河北醫科大學第四醫院副院長趙羣在爲胃癌病人手術中

撰文｜李想俁

編輯｜李珊珊

在胃癌面前，你需要的不僅僅是手術刀。

很多胃癌患者的故事，會縈繞在河北醫科大學第四醫院（河北省腫瘤醫院）副院長趙羣腦海。

有兩位胃癌患者：一位是查體發現，手術順利、後續治療也按規範完成，卻在不到半年後就復發，病情迅速惡化；另一位因飲酒引發胃出血，送到醫院時查出胃癌，醫生最初對預後並不樂觀，但多年隨訪下來一直保持穩定，人好好的。相似的臨牀條件，最終結局卻可能完全不同。

類似病例，在這個醫生團隊的長期隨訪中並不少見。“爲什麼同樣接受規範治療，有的患者長期穩定，有的卻很快復發？這是困擾我們臨牀醫生的一個關鍵痛點。”趙羣的同事、本次研究團隊的核心骨幹丁平安醫生說。

TNM分期仍是胃癌診療最重要的基礎工具，但它主要描述腫瘤的解剖學範圍，對腫瘤生物學行爲和患者個體差異的反映有限。胃癌甚至實體腫瘤癌症本身的傳統TNM分期“都比較粗糙”。不僅中國，美國等發達國家亦是如此。因此，同一期別患者仍可能出現不同的復發風險和治療結局。臨牀真正需要的，是在規範分期基礎上進一步實現更細緻、更可靠的風險分層。

每念及此，趙羣和同事們都會感到：痛心。胃癌防治，除了把手術做好，還需要更早預見風險，才能把治療和隨訪做得更精準，服務患者。

“對癌症患者進行療效優化和復發風險分層管理，是臨牀普遍認同的方向。真正困難的是，怎樣把這種判斷變成可量化、可驗證、可複製的工具。但這個事到底怎麼做？”螞蟻阿福醫療AI實驗室負責人呂樂說。

在這樣的臨牀問題基礎上，河北醫科大學第四醫院胃癌研究團隊與螞蟻阿福醫療AI團隊開始合作，圍繞圍手術期併發症、早期復發和異時性肝轉移三個關鍵風險開展研究。相關成果已陸續發表於國際知名期刊《Annals of Oncology》和《Nature Communications》。[1][2][3]

雙方將人工智能與多模態建模方法嵌入臨牀研究，從常規影像、病理和臨牀資料中提取傳統人工判讀難以穩定量化的信息，嘗試把風險識別從“事後發現”儘可能前移到術前、術後早期和隨訪決策環節，爲胃癌的精準治療和風險分層管理提供新的研究工具。這樣的臨牀研究進展，也給胃癌的精準治療和復發隨訪管理帶來了更多希望。

01 胃癌患者之痛，醫生之痛

故事的開始，不是一段代碼，不是一個模型，而是外科醫生們在一次次病例覆盤中揮之不去的困惑。

中國有全世界最多的胃癌患者。2022年，中國約有35.9萬例胃癌新發病例、26萬例胃癌死亡病例，均佔到全球胃癌新發和死亡總數近四成。

在河北，胃癌更是全省發病率高居第二的惡性腫瘤。尤其是太行山區，由於飲食習慣等原因，是中國著名的食管癌、胃癌等上消化道惡性腫瘤高發區。

趙羣說，東亞都是胃癌高發地區，但日本和韓國較成熟值得學習的地方，是有完善的篩查體系(胃鏡做得好，而且醫保基本免費)，提高了早癌的發現比例。相比之下，中國仍有相當比例患者確診時已進入進展期胃癌；當然，隨着中國近年來胃癌篩查和早診早治不斷推進，這一局面正在逐步改善。

對於進展期胃癌，臨牀團隊長期隨訪中總有一些病例讓趙羣他們難以釋懷：手術已經做到R0切除，TNM分期也沒有提示極高風險，患者卻在一年多後出現肝轉移；還有一些患者，術後不久便遭遇嚴重的併發症。手術已經儘可能做得徹底，那些沒有被攔住的風險，究竟藏在哪裏？

