1. 领域背景与文献
文献英文标题：Predicting response to patients with gastric cancer via a dynamic-aware model with longitudinal liquid biopsy data；
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：肿瘤学-胃癌精准医疗
领域共识：胃癌是全球第五大常见恶性肿瘤，也是第三大癌症相关死亡原因，其临床治疗面临的核心挑战是患者个体异质性导致的治疗响应预测困难，精准预测模型的缺乏严重制约了个性化治疗策略的实施。液体活检技术的兴起为胃癌诊疗提供了新的突破口，循环肿瘤细胞（CTCs）、循环内皮细胞（CECs）及血清肿瘤标志物等可作为非侵入性生物标志物，反映肿瘤的异质性演化与治疗响应，但现有研究多依赖静态细胞计数等统计方法，未充分挖掘纵向液体活检数据中包含的动态疾病信息。人工智能（AI）在生物医学数据分析领域展现出处理大规模复杂数据集的潜力，可提取隐藏的模式与关联，但目前尚未有研究将AI技术应用于整合纵向液体活检的多源动态数据以预测胃癌治疗响应，本研究正是针对这一领域空白，旨在开发AI驱动的动态感知模型（DAM），提升胃癌治疗响应预测的准确性与早期时效性。
2. 文献综述解析
作者对领域内现有研究按技术方法维度分为两类：一类是基于细胞计数的传统统计方法，另一类是AI驱动的生物医学数据分析方法。基于细胞计数的方法操作简便，可初步反映肿瘤负荷变化，但其局限性在于仅关注静态细胞数量指标，完全忽略了纵向液体活检数据中包含的肿瘤动态演化信息，无法捕捉细胞图像的视觉特征与时间维度的关联，导致预测准确性不足；AI技术在生物医学领域的应用则可处理大规模多源复杂数据集，提取数据中隐藏的非线性模式与关联，为精准医疗提供更深入的支持，但现有AI研究尚未涉及纵向液体活检多源动态数据的整合分析，尤其是未将肿瘤相关细胞图像的视觉信息与肿瘤标志物的分子信息进行跨时间维度的融合，无法满足胃癌治疗响应动态预测的临床需求。
通过对比现有研究的未解决问题，本研究的创新价值凸显：首次将AI技术与纵向液体活检数据深度结合，构建动态感知模型整合肿瘤相关细胞图像与肿瘤标志物的多时间点动态数据，突破了传统细胞计数方法的静态局限，同时填补了AI在纵向液体活检多源动态数据分析领域的空白，为胃癌精准治疗响应预测提供了新的技术范式，具备重要的临床转化潜力。
3. 研究思路总结与详细解析
本研究的核心目标是构建基于AI的动态感知模型（DAM），利用纵向液体活检数据精准预测胃癌患者的治疗响应；核心科学问题是如何有效整合多源、多时间点且时间匹配度不一致的动态液体活检数据，提升治疗响应预测的准确性与早期预测能力；技术路线遵循“数据收集与标注→模型架构设计→多策略训练与验证→性能对比与分析→可视化机制解析”的闭环逻辑。
3.1 患者招募与纵向液体活检数据收集
实验目的是获取胃癌患者的纵向液体活检数据，包括肿瘤相关细胞图像与肿瘤标志物指标，为模型构建提供高质量数据集。方法细节为纳入2019年7月至2022年4月北京肿瘤医院的91例胃癌患者，在基线及后续随访时间点采集血液样本；采用密度梯度离心与微流控分离技术富集CTCs与CECs，通过免疫荧光原位杂交（iFISH）染色（标记CD31、CD45、CEP8、DAPI），使用Metafer-i•FISH® CTC 3D扫描和图像分析系统获取肿瘤相关非整倍体细胞图像；同时检测6种肿瘤标志物（甲胎蛋白AFP、癌胚抗原CEA、糖类抗原19-9 CA19-9、癌抗原72-4 CA72-4、癌抗原125 CA125、神经元特异性烯醇化酶NSE）的水平；根据实体肿瘤疗效评价标准（RECIST）将患者分为响应者（完全缓解CR/部分缓解PR）与非响应者（疾病进展PD/疾病稳定SD）。结果解读为共收集1895张肿瘤相关非整倍体细胞图像与1698个肿瘤标志物指标，每位患者的中位采样时间点为3个（四分位距1-4），患者中位年龄65岁，男性占80.22%，多数为晚期胃癌患者，数据集具备丰富的纵向动态信息，为模型训练提供了坚实基础。实验所用关键产品：Cytelligen的免疫荧光原位杂交（iFISH）试剂盒，Carl Zeiss、MetaSystems与Cytelligen联合开发的Metafer-i•FISH® CTC 3D扫描和图像分析系统。
3.2 动态感知模型（DAM）架构设计
实验目的是构建可整合多源、多时间点动态液体活检数据的AI模型，实现胃癌治疗响应的精准预测。方法细节为DAM包含五个核心组件：细胞聚合器采用ResNet-18作为特征提取器，结合双阶段Transformer整合不同时间点的肿瘤相关细胞图像特征；肿瘤标志物聚合器通过双层感知机与双阶段Transformer整合多时间点的肿瘤标志物指标；时间交互模块（TIM）采用交叉注意力机制，解决细胞图像与肿瘤标志物数据时间采集不匹配的问题，实现多源动态数据的有效对齐与整合；时间聚合器通过四阶段Transformer将多时间点的整合数据合成为患者水平的特征表示；预测器采用三层多层感知机（MLP）将患者特征分类为响应者或非响应者。结果解读为模型架构可有效处理多源、多时间点的动态数据，实现细胞图像与肿瘤标志物数据的深度融合，为提升预测性能提供了结构基础。
