胃癌是严重危害我国人民生命健康的上消化道恶性肿瘤。根据细胞形态与组织结构，传统的Lauren分型将胃癌分为肠型、弥漫型和未确定型。其中肠型约占胃癌病例的60％以上，是胃癌的最常见组织学类型。肠型胃癌发生发展的病程较长,发病率较高,常被认为是由慢性萎缩性胃炎、肠上皮化生和不典型增生演变而来。慢性炎症与肿瘤的发生有着密切的关系，有学者提出慢性炎症是许多恶性肿瘤发生的高危因素，参与恶变、肿瘤形成、发展、侵袭和转移等多个过程，被列为肿瘤细胞十大生物学特征之一。然而，炎症向肿瘤的转化具有时程长、小概率、机制复杂等特点，其内在规律迄今尚未阐明。随着大数据、人工智能等新型信息技术的兴起，促进了大批生物医学研究的突破，如何从海量的生物学数据中找到生物系统和整个机体的运行规律，成为未来最具挑战性的科学前沿问题之一。因此，如何建立新的研究方法，了解和揭示胃黏膜病变演变过程，对于预防和治疗胃癌至关重要。

近日，清影科技与上海交通大学医学院附属瑞金医院消化外科研究所于颖彦课题组合作研究的成果《Artificial Intelligence-Based Multiclass Classification of Benign or Malignant Mucosal Lesions of the Stomach》在国际刊物 Frontiers in Pharmacology 公开发表。该论文提出了一种基于深度学习技术构建的胃组织病理图像的AI诊断系统。该系统可以实现对胃组织病理图片进行从正常黏膜-慢性胃炎-肠型胃癌三种病变的全自动检测和分类。这一研究在训练数据规模和对自动化病理诊断上均具有重要的意义，是近年来人工智能图像分析在临床医学应用中的一项重要工作。

论文中使用到的胃组织病理数字化图像数据均由资深病理学专家进行标注。该算法模型集成了全视野切片（WSI）的数字化，组织切片染色的归一化、深度卷积神经网络（CNN）和随机森林分类器等关键技术。通过染色归一化，WSI图片的染色差异明显降低，节省了重新制备玻片的经济成本和时间成本，同时也实现了优化CNN模型的效果。在子图级别（图块）分类任务中，目标病变的识别准确率分别为98.4%（正常-癌变两分类）和94.5%（正常-慢性炎症-胃癌三分类）。在WSI级（整图）分类任务中，对正常胃黏膜组织和胃癌组织的识别准确率达到96.0%。