0.993。在外部队列和会诊队列中，也观察到类似趋势，G-NECNet在灵敏度方面表现尤为突出，同时保持了与专家病理医师相当的特异度。这一比较结果突显了G-NECNet在G-NEC诊断中的辅助价值，特别是在提升诊断敏感性方面具有重要临床意义。
模型的可解释性分析
研究还通过热图可视化展示了G-NECNet的决策过程，成功案例显示模型能够准确识别具有G-NEC特征的组织区域。例如，在G-NEC病例中，肿瘤区域被预测为G-NEC的概率较高（红色调），而GC病例中的肿瘤区域则被正确识别为低概率（蓝色调）。这种可视化增强了模型在临床环境中的可信度和可接受性。
肿瘤分化程度对诊断性能的影响
进一步分析表明，肿瘤分化程度对G-NECNet的诊断性能影响有限。在内部测试集、外部队列和会诊队列中，正确分类与误分类病例在分化程度分布上无显著差异，表明模型对不同分化程度的肿瘤均具有良好的识别能力。
研究结论与讨论部分强调，G-NECNet作为一种基于深度学习的诊断工具，在G-NEC与GC的鉴别诊断中表现出色，其高性能在不同数据集中均得到验证。模型的高阴性预测值（98.9%）意味着仅1.1%的假阴性率，这使得临床医生能够 confidently 排除G-NEC诊断，避免不必要的IHC检测，从而显著降低诊断成本和缩短诊断时间。与既往胃肠道癌AI诊断模型相比，G-NECNet表现出更优的性能，有望成为常规病理实践中的一线筛查工具。
然而，研究也存在一定局限性。首先，尽管是多中心研究，但样本量相对有限，且仅包含组织学确诊的G-NEC和GC病例，未涵盖混合性神经内分泌-非神经内分泌肿瘤(MiNEN)等其他胃部病变。其次，本研究为回顾性设计，需要前瞻性临床研究进一步验证其临床应用价值。未来研究方向包括整合临床信息与其他特征、探索人机协同诊断模式以及尝试替代网络架构等。
综上所述，G-NECNet深度学习模型在胃神经内分泌癌的诊断中展现出与经验丰富病理医师相媲美甚至更优的性能，且在不同外部数据集中保持高准确性。通过显著减少对辅助性免疫组化检测的依赖，该模型有望优化诊断流程、降低诊断成本并加速临床决策，为G-NEC的精准诊疗提供有力工具。这一研究成果代表了人工智能在病理诊断领域应用的重要进展，为罕见但侵袭性强肿瘤的早期识别提供了新思路。
打赏
