探索人工智能在评估胃体萎缩性胃炎患者胃肿瘤性病变风险中的潜力

背景：胃体萎缩性胃炎（CAG）由于存在发生胃肿瘤性病变（GNL）的风险，需要进行内镜-组织学监测。本研究旨在使用基于Fisher评分的特征排序方法结合一类支持向量机（SVM）模型，识别长期随访中与GNL发生相关的变量。方法：研究考虑了来自2001年至2023年连续CAG患者（遵循监测计划）的包含30个临床、内镜和组织学变量的数据集。记录了最长可用随访时的GNL存在情况。胃活检和组织学评估遵循更新悉尼系统。采用基于Fisher评分的特征排序方法和一类SVM来选择与GNL发生相关的关键变量，并使用合成生成的数据进行验证。结果：初步考虑355例CAG患者，其中36例因基线胃镜检查存在GNL被排除，216例因数据缺失排除。最终共纳入103例患者，分为随访时无GNL的CAG患者（81例，女性72.8%，中位年龄59岁，范围26-84岁）和有GNL的患者（22例，女性68.1%，中位年龄68岁，范围35-83岁）。中位随访60个月（范围12-192个月）后，记录了13例上皮性GNL（胃腺癌或高/低级别异型增生）和9例1型胃神经内分泌肿瘤（T1gNET）。壁细胞抗体和胃蛋白酶原I<30μg/l与上皮性GNL和T1gNET相关。胃窦炎症和年龄>60岁与上皮性GNL相关，而抗甲状腺过氧化物酶抗体、吸烟和消化不良症状与T1gNET相关。低剂量阿司匹林和幽门螺杆菌根除治疗分别与上皮性GNL和T1gNET呈负相关。结论：这是第一项使用AI模型同时考虑CAG患者数据集中的临床、内镜和组织学特征的研究，显示了识别与GNL发生相关变量的潜力。