這是胃癌患者之痛，也是醫生之痛。

傳統的TNM分期仍然是胃癌分期最重要的工具之一。T代表原發腫瘤，N代表淋巴結，M代表遠處轉移。這樣的分期試圖告訴醫生，腫瘤已經進展到什麼程度。

但是，這把“尺子”主要描述腫瘤已經發展到哪裏，不同程度的“尺子”並不能完全解釋患者爲什麼會走向不同的結局。十餘年來，河北醫科大學第四醫院胃癌研究團隊一直圍繞胃癌精準分期開展系統探索，試圖不斷彌補傳統TNM分期在實際臨牀中的不足。團隊將CT腫瘤體積及治療前後變化用於T分期的補充；通過吲哚菁綠和納米炭淋巴示蹤提高淋巴結檢出和送檢的充分性，糾正尤其是新輔助治療後可能出現的N分期偏倚；再以腹腔鏡探查聯合腹腔脫落細胞學檢測作爲M分期的補充，識別常規影像難以發現的隱匿性腹膜轉移。與此同時，團隊還把病理取材、分子標誌物及營養和體成分評估納入更完整的分期與風險評估框架。

分期越做越細，團隊卻發現，同一期別患者的復發和生存結局仍可能明顯不同——這也成爲後來繼續尋找“分期之外”風險信息的起點。

02 “隊列”，記錄的是一位位患者的治療軌跡

平均每年，河北醫大四院外三科，都要收治4000多位胃癌患者，其中手術患者1200多位。

從2012年前後開始，外三科的患者們被納入“隊列”。每天都有新的患者進入醫院，也不斷有新的治療信息和隨訪結局產生。十幾年的積累，是臨牀團隊坐冷板凳的“苦功夫”。

所謂隊列（Cohort），是流行病學與臨牀研究中的一個基本概念，指在特定時期內對一組具有共同特徵的人羣進行持續觀察和隨訪，以記錄疾病進展、復發、生存、死亡等結局。

對一家醫院而言，臨牀數據不是簡單的電子病歷集合。每位患者進入醫院、接受檢查、手術、治療，再到復發或者長期生存，都形成了一條完整的治療軌跡。

在趙羣和同事們看來，隊列不僅僅是研究樣本的集合隊列，而是每一位患者在真實診療和長期隨訪中留下的珍貴線索。

呂樂也講起一個讓自己印象很深的故事。在負責螞蟻阿福醫療AI實驗室之前，他曾在英偉達創立醫療AI部門，也曾獲美國國家衛生研究院(NIH)臨牀中心年度院長獎等獎項。大概八九年前，呂樂和約翰·霍普金斯醫院的醫生交流腫瘤醫療數據研究，對方說，“我想用這些已經去世的病人們的生命，來幫助下一個病人得到更好的治療。”說着說着，這位醫生潸然淚下。

如何從“隊列”中找到影響患者預後的規律，一直是河北醫大四院胃腸腫瘤外科團隊想解決的問題。

“如果沒有比較好的、高效率的數據處理辦法，臨牀數據仍然是一堆‘死’數據。”丁平安說。他是主治醫生，也是在讀博士。這個醫生團隊迫切想讓十幾年積累的臨牀數據變“活”，能真正指導未來的臨牀決策，幫到後續的病人。

隨着螞蟻集團旗下AI健康助手“螞蟻阿福”的加入，這批長期隊列經過系統的多模態分析和模型驗證，開始顯現出醫生們期待的這種作用。

03 與醫生共同出題，與AI共同找答案

合作的起點不是“能做什麼模型”，而是“臨牀最需要解決什麼問題”。

合作啓動後，兩支團隊保持密切的線上線下交流。螞蟻阿福醫療AI團隊的科學家們，也多次來到石家莊，來到河北醫大四院。其中，螞蟻集團高級科學家楊森對病理AI已有多年研究，也曾任哈佛醫學院訪問科學家、斯坦福大學高級研究員。

