一、主要功能

• 早期胃癌筛查：通过分析非增强CT影像，识别早期胃癌病灶，显著提高早期胃癌的检出率。
• 辅助诊断：为影像医生提供辅助诊断支持，帮助提高诊断的准确性和效率，减少漏诊和误诊的可能性。
• 风险评估：对患者进行胃癌风险评估，识别高风险人群，便于进一步通过胃镜检查等确诊手段。
• 早期预警：在患者尚未出现明显症状时，提前发现潜在的胃癌病灶，为早期治疗争取宝贵时间。

二、技术原理

• 深度学习算法：基于深度学习技术，使用大量胃癌和非胃癌的CT影像数据进行训练，学习胃癌病灶的特征和模式。
• 多中心数据集：基于全球规模最大的胃癌平扫CT影像多中心数据集（6720例），涵盖不同地区、不同设备的数据，提高模型的泛化能力。
• 图像分割与分类：模型联合分割和分类网络，先对CT影像进行胃部区域的分割，再对分割后的区域进行肿瘤检测和分类，输出胃癌风险评分和分割掩码。
• 特征提取与识别：分析CT影像中的微小变化和模式，如胃壁厚度、胃黏膜异质性等，识别早期胃癌病灶。
• Grad-CAM可视化：基于Grad-CAM技术对模型的决策过程进行可视化，帮助医生理解模型的判断依据，增强模型的可解释性。

三、应用场景

• 大规模人群筛查：在体检中心和基层医院对大量人群进行胃癌初筛，提前发现潜在患者，提高早期胃癌检出率。
• 辅助医生诊断：为放射科医生提供辅助诊断工具，帮助更准确识别胃癌病灶，减少漏诊和误诊，提升诊断效率。
• 高风险人群监测：针对胃癌高发地区居民及有家族史、慢性胃病等高危人群，进行定期筛查，提前发现病变。
• 早期预警干预：在患者无明显症状时，提前发现潜在胃癌病灶，为早期治疗争取时间，提高患者生存率和生活质量。
• 医疗资源优化：在分级诊疗体系中，合理分配医疗资源，提高医疗效率，同时为医学研究和教学提供数据和工具支持。

四、使用方法

• 患者在进行腹部平扫CT检查后，AI模型会自动分析CT影像，分割出胃部结构，并在怀疑有癌变的区域用红色高亮显示，同时给出胃癌风险概率值。
• 如果风险概率值高于设定的阈值（59.7%），则提示患者为高危人群，需进一步进行胃镜检查。

五、适用人群

• 适合在体检中心和基层医院进行大规模筛查的人群，尤其是胃癌高发地区居民、有胃癌家族史、慢性胃病等高危人群。
• 也适用于已经进行腹部平扫CT检查的患者，附带进行胃癌筛查。

六、优缺点介绍

• 优点：
  • 高敏感性和特异性：DAMO GRAPE的敏感性和特异性分别达到85.1%和96.8%，显著优于人类放射科医生。
  • 无创性：患者无需额外准备，只需进行常规的平扫CT检查，即可完成胃癌筛查。
  • 早期预警：能够提前6个月发现早期胃癌病灶，为患者争取宝贵的治疗时间。
  • 高效筛查：在模拟机会性筛查试验中，胃癌检出率显著提高，且能大幅“浓缩”高危人群。
• 缺点：
  • 依赖影像设备：需要高质量的平扫CT影像作为输入，影像质量不佳可能影响筛查结果。
  • 仍需进一步确诊：虽然模型能够识别高风险人群，但最终确诊仍需通过胃镜等传统手段。

分类标签：医疗影像、人工智能、癌症筛查、辅助诊断