1. 领域背景与文献
文献英文标题：Exploring the potential of artificial intelligence in assessing the risk of gastric neoplastic lesions in patients with corpus atrophic gastritis；
发表期刊：文献未明确提供；影响因子：文献未明确提供；研究领域：消化肿瘤学/胃黏膜癌前病变防控
Corpus萎缩性胃炎（CAG）是一种慢性进展性非自限性炎症性疾病，以胃体黏膜泌酸腺进行性减少、被假幽门腺或肠上皮化生替代为核心病理特征，病变进展可导致壁细胞大量丢失、胃酸分泌不足，进而引发微量营养素吸收障碍，显著增加1型胃神经内分泌肿瘤（T1gNET）及胃腺癌（GC）的发病风险。领域发展关键节点包括2000年更新的悉尼系统确立CAG组织学诊断标准，2019年欧洲MAPS II指南推荐CAG患者定期内镜组织学随访；当前研究热点聚焦于CAG进展为胃肿瘤性病变（GNL）的风险因素识别、AI技术在消化内镜与病理诊断中的应用；未解决的核心问题在于，现有研究多采用单因素分析探索GNL风险因素，缺乏整合临床、内镜、组织学多维度变量的精准风险分层模型，无法为CAG患者提供个体化随访策略。针对这一研究空白，本研究首次采用Fisher评分特征排序联合单类支持向量机（SVM）模型，整合多维度变量识别CAG患者进展为GNL的关键关联因素，为临床精准评估GNL风险提供新的技术范式，具有重要的临床指导价值。
2. 文献综述解析
作者从CAG病理生理机制、现有GNL风险因素研究、AI在消化领域应用现状三个维度展开综述评述。现有研究已明确CAG的病理生理链条：胃体泌酸腺萎缩→壁细胞减少→胃酸缺乏→GNL风险升高，欧洲指南推荐CAG患者定期接受内镜组织学随访；风险因素研究方面，既往回顾性研究发现年龄>60岁、肠上皮化生、恶性贫血等与上皮性GNL相关，恶性贫血与T1gNET相关，但此类研究多为单因素分析，样本量有限，且未整合多维度变量进行综合评估；AI应用方面，AI技术已在消化内镜图像识别、病理切片诊断中展现出较高的准确性，但针对CAG患者GNL风险评估的AI模型尚未见报道。通过对比现有研究的局限性，本研究的创新价值凸显：首次采用AI模型整合临床、内镜、组织学多维度变量，处理不平衡数据集，识别出上皮性GNL与T1gNET的特异性风险因素，弥补了单一因素分析的不足，为CAG患者的精准风险分层提供了多维度整合的新方法。
3. 研究思路总结与详细解析
本研究的核心目标是识别CAG患者进展为GNL的关键关联变量，核心科学问题为如何通过多维度变量整合的AI模型实现CAG患者GNL风险的精准分层，技术路线遵循“回顾性队列构建→数据预处理→特征筛选→模型构建与验证→结果解读”的闭环逻辑。
3.1 研究队列构建与多维度数据收集
实验目的是建立符合严格纳入排除标准的CAG患者回顾性队列，系统收集多维度临床数据以支撑后续AI模型分析。方法细节上，研究纳入2001-2023年罗马萨皮恩扎大学Sant’Andrea医院确诊的CAG患者，纳入标准为年龄>18岁、经组织学活检确诊CAG、活检样本符合更新的悉尼系统规范、至少完成1次内镜组织学随访；排除标准为既往胃食管恶性肿瘤病史、胃切除术史、失访患者。内镜检查由资深内镜医师完成，活检样本按悉尼系统规范采集，组织学评估由资深上消化道病理医师完成，GNL诊断依据Padova国际分类及WHO指南，其中T1gNET诊断标准为肠嗜铬样细胞结节直径>500μm，免疫组化检测采用抗嗜铬粒A、Ki67单克隆抗体。结果解读显示，初始纳入355例患者，经排除基线已存在GNL的36例患者、数据缺失的216例患者后，最终纳入103例患者，其中22例随访期间发生GNL（13例上皮性GNL、9例T1gNET），81例未发生GNL，中位随访时间为60个月。实验所用关键产品：免疫组化采用抗嗜铬粒A单克隆抗体（Clone DAK-A3; Dako, Glostrup, Denmark）、抗Ki67单克隆抗体（Clone MIB1; Dako）；其他实验产品未明确提及，领域常规使用胃蛋白酶原检测试剂盒、自身抗体检测试剂盒、高清胃镜设备、病理切片扫描仪等。
3.2 数据预处理与特征筛选
