长春博时配资蚂蚁阿福与河北肿瘤医院在癌症领域取得研究突破：用AI提前预测胃癌术后风险

“用AI从病理切片的数十亿像素的细胞形态里寻找答案。”

作者丨周蕾

编辑丨岑峰

近日，学顶级期刊Annals of Oncology接收了一项来自中国的研究：人工智能模型DeepComp可以在胃癌手术开始之前，利用常规增强CT与常规临床资料，同时预测患者术后发生中重度并发症的概率与长期生存风险。

这是同一支团队近期登上顶级期刊的第三项研究。另外两项研究——预测术后早期复发的RSA模型、预测术后肝转移的RCSA模型研究论文，也已发表在国际专业期刊Nature Communications上。三项研究分别落在胃癌患者治疗旅程的三个时点上——手术开始之前，手术结束之后，以及术后漫长的随访期。

完成这些研究的，是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。众所周知，健康 AI蚂蚁阿福迅速成长为用户数超一亿的App，但很多人不知道的是，在这样高难度的严肃医学科研领域，阿福团队也已经开始了探索。

这一次合作，双方用AI从病理切片的数十亿像素的细胞形态里寻找答案，提高了术前预测胃癌患者术后复发和转移风险的准确率，为临床手术方案和术后治疗方案提供更准确的参考。

故事的起点，在过去的许多间病房里。

同一间病房，两种命运

在河北医科大学第四医院的病房里，曾经同时住着两个胃癌病人。两人的TNM分期完全一样，都是局部进展期，都具备手术条件。

其中一位是村长，抽烟喝酒，应酬不断，因为酒后胃出血被送进医院，做的又是急诊手术。医生们私下判断，这个病人的预后恐怕不好。

另一位通过查体发现病情。得知诊断后，这位病人的精神压力陡然增大，不吃不喝、不愿说话，看起来状态萎靡。他接受了准备充分的手术，术后每一项治疗也都规范完成——但术后不到半年复发，很快离世。

多年以后，那位烟酒不离手的村长依然健在，还能和老朋友聚会。

这样的情况并非孤例。医生们注意到，随访中会反复出现，按传统分期评价风险并不高的患者，术后很快复发甚至肝转移；而一些分期非常晚的患者，后来却发现能有很好的生存。河北医科大学第四医院副院长赵群，正是带着这些困惑，开始了后来的研究。

团队里的年轻医生丁平安说，还有一类病例至今没有答案。有患者术前TNM分期很好，能做根治手术，也检查明确没有肝转移，可是术后第一个月复查CT、为后续辅助治疗做的常规基线评估时，肝脏上却出现了转移灶。

“到底是术前就有微小转移我们没发现，还是手术本身造成了转移？到现在我们也不知道。”

这些困惑背后，是中国胃癌沉重的疾病负担。2022年，中国胃癌新发病例约35.9万、死亡约26万，分别约占全球的37%和39.4%。在河北，胃癌是发病率居第二位的恶性肿瘤，多数患者确诊时已非早期。即便完成根治性手术，局部进展期患者中仍有四到六成会经历复发；约五分之一的患者术后发生需要临床干预的中重度并发症，后续化疗因此推迟、减量甚至中断。

目前医生判断胃癌患者风险的主要工具，是沿用数十年的TNM分期：T描述肿瘤浸润深度，N描述淋巴结转移范围，M描述有无远处转移。它是全球通用的标准语言，也是一把解剖学的尺子——量得出肿瘤长到哪里，却量不出肿瘤的生物学行为，也量不出患者的免疫、营养与肌肉脂肪储备。

肿瘤的实际体积可以差异巨大，按浸润深度划分的T分期却可能相同。“一个枣、一个花生米大小的肿瘤，同样的T分期都可能是T3或T4。但大小不同，预后一定不同。”赵群举例说明。

