论文标题：Artificial Intelligence Applications in Gastric Cancer Surgery: Bridging Early Diagnosis and Responsible Precision Medicine
论文链接：https://www.mdpi.com/2077-0383/15/6/2208
期刊名：Journal of Clinical Medicine
期刊主页：https://www.mdpi.com/journal/jcm
胃癌作为全球高发且预后较差的恶性肿瘤，手术切除仍是根治的核心手段。然而，早期诊断率低、淋巴结清扫高度依赖术者经验、围术期风险分层不足，以及人工智能(Artificial Intelligence, AI)融入临床所伴随的数据隐私、算法可解释性与医疗法律责任等问题，始终是胃癌外科治疗面临的巨大挑战。
2026 年3月在Journal of Clinical Medicine发表的一篇综述系统梳理了人工智能在胃癌外科中的应用现状与未来方向。文章遵循叙事性综述文章评价量表（Scale for the Assessment of Narrative Review Articles，SANRA）与检索?评价?综合?分析框架（Search?Appraisal?Synthesis?Analysis，SALSA），纳入 PubMed、Scopus、Embase 和 Web of Science 截至2025年10月的英文文献，围绕AI辅助解剖识别与淋巴清扫、自主机器人系统、早期癌检测、围术期预测与衰弱模型、伦理与监管五大维度展开。研究深入剖析了计算机视觉与深度学习在实时解剖识别、手术阶段分类和术中引导中的潜力与局限，并探讨了AI内镜与拉曼光谱、MySurgeryRisk等预测模型及 AI 驱动衰弱评估在早癌检出、个体化预康复和风险分层中的价值。
一 研究背景
1.胃癌的全球疾病负担
胃癌仍是全球重大健康负担，2022 年新发约 969,000 例、死亡约 660,000 例，位居癌症发病第五、死亡第四。近几十年来,微创和机器人技术极大地改变了其外科手术管理方式。
2. AI 在手术肿瘤学中的兴起
AI自 1956 年达特茅斯会议提出以来，已逐步演变为影响多个科学和技术领域的变革性计算范式。随着深度学习(Deep Learning, DL)和深度神经网络(Deep Neural Networks, DNNs) 的发展，计算模型在图像识别和语音处理等任务中已达到甚至超越人类水平，使 AI 成为当代计算医学的关键组成部分。在外科实践中，AI 被越来越多地用于增强技术精度和临床决策的工具，但仍面临自动化偏差、数据失衡和算法输出可解释性有限等挑战。
3. 本综述的目的与范围
本综述旨在探讨 AI 在胃癌外科中的当前和新兴角色，涵盖技术、教育和伦理维度，特别关注术后引导、手术培训和围手术期风险预测。AI 有潜力重塑整个手术路径——从早期癌症检测到术中支持和术后风险分层——通过将数据驱动的洞察融入临床决策。
二 研究方法
本综述遵循 SANRA 与 SALSA 框架，检索 PubMed、Scopus、Embase 和 Web of Science 截至 2025 年 10 月的英文文献，采用主题综合法将证据归纳为五个领域：AI 辅助解剖识别与淋巴清扫、自主机器人系统、早期癌检测、围术期预测与衰弱模型、伦理与监管。
三 研究进展
1. AI辅助解剖识别与淋巴结清扫
在 D2 淋巴清扫中，精确识别胃及胃周结构对肿瘤安全至关重要。解剖学变异仍是重大挑战，即使对经验丰富的外科医生而言，若识别不全，可能导致出血及淋巴结清扫不彻底。Chen 等人提出了一种用于腹腔镜胃切除术的实时胃周血管识别模型（perigastric blood vessel recognition model ,PGBVRM），证明自动检测暴露血管有助于准确识别并可能减少血管损伤。Kumazu 等人开发了一种基于 AI 的算法，用于机器人辅助胃切除术中淋巴结缔组织的自动分割，并通过定量和专家审查进行了验证。这些研究表明，计算机视觉系统可作为术中支持工具和教育辅助工具，特别是通过标注的手术视频反馈。
2.自主机器人手术进展
自主机器人系统的持续发展旨在通过增强运动控制和稳定性来支持手术精度。手术自主性的概念框架常以美国汽车工程师协会的六级层次来类比，从 0 级（完全手动控制）到 5 级（完全自主）。将实时 AI 分析的视觉数据整合到机器人系统中，可能使系统具备情境感知能力，从而保持最佳解剖平面并自适应地辅助外科医生。Komatsu 等人开发了一个深度学习模型，用于腹腔镜远端胃肠切除术中的自动实现手术阶段识别，其算法准确率达到 88.8%，表明深度神经网络可以高精度地对手术阶段进行分类，并可能有助于跨机构的工作流程标准化。
3.早期检测与诊断内镜
早期胃癌若在足够早期发现，通常可采用保留器官的内窥镜技术治疗。对于病变直径≤20 mm且局限于黏膜层（N0、M0）的病例，内镜下黏膜下剥离术（endoscopic submucosal dissection，ESD）通常是适宜的，而对于未浸润至黏膜下层的非浸润性病变，内镜下黏膜切除术（endoscopic mucosal resection，EMR）仍是合适的选择。这些微创方法的成功关键取决于高质量可视化和操作者的判读准确性。然而，小或扁平的病变可能被漏诊，尤其在有限的内镜经验下，可能导致延迟诊断或切除不彻底。
