胃癌 ，是全球范围内第五大常见的恶性肿瘤，也是全球癌症相关死亡的第四大原因。据全球癌症统计数据（GLOBOCAN）估算，2020年，胃癌的发病人数为108.9万人，病死率约为70%；2040年，全球新发胃癌患者将攀升至约177万例。可以预见的是，人类还将和这一顽疾长期共存。

“如果能够更快地诊断和筛查胃癌病例，尽早采取相应的措施治疗，那该有多好。”

作为直面胃癌患者的一线，浙江省肿瘤医院的临床医生一直在寻找新技术和新方法。直到最近，他们和西湖大学杨林实验室合作，开启了一次另辟蹊径的大胆探索——这个“生命科学+AI”的交叉学科实验室，开发了基于舌象的胃癌诊断新技术，在全世界范围内第一次将中医舌象判断与临床的胃癌诊断筛查大胆联系起来。

你的胃有没有罹患癌症的风险，真的可以通过观察舌头来判断了吗？

01

“啊——”“啊——”

“张开嘴，啊——”“啊——”

当你去医院看病，尤其是看中医的时候，一定和医生发生过这样的对话。舌头，在医学临床诊断中，一直有着举足轻重的地位。在如雷贯耳的“望闻问切”中医诊断要领中，“望”字包括了舌诊，也就是通过观察舌头的色泽、形态来辅助诊断。

翻阅相关资料，我们会了解到中医将舌象分成了不同的类别，光舌苔的情况就有白苔、黄苔、紫苔、黄腻苔、薄白苔等，分别指向人体不同的身体状态。当然了，这样的总结主要来自于中医数千年坐诊的“实战”经验积累。那么，有没有可能观察舌头，通过舌像的影像，“透视”更深层、更内部的脏器情况，更直接地判断是否罹患疾病呢？比如说，胃癌？

在浙江省肿瘤医院举办的一次研讨会上，与会的西湖大学杨林实验室师生们，听闻了一个“舌象-胃癌”的项目。

胃癌是一种“臭名昭著”的常见癌症，诊断筛查依赖传统胃镜，这种手段有侵入性、高成本且有赖专业内镜医生。同时，早期胃癌患者缺乏典型症状，如若发现得晚，生存率会急剧下降。

根据临床医生的经验，舌象与胃癌之间存在一定联系，他们提出：有没有可能借助AI来验证一下？

事实上，这类人工智能技术早已走入医学，帮助医生审阅海量的医学成像数据。“AI+医学影像”的组合，倚赖的是计算机视觉（Computer Vision, CV）分支中一类经典的人工智能任务——图像处理。也就是说，利用人工智能算法对图像进行处理和分析，让计算机能够像人脑一样，去辨读深藏在X射线、CT扫描、核磁共振成像等医学图像中的细微信息。

只是这一次，AI读“舌”，能完成对胃癌的风险推断吗？

舌诊与胃癌

02

当AI遇见你的舌

“前期数据已经具备一定条件，那我们就试一下。”2021年5月，抱着试一试的想法，杨林团队踏上了本课题的实验之旅。

杨林于2020年加入西湖大学工学院，并组建人工智能与生物医学影像实验室。在生物医学图像分析、图像信息学和机器学习领域，杨林已经积累了超过15年的研究经验，在利用大数据进行计算机辅助诊断和预测、生物医学图像分析、数字病理和人工智能领域做出过重要贡献。

以AI之“眼”、读医学影像，正是这个团队的主要研究方向。

在他们眼里，这个任务可以精炼为一个目标：根据舌象图像建立一个概率模型。

该项研究的主要参与者、西湖大学2020级博士生张士川从理论上简单介绍了任务过程：首先，标注好一批舌象图像及其已知的阴阳性（即是否为胃癌患者）；然后，把这些信息转化为人工智能模型中可以输入的形式，让人工智能去学习；最终，模型将输出一个概率数值标准，即机器判定一幅舌象图像为胃癌的参考数值。这样，当遇到新的舌象图像时，AI模型就可以生成每张舌象的胃癌概率，为医生提供参考。

真正的实验开始了。

杨林实验室不仅拿到了浙江省肿瘤医院提供的一批手机拍摄的舌象图像，还拿到了对应的舌苔微生物种群数据。

在应用人工智能模型进行预实验后，原本着眼于“宏观”图像的团队，意外地有了“微观”的发现：对比胃癌患者与非胃癌患者的数据，舌苔上多种微生物的丰度存在差异。此前有相关研究已经表明，舌象和舌苔的样貌变化与舌苔上的微生物密切相关。

