GutCore: An Endoscopy Foundation Model for Whole-Case Gastric Cancer Analysis
该研究介绍了 GutCore，这是一个在 560 万张内窥镜图像上进行预训练的基础模型，它通过成功聚合全病例数据，在不依赖于选定代表性帧的情况下，实现了对胃癌检测、浸润深度、生物标志物状态及预后评估的高精度患者级评估。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
想象一下，你正试图通过仅仅观察一个静止的、冻结的画面来理解一部电影。你可能会猜出它的类型，但你会错过剧情、角色发展和反转结局。这正是目前大多数计算机内窥镜程序的工作方式。它们被训练去观察一张完美的胃部照片来发现问题。但在现实生活中，医生并不仅仅拍摄一张照片；他们记录的是一段完整的视频，捕捉了数十个角度、周围组织的纹理以及胃部运动的方式。这项由三星医疗中心团队领导的新研究提出了一个宏大的问题：我们能否教会计算机观看胃部检查的“整部电影”，而不仅仅是盯着单一的快照？
为了实现这一目标，科学家们使用了一个“基础模型”（foundation model）的概念。可以将它想象成一个超级聪明的学生，在参加考试之前已经读过了数百万本书。这个学生不是只学习一个特定的学科，而是学习语言、语法和叙事的一般规则。在医学影像领域，基础模型是一种已经“阅读”了数百万张内窥镜图像，从而了解健康胃部长什么样、异常斑点长什么样，以及不同解剖结构如何连接的AI。这项研究的目标是看看这个“超级学生”能否将来自单次患者检查的所有图像像拼图一样组合起来，并对患者的整体健康状况做出智能判断，包括癌症生长的深度，甚至预测其生存期。
全案侦探：GutCore
研究人员构建了一个名为 GutCore 的新AI系统。请将 GutCore 想象成一名侦探，他不仅观察单个线索，还会审查整个犯罪现场的警戒线。其他AI系统通常需要等待人类专家挑选出“最佳”照片进行分析，而 GutCore 则会“吞下”整个视频。它获取一次常规胃部检查中存储的所有图像——平均每位患者约30张照片——并同时消化所有这些图像。
团队在由来自十多家不同医院的 560万张 去隐私化的内窥镜图像组成的庞大库中训练了 GutCore。这就像是给AI喂食了一个包含数百万张胃部照片的图书馆，让它在没有被明确告知每张照片具体要寻找什么的情况下，学会肠道内部的“语言”。训练完成后，他们在三星医疗中心的 11,035 名新患者身上测试了 GutCore，以观察它是否能解决现实世界的医学谜题。
GutCore 的发现
结果非常强大。在区分健康胃部与癌症胃部方面，GutCore 表现近乎完美，得分高达 0.996（其中1.0为满分）。在判断癌症是否已深入胃壁（肌层浸润）方面，它也表现出色，得分 0.960。
然而，AI 并非无所不能。当任务变得更难时——例如尝试区分仅位于表层下的癌症与稍微深入一点的癌症时——其得分降至 0.80 左右。这很合理；就像人类医生一样，AI 发现识别明显的重大问题比识别细微的小问题更容易。
但 GutCore 还做了一件更令人惊讶的事。它尝试仅通过观察图像来猜测肉眼不可见的生物标志物。
- EBV 状态： 它在猜测癌症是否与 EB 病毒相关方面表现相当不错，得分为 0.861。
- MLH1 缺失： 它在识别名为 MLH1 缺失的特定基因变化方面也表现尚可，得分为 0.822。
- HER2 状态： 它在处理另一个名为 HER2 的标志物时表现挣扎，得分仅为 0.648。
这表明，某些生物学秘密在胃壁上留下的视觉痕迹比其他标志物更为清晰。AI 本质上“看到”了人类眼睛可能忽略的模式，但它并不能完全取代实验室检测。
或许最引人注目的发现是关于生存率的。对于晚期胃癌患者，GutCore 通过观察整个检查过程并创建了一个“风险评分”。它成功地将患者分为低风险组和高风险组。在研究期间，高风险组的死亡可能性是低风险组的 13.18 倍。更令人印象深刻的是，即使在处于相同标准疾病阶段（II 期或 III 期）的患者中，它也能区分这些群体，这表明 AI 看到了标准分期所忽略的微妙细节。
它是如何工作的（幕后的魔力）
要理解 GutCore 如何做出这些决策，请想象一个教室里的学生。当 AI 查看患者的检查结果时，它并不平等对待每一张照片。有些照片很枯燥（只是正常的胃皱襞），而有些则很令人兴奋（奇怪的、凹凸不平的斑点）。GutCore 使用一种特殊的“注意力机制”来表达：“嘿，这张照片非常重要，让我们把 20% 的注意力放在它上面”，同时忽略那些枯燥的照片。
研究人员观察了这些“注意力图”（attention maps），发现当 GutCore 预测癌症时，它确实在盯着那些奇怪、凹凸不平的斑点。当它预测深层浸润时，它会聚焦在胃壁看起来厚实且僵硬的区域。这就像 AI 正指着照片中的确切位置说：“问题就在这里。”
总结
这项研究表明，我们不需要强迫医生挑选“完美”的照片供计算机分析。相反，我们可以让计算机观看整场表演。GutCore 证明了，通过观察一次常规检查中的全集图像，AI 可以检测癌症、推测其浸润深度，甚至以惊人的准确度预测生存风险。
然而，作者谨慎地指出，这是一个巨大的进步，而非终点。他们强调这是一项“回顾性”研究，意味着我们是在查看旧数据。在 GutCore 能在真实医院中协助患者之前，它需要在其他医院的新鲜、新数据上进行测试，以证明其普适性。目前，GutCore 是一个非常有前景的原型，它展示了内窥镜检查的未来可能不再是挑选单张照片，而是理解整个故事。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。