拉曼光谱分析组织内分子振动产生的非弹性光散射，产生反映生化组成的独特光谱“指纹”。当应用于内镜成像时，这些光谱特征可帮助区分恶性、异型增生和正常黏膜组织。Soong 等人评估了 SPECTRA IMDxTM 系统，该系统应用机器学习算法对上消化道内镜期间获得的光谱进行分类，即使由非专家操作，也能准确区分高风险肿瘤性病变（包括高级别上皮内瘤变和浸润性癌）与良性或低级别病变，实现了高灵敏度和特异性。此外，基于深度学习的计算机辅助检测系统，特别是卷积神经网络，已证明具有诊断性能。这些算法分析高清白光或窄带成像图像，自动标记可疑区域并评估浸润深度。在前瞻性多中心验证研究中，AI 辅助内镜提高了早期胃癌检出率，并减少了观察者间差异，且未延长操作时间。
4.围手术期预测与衰弱模型
在AI广泛应用于临床之前，CURB-65、the Acute Physiology and Chronic Health Evaluation (APACHE)、CHA2DS2-VASc 和多维预后指数等早期判别模型常在床旁计算，以估计疾病严重程度和术后风险。这些工具提供了有价值的预后信息，但依赖有限的静态参数，并以基于人群的方式对风险进行分层。AI 驱动分析的最新发展引入了个性化风险预测的新时代。通过处理大量生物、生理和临床数据，这些算法能够开发个体化、非侵入性的风险模型，提高诊断精度并指导定制治疗策略。
Hong 等人开发了三种机器学习算法来预测腹腔镜胃癌手术后的并发症。预测变量包括年龄组、肺疾病史、手术时间、手术类型、东部肿瘤协作组(Eastern Cooperative Oncology Group , ECOG) 体能状态和 美国麻醉医师协会(American Society of Anesthesiologists , ASA) 评分。所有三种模型对腹腔镜远端胃切除术和全胃切除术均表现出强大的预测准确性。Bihorac 等人引入了 MySurgeryRisk，这是一个自动化机器学习平台，利用常规收集的电子健康记录数据，以高灵敏度和特异性评估主要术后并发症和死亡风险的概率。该平台正被整合到实时临床工作流程中，以实现自动化、动态的手术风险评估。
当代研究表明，机器学习算法可以越来越准确地预测术前和围手术期并发症。这些模型可通过纳入多维临床数据（包括生理、认知和生化参数）来实现更全面的衰弱评估，从而超越 Fried 衰弱表型等传统评估框架的范围。在此背景下，AI 衍生的衰弱模型可为个性化术前康复计划提供指导，优化围术期护理，并在手术推迟的情况下估计结果，从而支持患者和临床医生之间的共享决策。
5.伦理与监管挑战
AI 的临床实施依赖于大规模使用敏感患者信息，将隐私、知情同意和问责成为伦理和法律辩论的中心。外科医生既是数据生成者又是保管者，负有双重责任确保手术数据的安全处理、合规存储和合乎伦理的再利用。隐私风险可能不仅出现在数据收集时，还可能随着数字档案扩展和共享存储库激增而在数年后出现。当 AI 模型在可识别或匿名化不充分的数据上训练时，可能无意中编码和暴露个人信息。复杂的重识别或对抗性攻击技术甚至可以通过交叉链接有限的空间和时间细节来影响已识别的数据集。为减少这些漏洞，任何用于临床部署的算法都应在认证前经过严格的网络安全和渗透测试。
四 局限性与未来方向
尽管技术发展令人鼓舞，但支持许多 AI 应用在胃癌外科中的临床证据仍处于初步阶段。大多数已发表研究依赖回顾性数据集、样本量有限和标注标准不一。因此，算法性能的改善不一定意味着患者治疗效果的显著益处。当前 AI 模型受到小型、单项数据集、异质性标注方法和有限外部验证的制约。因此，需要开展大规模的多中心合作以及建立开放获取的外科视频存储库,以确保可重复性、公平性和临床通用性。
五 结论
AI 通过改变临床信息的获取、解释和应用方式，正在日益影响胃癌手术路径的多个阶段(包括早期诊断、术后导航和围手术期风险评估)。AI 驱动的计算机视觉技术如今能够实现实时解剖识别和淋巴结构自动分割，而增强现实和虚拟现实模拟平台正在加速受训者空间和技术熟练度的获得。与此同时，机器人自主性、手术阶段识别和图像引导辅助技术的发展有助于提高程序标准化并减少操作者间差异。在术前和围手术期设置中，MySurgeryRisk 等预测算法和基于 AI 的衰弱模型引入了动态、个体化的风险分层和预化规划方法。重要的是，本综述中讨论的几个技术例子来源于相关胃肠道手术或实验手术模型，其直接适用于胃癌手术，需要进一步的临床验证。
最终，AI 在胃癌手术中的未来不仅取决于技术进步，还取决于外科医生的伦理道德和职业管理。人工智能应补充而非取代人类的专业知识。通过保持人类监督、保护患者隐私，并将责任纳入创新的每个阶段，外科界可以确保 AI 成熟为追求更安全、更精确和更公平的癌症治疗的可靠伙伴。
期刊介绍
主编：Emmanuel Andrès, University Hospital of Strasbourg, France; Kent Doi, University of Tokyo, Japan
Journal of Clinical Medicine主要发表所有临床及临床前研究方面的论文，涵盖但不限于心脏病学、胃肠病学和肝胰胆病学、临床神经病学、肿瘤学、骨科、内分泌与代谢、肾脏科和泌尿科、流行病学与公共卫生、口腔医学、呼吸医学、眼科、妇产科、免疫学、血液学、心理健康、耳鼻喉科、皮肤科、临床营养、临床康复、老年病学、临床药理学等研究领域。
2025 Impact Factor：3.3
2025 CiteScore：5.2
Time to First Decision：16.6 Days
Acceptance to Publication：2.8 Days
特别声明：本文转载仅仅是出于传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，请与我们接洽。