由此，团队进一步将AI模型应用在舌象图像上进行试验，发现通过舌象图象的推断结果与通过微生物数据的推断结果，两者是相吻合的。也就是说，初步实验证明，他们建立的AI模型，似乎可以根据舌象来作出胃癌的推断。

舌象图像和微生物丰度的实验结果

杨林团队与省肿瘤医院取得联系，迅速扩大了临床研究的范围。

这一次，他们要严谨得多。比如，考虑到手机拍摄的图片存在灯光、背景等干扰因素，医院改为采用统一的专业仪器进行患者舌象数据采集；又比如，为了扩大样本池和样本的代表性，医院从分布于全国不同纬度和地域的多个中心招募到更多胃癌患者和非胃癌参与者（健康人、浅表性胃炎、萎缩性胃炎等）。

又一轮的实验和早先的预实验结果类似，杨林团队验证了舌象图像在胃癌诊断筛查中的价值。在他们建立的AI模型中，模型把概率大于等于50%的舌象诊断为胃癌，反之为非胃癌；实验显示，大部分案例的概率分布于两端， 40-60%的占比较少，这表明将舌象作为胃癌与非胃癌的区分特异性较好。

外部测试集的预测概率分布

03

新AI模型：能“单打独斗”，也能“团队作战”

看到这里，你或许会生出困惑，现有的胃癌筛查诊断手法，出了什么问题？我们必须用上人工智能吗？

与其说是“必须”，事实上，杨林团队探索取得的这个成果，称为“锦上添花”更为恰当。

传统的胃癌筛查手段主要为胃镜，上文已提及，不仅对医疗设备和人员的要求多、成本高，还需要侵入患者体内，舒适度欠佳；而利用8种血液肿瘤指标的筛查，特异性和敏感性不是很高——即检出率不高，阳性病例检出率仅为不到40%。

而从实验结果来看，杨林实验室所设计的基于舌象的诊断AI模型（实际为三种模型，是一个组合），在诊断的特异性和敏感性上显著超过现有的8种血液肿瘤指标，诊断价值明显更优。

基于舌象、血液指标以及联合模型的特异性、敏感性和准确率

但这并不意味着它即将完全取代传统的诊断手段，而是有成为一个助力的新工具的潜能。进一步，杨林实验室设计了舌象图像和血液肿瘤指标的联合AI模型，提升了模型的诊断价值。也就是说，模型可以综合舌头的图像与血液肿瘤指标的数值，作出一个更全面、更高精准度的判断（特异性、敏感性均较单独的舌象模型上升2-%-3%）。今后，这项新颖的AI诊断技术，将有望辅助传统手段，来帮助医生作出胃癌的诊断。

同时，杨林实验室也可视化了AI模型判断为胃癌阳性、在不同概率区间上的舌象案例。他们发现随着预测概率的逐步增加，舌苔逐步增厚，红舌和青紫舌的比例逐步增多，且模型预测为胃癌的样例中，舌苔多表现为黄厚腻苔或者白腻苔——这与中医胃癌病理⾮常契合，AI诊断与中医在这个结果中“握手”会师了。

预测在不同概率区间的样例展示

不过，在杨林团队的眼里，现有的模型只是“第一代”，下一步，他们将继续在大胆探索中完善这个模型。

“比如说有一个新的医院需要用我的模型，但我们的模型没有见过他的数据，这就涉及到怎么去泛化新数据的任务，这其实是一个非常有挑战的问题。因为新医院可能存在一些不一样的参数，比如成像环境上有变化，或者图像中的污点，这些都可能对模型性能带来波动。我们需要让模型能够更强、更能适应这些环境的变化，去做一些稳定性的设计，也要再进行更多中心的验证。”张士川展望。

靶向胃癌诊断的舌象，宫颈癌的病理图像，与血液病有关的血细胞成像，各类病理图像……这些医学影像，都是杨林实验室正在开展的研究项目的重点攻坚对象。他们正在以人工智能为人类的另一只“眼”，潜入人类疾病的茫茫深海，以医工交叉的研究，探索如何帮助当代医学看清和应对更多病痛。

正如能够像人类一样进行对话，回答问题、写文章、写代码的ChatGPT，忽然在2023年引爆了话题——大众自嘲将取代饭碗的这一技术，在十几年前、甚至数年前，都是不可想象的。人工智能将在医学影像领域如何“大展拳脚”，我们也将拭目以待。

原文链接：

https://www.sciencedirect.com/science/article/pii/S2589537023000111?via%3Dihub