实验目的是处理数据缺失问题，筛选与GNL进展高度相关的核心特征。方法细节上，针对数据缺失采用分层处理策略：GNL组连续变量（如体重指数、血红蛋白）采用中位数填充，分类变量（如胃体萎缩程度）采用众数填充；无GNL组因样本量充足，直接排除存在任何数据缺失的患者。所有变量采用Standard-Scaler方法进行归一化处理，随后通过Fisher评分法对29项特征进行排序，根据排序结果构建不同规模的特征子集，评估各子集的分类性能。结果解读显示，当特征子集包含超过10个变量时，模型平均敏感性出现显著下降，因此选择排名前10的特征进行后续分析，最终测试385个特征子集后，筛选出平均敏感性与特异性均超过80%的最优特征子集，为后续模型构建奠定基础。
3.3 单类SVM模型构建与多维度验证
实验目的是构建并验证多维度变量整合的AI模型，明确CAG患者进展为GNL的关键关联因素。方法细节上，采用单类SVM模型并选择线性核函数以保证模型可解释性，通过留一法交叉验证评估模型的分类性能，计算敏感性、特异性等核心指标；为进一步验证模型的泛化能力，采用条件生成对抗网络（CTGAN）生成与原始数据分布一致的合成数据集，将训练好的模型在合成数据集上进行测试。结果解读显示，模型识别出上皮性GNL的关联变量：年龄>60岁、胃窦炎症、壁细胞抗体（PCA）阳性、胃蛋白酶原I<30μg/l，低剂量阿司匹林与上皮性GNL呈负相关，该模型的平均敏感性为92.3%、特异性为77.9%；T1gNET的关联变量：PCA阳性、胃蛋白酶原I<30μg/l、抗甲状腺过氧化物酶抗体阳性、消化不良症状、吸烟，幽门螺杆菌根除治疗与T1gNET呈负相关，模型平均敏感性为77.8%、特异性为92.6%；总体GNL的关联变量：抗甲状腺过氧化物酶抗体阳性、年龄>60岁、PCA阳性、胃蛋白酶原I<30μg/l、胃窦炎症、吸烟，幽门螺杆菌根除治疗、血红蛋白与总体GNL呈负相关，模型平均敏感性为81.8%、特异性为89.1%。合成数据集验证结果显示，上皮性GNL模型敏感性为92.3%、特异性为86.4%；T1gNET模型敏感性为88.9%、特异性为92.6%，进一步证实了模型的泛化能力与稳定性。文献未提及模型构建相关的具体软件产品，领域常规使用Python的Scikit-learn、SDV库进行机器学习模型构建与合成数据生成。
4. Biomarker研究及发现成果解析
本研究涉及的Biomarker涵盖血清学标志物、临床变量、组织学标志物三类，其中血清学标志物包括壁细胞抗体（PCA）、胃蛋白酶原I<30μg/l、抗甲状腺过氧化物酶抗体、血红蛋白；临床变量包括年龄>60岁、吸烟史、消化不良症状、低剂量阿司匹林使用、幽门螺杆菌根除治疗；组织学标志物为胃窦炎症。筛选与验证逻辑为：基于回顾性队列的多维度数据，先通过Fisher评分法对特征进行排序，再通过单类SVM模型筛选出与GNL进展显著相关的变量，最后通过留一法交叉验证与合成数据验证两个环节，分别针对上皮性GNL、T1gNET、总体GNL三类终点进行验证，形成完整的筛选验证链条。
Biomarker的来源覆盖多维度：血清学标志物来自患者外周血样本，临床变量提取自患者病史记录，组织学标志物来自内镜活检的组织学评估结果。验证方法采用单类SVM模型分析，结合留一法交叉验证评估模型在原始数据上的性能，同时采用CTGAN生成的合成数据验证模型的泛化能力。特异性与敏感性数据方面，上皮性GNL模型敏感性为92.3%、特异性为77.9%；T1gNET模型敏感性为77.8%、特异性为92.6%；总体GNL模型敏感性为81.8%、特异性为89.1%。
核心成果方面，PCA与胃蛋白酶原I<30μg/l是上皮性GNL与T1gNET的共同风险标志物，提示胃体萎缩的血清学特征是CAG患者进展为GNL的核心病理基础；年龄>60岁、胃窦炎症是上皮性GNL的特异性风险因素，低剂量阿司匹林是上皮性GNL的保护因素；抗甲状腺过氧化物酶抗体、吸烟、消化不良症状是T1gNET的特异性风险因素，幽门螺杆菌根除治疗是T1gNET的保护因素；血红蛋白水平与总体GNL呈负相关，提示贫血可能是GNL进展的潜在伴随表现。本研究首次通过AI模型整合多维度变量，识别出CAG患者进展为不同类型GNL的特异性Biomarker组合，为临床实现个体化风险分层提供了精准依据，其中PCA联合胃蛋白酶原I的检测可作为CAG患者初诊时的核心筛查指标（文献未明确提供各Biomarker的单独P值，基于模型系数推测具有统计学意义）。