图注：河北医科大学第四医院副院长赵群在为胃癌病人手术中

十余年来，河北医科大学第四医院胃癌研究团队一直围绕胃癌精准分期开展系统探索，试图不断弥补传统TNM分期在实际临床中的不足。从T分期的补充、N分期偏倚的纠正到M分期的补充，这把解剖学的“尺子”被一步步做得更细、更准。但团队也逐渐看到它的边界：分期相同，并不意味着结局相同，仍有一部分复发和生存差异无法仅靠解剖学分期解释。答案可能还藏在CT影像的灰阶与纹理、病理切片的细胞形态，以及常规检验所反映的炎症、营养与机体状态中。

答案可能藏在意料之外的地方，例如CT影像的灰阶与纹理里，病理切片数十亿像素的细胞形态里，一张常规化验单的炎症指标里。这些信息随每次诊疗产生，却超出了人眼稳定识别与量化的边界。而这件事，也许AI能做到。

从临床问题到AI定点解题

“可以把病理切片看作一座城市。”丁平安说，“病理医生像经验丰富的城市规划专家，能判断哪里是商业区、哪里是住宅区、有没有异常建筑；AI则能统计每一栋楼的高度、每一条街道的宽度、每一处人口密度。”

丁平安想起了一位相识多年的老朋友：蚂蚁集团的阿福医疗AI实验室的高级科学家杨森。一个是外科医生，一个研究人工智能，此前没有专业交集。直到临床问题困住了医生们，一条微信发了过去：你做过这方面的医学AI模型吗？

答案是肯定的。杨森是病理AI领域的代表性研究者之一，主导研发的CTransPath、CHIEF、MUSK等病理基础模型被国际同行广泛使用。

丁平安想到自己所在的团队，攒着一堆“死数据”——AI能不能让这批数据“活过来”、指导临床决策？

这批数据是从2012年开始积累的，每一位患者的检验、检查、术后并发症和逐年随访资料，一点点录入、修订。现有的数据和临床的困顿摆到了台面上，双方线上沟通了几次，蚂蚁集团阿福医学AI实验室的负责人吕乐也参与其中，合作就这样开始了。

起点其实并不顺畅：医生只会描述临床现象，工程师习惯从算法角度理解问题；临床医生觉得两百个病人的数据已经不错，对AI模型来说远远不够。算法团队花了很长时间让临床相信：高质量的大病人队列数据，是这一切最重要的前提。

磨合的方式很朴素，两边团队互相读对方的文献，一点点校准语言。

双方回忆起这次合作，都是感慨万千。医生们坦言，他们选择技术伙伴，看重严谨的科学态度与可靠的人品，更看重对方是否真正理解临床问题，理解到愿意一起接受长期多中心验证的程度。

吕乐和杨森也向雷峰网提到，他们见过的肿瘤医生非常多，真正打动人的，是这个团队治病人的方式：分期影像看不出来的隐匿转移，赵群团队坚持做探查和检测，把队列里每一位患者的数据做得尽量完整。多年苦功夫攒下的队列质量，正是AI模型最稀缺的土壤。

临床先把治疗做到了医生能做到的极致，AI才有机会把这份极致捕捉下来。为了让AI模型的发挥更有方向，双方团队一起，把临床困惑被拆成了三个具体的问题，分别对应治疗全程的三个节点：

手术之前，谁更容易发生中重度并发症，谁需要更充分的术前准备？

病理出来之后，谁更容易在短期内复发？

随访期里，谁最需要警惕肝转移？

之所以选择这三个问题，是因为它们对应进展期胃癌治疗过程中的三个关键风险窗口：围手术期并发症会影响患者恢复和后续治疗；早期复发提示仍存在传统分期未能充分捕捉的高风险；肝转移则是术后复发中需要重点关注的类型之一。三者连起来，基本覆盖了进展期胃癌从术前评估、术后恢复到长期随访的完整临床过程。

三个关键问题和三个关键AI模型

围绕胃癌治疗全过程和这三个关键问题，阿福和河北医大四院没有试图用一个“万能模型”解决所有问题，而是针对肝转移、早期复发和术后并发症等不同场景，分别形成了RCSA、RSA和DeepComp三项研究。