3.3 模型训练与多维度性能验证
实验目的是验证DAM模型在胃癌治疗响应预测中的性能，并与传统方法及单数据源模型进行对比。方法细节为将91例患者随机分为训练集74例与独立测试集17例，训练集采用三折交叉验证进行模型调优；训练过程中采用数据增强策略（随机水平/垂直翻转、随机旋转、ImageNet RGB归一化）提升模型鲁棒性，同时引入动态纵向消除策略（80%非重复随机采样时间维度数据）模拟临床中可能的缺失数据情况；验证与测试阶段使用全部纵向数据进行评估；通过绘制受试者工作特征（ROC）曲线计算曲线下面积（AUC）评估模型性能。结果解读为DAM模型在三折交叉验证中的平均AUC为0.807±0.048，独立测试集AUC为0.802，显著优于基于细胞计数的基线模型（三折交叉验证平均AUC 0.582±0.037）；仅使用细胞图像的DAM-TCI模型平均AUC为0.731±0.047，仅使用肿瘤标志物的DAM-TM模型平均AUC为0.725±0.058，均优于基线模型，表明动态建模的有效性；时间序列分析显示，使用治疗3个月内的早期数据，DAM模型AUC可达0.718，远高于基线模型的0.541，证明其具备早期预测能力。
3.4 模型可视化与动态视觉特征解析
实验目的是解析DAM模型的视觉注意力机制，挖掘与治疗响应相关的动态视觉特征。方法细节为采用Grad-CAM算法对细胞聚合器的最后卷积层进行分析，生成注意力图；对注意力图进行二值化分割（75百分位阈值）得到聚焦区域，量化6个动态聚焦区域特征：聚焦区域变异度（VarFA）、最小聚焦区域（MinFA）、最大聚焦区域（MaxFA）、平均聚焦区域（AvgFA）、中位聚焦区域（MedFA）、聚焦区域分散度（DisFA）；通过Mann-Whitney U检验分析响应者与非响应者的特征差异，使用三层MLP构建基于这些特征的预测模型，并进行置换重要性分析。结果解读为CTCs的特征重要性评分显著高于CECs（双侧Mann-Whitney U检验，P<0.0001），提示CTCs在模型预测中发挥更核心的作用；6个动态聚焦区域特征在响应者与非响应者中呈现显著差异；基于这些特征的MLP模型三折交叉验证平均AUC为0.778±0.047，独立测试集AUC为0.806，其中AvgFA的置换重要性最高，表明肿瘤细胞大小相关的动态特征与治疗响应关联最密切。
4. Biomarker研究及发现成果
本研究中挖掘的Biomarker为从纵向液体活检细胞图像中提取的6个动态聚焦区域视觉特征，包括聚焦区域变异度（VarFA）、最小聚焦区域（MinFA）、最大聚焦区域（MaxFA）、平均聚焦区域（AvgFA）、中位聚焦区域（MedFA）、聚焦区域分散度（DisFA），其筛选与验证逻辑为通过AI模型的注意力机制解析，从细胞图像中量化动态视觉特征，再通过统计分析与机器学习验证其与治疗响应的关联。
Biomarker定位
该类Biomarker属于图像组学动态特征，来源为胃癌患者不同时间点的肿瘤相关非整倍体细胞图像（主要为CTCs），筛选逻辑是利用Grad-CAM算法识别模型关注的图像区域，基于区域的大小、变异度等维度量化得到动态特征；验证方法包括Mann-Whitney U检验分析响应者与非响应者的特征分布差异，以及构建MLP模型评估特征的预测性能，形成“AI特征挖掘→统计验证→机器学习预测”的完整逻辑链条。
研究过程详述
Biomarker来源于91例胃癌患者的1895张纵向液体活检细胞图像，通过Grad-CAM生成的注意力图进行二值化分割后，计算得到6个动态特征；统计分析显示，这些特征在响应者与非响应者中存在显著差异（Mann-Whitney U检验，P<0.05，文献未明确具体每个特征的P值，基于图表趋势推测）；基于这些特征的MLP模型在三折交叉验证中的AUC为0.778±0.047（95% CI 文献未明确提供），独立测试集AUC为0.806（95% CI 文献未明确提供），展现出较好的预测稳定性与准确性。
核心成果提炼
该类动态视觉Biomarker与胃癌患者的治疗响应密切相关，其中平均聚焦区域（AvgFA）的预测贡献最大；本研究首次通过AI模型从纵向液体活检图像中挖掘动态视觉Biomarker，为胃癌治疗响应预测提供了新的非侵入性、动态监测维度，其创新性在于突破了传统细胞计数的局限，将图像的动态视觉信息转化为可量化的预测Biomarker；统计学结果显示，CTCs的特征重要性显著高于CECs（P<0.0001），基于动态特征的MLP模型具备稳定的预测性能，为后续临床动态监测与个性化治疗调整提供了新的参考依据。