“作爲臨牀大夫，我們不懂AI，只會描述臨牀問題。”丁平安坦陳。楊森理解問題的角度則包括AI和算法。丁平安和同事們看到一篇好的AI文獻，會去問楊森他們；楊森和同事們遇到偏臨牀的問題，也會反過來諮詢醫生團隊。

他們開始挖掘醫療AI可以解決的具體問題。呂樂說，醫療AI不應該從手裏有什麼模型出發，去尋找使用場景，真正的起點應該是臨牀本身。

臨牀團隊把困惑拆成了三個可以被研究的問題：能否在手術前預判術後併發症和長期生存風險來優化術前的臨牀干預手段？能否從術後常規病理切片中識別早期復發風險？能否更早判斷哪些患者可能發生異時性肝轉移？

醫生負責定義問題、結局和臨牀邊界，建立並持續隨訪多中心隊列；阿福醫療AI團隊則把問題轉化爲可訓練、可驗證、可解釋的計算任務。用丁平安的話來說，“兩條平行線，逐步彙總到一個交點。”

圍繞胃癌治療全過程，雙方沒有試圖用一個“萬能模型”解決所有問題，而是針對術後併發症、早期復發和肝轉移這三個不同場景，分別開展了DeepComp（術前併發症與長期生存風險多模態AI評估模型）、RSA（基於常規病理切片的早期復發風險預測模型）和RCSA（基於影像組學的術後隱匿性肝轉移風險識別模型）三項研究。

如今，前一項研究已發表在腫瘤學頂刊《腫瘤學年鑑》(Annals of Oncology)，後兩項研究則先後發表於《自然-通訊》(Nature Communications)。

04 AI發現了醫生看不到的東西

術前CT裏不只有腫瘤的大小和位置，病理切片裏也不只有分型和分期；腫瘤周圍組織的變化、肌肉與脂肪的分佈、細胞形態和微環境的細微差異，都可能記錄着患者未來風險的線索。只是，這些信息維度高、差異小，單靠人眼難以穩定提取和量化。

三項研究，圍繞胃癌患者治療全過程

這恰恰是AI可能介入的地方。丁平安醫生做了一個形象比喻：如果把患者身體看作一座城市，病理醫生像經驗豐富的城市規劃專家，可以判斷哪裏是商業區，哪裏是住宅區，哪裏存在異常建築。而AI則可以精確統計每一棟樓的高度、每一條街道的寬度，甚至人口密度。

第一步，手術還沒開始，先看見併發症風險。

DeepComp模型使用胃癌分期中本來就會採集的增強CT，不僅關注腫瘤本身，還關注腫瘤周圍5毫米區域，同時分析骨骼肌、皮下脂肪和內臟脂肪。它試圖同時理解三件事：腫瘤的狀態、腫瘤周圍的微環境，以及患者自身承受手術的生理儲備。由此來預估術後併發症概率和長期生存風險，但不用額外增加檢查，無需重新取組織。

這項研究納入11家中心的5237例患者(包含多個之前的多中心前瞻性病人隊列)，模型的AUC達到0.888。AUC代表模型的準確度，越接近於1，準確度越高。在更直觀的人機對照研究中，10位不同年資的外科醫生獲得DeepComp輔助後，識別高風險患者的平均敏感性從47.1%提高到87.9%。

發表DeepComp研究成果的《腫瘤學年鑑》將其稱爲“胃癌多模態人工智能領域令人振奮的進展”：腫瘤學中的人工智能正逐步超越孤立的圖像識別或單一生物標誌物，整合不同層次的信息（即腫瘤影像、周圍組織、身體成分和臨牀特徵），以生成每位患者更全面的風險畫像。從模型的效果到在日常臨牀中實現和使用，還有一段距離，但DeepComp正是“那項會幫助推動整個領域往這個方向走的重要工作。”

