蚂蚁阿福联合河北肿瘤医院发布三项AI模型，实现胃癌全周期风险精准预测

事件概述

近日，肿瘤学顶级期刊《Annals of Oncology》接收了一项由中国团队完成的研究：人工智能模型 DeepComp 可在胃癌手术前，利用常规增强CT与临床资料，同时预测患者术后中重度并发症概率与长期生存风险。这是该合作团队近期登上的第三项顶级期刊成果，此前两项关于预测胃癌术后早期复发（RSA模型）和术后肝转移（RCSA模型）的研究也已发表在《Nature Communications》上。

这三项研究由 河北医科大学第四医院（河北省肿瘤医院） 胃癌研究团队与 蚂蚁阿福医疗AI团队 共同完成，覆盖了胃癌治疗旅程的三个关键时点：术前评估、术后恢复期及长期随访期。旨在解决传统TNM分期无法准确反映肿瘤生物学行为及患者个体差异的临床痛点。

核心信息：三大AI模型与临床突破

团队未采用“万能模型”，而是针对三个关键风险窗口分别开发了专用模型：

1. 术前阶段：DeepComp模型（预测并发症与生存风险）

• 痛点：传统术前评估依赖医生经验及少量指标，难以全面反映患者身体储备（如肌肉、脂肪）对术后恢复的影响。
• 方法：DeepComp利用常规增强CT，从肿瘤形态、周围微环境（5mm区域）及患者身体成分（骨骼肌、皮下/内脏脂肪）三个层面提取特征，结合临床资料进行多模态分析。
• 成效：
  • 纳入11家中心5237例患者，内部验证AUC达0.888，外部队列AUC为0.824-0.869，显著优于现有9种临床评分。
  • 人机对照显示，辅助DeepComp后，外科医生识别高风险患者的敏感性从47.1%提升至87.9%，能提前识别近90%的中重度并发症病例。

2. 术后早期：RSA模型（预测早期复发）

• 痛点：同一TNM分期的患者预后差异大，传统病理描述（如“低分化”）缺乏量化标准，难以区分高危与低危人群。
• 方法：被称为“数字活检”，基于常规HE染色病理切片（数十亿像素），利用AI量化核分裂密度、肿瘤间质比例等形态学特征及其空间关联。
• 成效：
  • 基于1763例患者建立，AUC为0.843-0.887，显著优于仅使用临床信息的传统模型。
  • 临床价值：实现同分期内的风险分层。高危患者可加密随访并强化辅助治疗；低危患者可减少不必要的检查和治疗负担。

3. 随访期：RCSA模型（预测肝转移）

• 痛点：异时性肝转移预后极差，但传统随访资源有限，难以对所有患者进行高频监测，易漏诊隐匿转移。
• 方法：多模态融合模型，整合术前CT影像组学、病理深度学习特征及临床信息，模拟“种子”与“土壤”共同作用的转移机制。
• 成效：
  • 覆盖6家中心及公共数据库共1878例患者，AUC为0.862-0.909。
  • 肝转移高风险识别率从83.1%提高至92.3%，漏诊病例从44例降至20例，为早期干预争取了更多机会。

值得关注：从科研到临床的路径

• 数据基础：合作始于2012年积累的完整临床队列数据，强调高质量、长周期的真实世界数据是AI模型可靠性的前提。
• 技术链路：背后依托蚂蚁阿福在医学影像分割、数字病理分析、多模态融合及医疗基础模型迁移等方面的技术积累。
• 下一步计划：目前研究主要基于回顾性数据，团队正推进 DeepComp模型的随机对照试验（RCT）。最终目标是通过严格的临床验证，将AI辅助决策纳入临床指南，实现胃癌患者的精准分层管理与个性化治疗。