手术之前：谁需要更充分的术前准备和围手术期管理？

胃癌根治术是一台大手术，对患者影响最深的变数往往在手术之后。一旦发生中重度并发症，延长的住院时间只是代价的一部分，后续辅助化疗可能因此推迟、减量甚至无法完成，长期生存随之受损。过去，术前风险评估主要依靠医生经验，以及年龄、营养评分等几把粗尺子。

阿福医疗AI团队训练的DeepComp模型，改变的是评估的颗粒度。它利用胃癌分期时常规采集的增强CT，从肿瘤本身、肿瘤周围微环境和患者身体成分三个层面提取信息（同时读取三个层面的信息：肿瘤本身的形态，肿瘤周围5毫米区域的微环境，以及第三腰椎层面的骨骼肌、皮下脂肪和内脏脂肪——最后一项与肿瘤无关，与人有关），再与常规临床资料结合——既看肿瘤，也看患者整体状态。

这背后是一个朴素的医学认识：“肿瘤是全身性疾病。一个术前营养不良、肌肉储备不足的病人，哪怕肿瘤切得干净，术后恢复也会很慢。这项研究要同时看懂病，也看懂人。”

影像特征与临床变量汇合后，模型同时输出两个答案：术后中重度并发症的概率，和长期生存风险。《肿瘤学年鉴》将DeepComp模型的研究称为“胃癌领域令人振奋的进展”。

研究纳入11家医疗中心的5237例患者，并用6项注册临床试验的数据额外验证。合并内部验证集中，模型的AUC达到0.888——可以理解为，随机面对两位风险不同的患者，模型有近九成把握把更高危的一位排在前面。九个外部队列中，AUC保持在0.824至0.869，从统计学上显著优于全部九种现有临床评分。

更直观的证据来自一场人机对照。10位不同年资的外科医生参与评估：仅凭经验，他们平均只能提前识别出不到一半的高风险患者；获得DeepComp辅助后，平均敏感性从47.1%升至87.9%。也就是说，10个将会发生中重度并发症的病人，能提前抓住近9个。

识别之后是行动。研究通过目标试验模拟估计了几种风险分层管理策略的潜在获益，包括强化围手术期监护、改善术前营养状态以及根据风险优化手术策略等。不过，这些结果来自既有数据的因果推断，主要用于提出可进一步检验的临床假设，并不能直接替代现行指南和医生判断；最终是否真正改善患者结局，还需要正在推进的前瞻性随机对照试验回答。

《肿瘤学年鉴》认为，“肿瘤学中的人工智能正逐步超越孤立的图像识别或单一生物标志物，其机会在于整合不同层次的信息（即肿瘤影像、周围组织、身体成分和临床特征），以生成每位患者更全面的画像。DeepComp正是这一演进方向上一个非常有意义的范例。AI真正的意义并不在于简单的预测风险，而是我们能把日益复杂的多模态临床信息集成起来，转化为临床上有意义的病人精准分层。从模型的效果到在日常临床中实现和使用，还有一段距离，但是DeepComp正是那个会帮助推动整个领域往这个方向走的重要工作。”

病理报告之后：谁更容易早期复发？

手术完成，病理报告到手。但“低分化”“淋巴结转移”这类半定量的描述，仍然回答不了一个问题：同样分期的两个患者，为什么一个五年安然无恙，另一个半年就复发？

为此，双方团队开发了RSA模型，其分析方法被研究者称为“数字活检”。它分析的样本，是每家医院每天都在产生的常规HE染色病理切片——手术切下的肿瘤组织，经染色封片后供显微镜观察的玻璃片。整个过程中患者没有增加任何检查，切片只是被第二次阅读。

一张全视野切片包含数十亿像素。人眼能看到其中的许多信息，真正的障碍在于无法对整张切片做全面、稳定、可重复的量化。

杨森这样界定AI的边界：“它不是去发现全新的模式，而是把医生已知的特征，例如核分裂的密度、肿瘤与间质的比例、免疫细胞的空间分布，以及它们之间的隐含关联，联合起来做判断。”

