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：Corpus atrophic gastritis（CAG）因存在发展为胃肿瘤性病变（GNL）的风险，需要进行内镜-组织学监测。本研究旨在通过基于Fisher评分的特征排序方法结合单类支持向量机（SVM）模型，识别长期随访中与GNL发生相关的变量。方法：研究纳入了一个包含连续接受监测项目的CAG患者（2001-2023年）的30项临床、内镜和组织学变量的数据集。记录最长可用随访时间内的GNL存在情况。胃活检和组织学评估遵循更新的悉尼系统。采用基于Fisher评分的特征排序方法和单类SVM筛选与GNL发生相关的关键变量，并通过合成生成的数据进行验证。结果：初步纳入355例CAG患者，其中36例因基线胃镜检查时存在GNL被排除，216例因数据缺失被排除。最终纳入103例患者，分为随访时伴有GNL的CAG患者[22例（女性68.1%），中位年龄68（35-83）岁]和不伴有GNL的CAG患者[81例（女性72.8%），中位年龄59（26-84）岁]。中位随访60（12-192）个月后，记录到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 < 30 μg/l与上皮性GNL及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：这是首个利用AI模型同时分析CAG患者数据集中临床、内镜和组织学特征的研究，显示了识别GNL发生相关变量的潜力。