第二步，從常規病理切片，解讀早期復發風險。

局部進展期胃癌術後早期復發，是治療失敗的重要原因之一。而傳統TNM分期，難以完整呈現腫瘤內部的生物學異質性：同樣的分期，可能對應完全不同的復發軌跡。

RSA 模型則從常規HE 染色病理切片中提取人眼難以穩定量化的形態信息，再與臨牀變量融合。這種方法被研究者稱爲“數字活檢”：不新增侵入性檢查，而是對醫院已經生成的病理切片進行第二次信息挖掘。

模型納入了1763 例患者的多中心隊列，模型AUC 爲0.843 至0.887，顯著優於臨牀信息模型。更重要的是，模型能在I、II、III 傳統分期之下進一步區分不同預後的患者。也就是說，它嘗試回答“同一期別裏，什麼需要更加警惕”。

第三步，肝轉移風險，提前放進隨訪計劃。

對於接受胃癌根治性手術的患者，異時性肝轉移往往意味着更差的長期預後。現實中，由於隨訪資源有限，所有患者都採取同樣高頻率的影像複查，給很多患者無疑帶來了不必要的負擔。

RCSA 模型則結合了術前CT 的影像組學特徵、常規病理切片的深度學習特徵和臨牀信息，研究覆蓋6 家中心及公共數據庫共1878 例患者。模型在不同隊列中的AUC 爲0.862 至0.909。相比傳統臨牀模型將肝轉移識別率提高了將近0.20 (AUC: 0.890 vs. 0.691, P < 0.001)，漏診病例數從44 例降低到20 例。

05 下一步，進入指南

從一張術前CT，到一張術後病理切片，再到長期隨訪計劃，三項研究試圖把原本散落在不同環節的數據連接起來，讓風險更早被發現，讓醫生有機會更早準備。

需要指出的是，上述三項研究均在前瞻性臨牀試驗人羣中做了驗證，但研究結論只是基於既有數據的因果推斷估計，還需要在更廣泛的人羣和真實的前瞻性隨機臨牀流程中獲得驗證。

像DeepComp模型，團隊就已啓動前瞻性隨機對照試驗(RCT)，希望進一步驗證AI指導圍術期管理能否真正改善患者結局。

“RCT很重要。”呂樂說。只有隨機對照試驗最終證明使用了AI，患者確實能從統計學上顯著性獲益，才能真正確認其臨牀價值。再往後，纔是監管、臨牀工作流、醫生培訓、合規和指南等一道道門檻。

趙羣和呂樂們把最終目標瞄準臨牀指南，他認爲進入權威的國內臨牀指南，甚至國際臨牀指南，尤其對於癌症等嚴肅醫療, 才能真正惠及更多普通患者。

有了精準的風險分層，高風險的病人可以獲得重點照顧；低風險的患者則可以減少治療，避免過度治療，從幫醫保省錢，幫患者省錢，也幫患者減少痛苦, 還有望達到最好的療效。

或許，現在談論AI徹底改變胃癌的臨牀治療，還爲時尚早。但至少，一種新的可能性已經出現。而醫療AI

最有價值的方向之一，正是把醫生已經擁有、卻難以靠肉眼充分利用的數據，轉化爲第二層精準的臨牀證據；把優秀專家的風險意識，變成更穩定、更可複製的能造福病人的工具。

參考文獻：

[1] Multimodal radiopathomics model predicts postoperative metachronous liver metastasis in gastric cancer, Nature Communications，04 September 2026，https://www.nature.com/articles/s41467-026-76382-x

[2] A multimodal deep learning model for preoperative prediction of post-operative complications in gastric cancer, Annals of Oncology， 16 July 2026，https://www.sciencedirect.com/science/article/abs/pii/S092375342601001X

[3] A deep learning–based digital biopsy for predicting early recurrence in gastric cancer, Nature Communications，15 April 2026 2026, https://www.nature.com/articles/s41467-026-71347-6