RSA基于1763例患者建立，在内部队列、不同地区的外部队列和前瞻性临床试验人群中验证，AUC为0.843至0.887，显著优于仅使用临床信息的传统模型。它的核心价值，是在同一TNM分期内部进一步区分高危与低危：同一期别的患者，从此有了不同的风险坐标。

模型的判断过程同样向医生敞开。可解释性分析能呈现每个形态学特征对个体风险的贡献——AI给出分数，也交代理由。落实到门诊，医生面对一位新患者可以对号入座：分期、病理类型、组学特征逐项比对。被列为高危的，随访频次加密，辅以MRD液体活检动态监测；分期临界、本想放弃化疗的高危患者，会被强烈建议完成辅助治疗。

低危患者走向另一端。“不必要的检查咱们就不做。治疗手段、剂量、复查频次都可以减下来，为患者和医保都省下负担。”

随访期里，谁最需要警惕肝转移？

根治术后的随访，是一场以年计的等待。异时性肝转移是其中预后最差的事件之一，而随访资源始终有限：所有人按同一频率复查，负担沉重；复查不足，又可能错过干预窗口。

本次研究的第三个AI模型RCSA的思路是多模态融合——把术前CT的影像组学特征、病理切片的深度学习特征与临床信息，放进同一个模型。三者各司其职：影像记录肿瘤的宏观形态，切片揭示细胞与微环境的微观特征，临床资料描述患者的整体状态。转移是“种子”与“土壤”共同作用的结果，单一来源的信息，只能看到真相的一部分。

研究覆盖6家中心及公共数据库共1878例患者，并使用来自前瞻性临床研究的队列数据进行验证，AUC为0.862至0.909。与传统临床模型相比，肝转移高风险患者的识别率从83.1%提高到92.3%，漏诊病例从44例减少到20例——多识别出的24例，意味着24次更早干预的机会。

三个模型和三项胃癌研究背后，是阿福医疗AI团队一套贯穿医学影像自动分割、数字病理分析、多模态数据融合、医疗基础模型迁移、跨中心泛化、模型可解释性和人机协同评估的技术链路。模型在训练集上获得一个好看的分数并不是终点，它还要回到不同地区、不同医院和不同治疗方案的数据中反复验证，与临床常用评分和医生判断正面对比，并通过前瞻性研究进一步检验能否真正帮助医生改善决策。

这也是蚂蚁阿福医疗团队对医疗AI的理解：不是为了展示模型能够做什么，也不是让临床去适应技术，而是让技术深入诊疗流程、配合医生，去解决那些过去难以解决、却真实影响患者诊疗和预后的问题。

从研究到临床，下一步是RCT和进入指南

三项研究发表之后，双方团队仍然自我定位在“第一阶段”。

“文章发得再好，后面还缺随机对照的前瞻验证、人机协作和RCT。”赵群说。目前模型的证据主要来自回顾性数据——从既往病例中寻找规律；要证明使用了模型的患者结局确实更好，需要前瞻性的随机对照试验，让结论在尚未发生的诊疗中接受检验。这是医学证据体系公认的金标准。目前DeepComp的RCT临床对照验证已经开始启动。

团队对此有清楚的路径图：第一步回顾性研究，加部分前瞻性验证；第二步随机对照试验，最终进入临床指南——中国的指南，乃至国际的指南。

“做到进指南那一步，就能广泛地安全地帮助老百姓。”吕乐说，研究文章的发表是一个坚实的起点，目标是每一个进展期胃癌病人术前的增强CT可以通过AI和人机协作的诊断手段，来给病人制定术前最优的临床干预手段以及预测手术效果。到研究成果进入指南应用于临床那一天，癌症病人可以得到早期癌症复发风险指数和长期肝转移复发风险指数，并得到相应的随访，降低复发、转移和并发症的风险。“这就是蚂蚁阿福和合作医院伙伴一起要建造的精准医疗世界模型，并要经过严格的临床指南验证。”

*参考论文：

[1]https://www.sciencedirect.com/science/article/abs/pii/S092375342601001X

[2]https://www.nature.com/articles/s41467-026-71347-6

[3]https://www.nature.com/articles/s41467-026-76382-x