劉雨 趙勝兵 李兆申

海軍軍醫(yī)大學(xué)附屬長(zhǎng)海醫(yī)院消化內(nèi)科，上海 200433

【提要】 隨著計(jì)算機(jī)科學(xué)技術(shù)的發(fā)展，人工智能和大數(shù)據(jù)在各個(gè)領(lǐng)域都有了關(guān)鍵性突破，醫(yī)療衛(wèi)生領(lǐng)域也受到巨大影響。盡管胰腺疾病診斷及治療相對(duì)困難，監(jiān)測(cè)及管理也較為棘手，但近年來(lái)人工智能和醫(yī)療大數(shù)據(jù)在胰腺疾病的診療和管理方面也有了較多的拓展應(yīng)用，并體現(xiàn)出明顯的應(yīng)用優(yōu)勢(shì)及發(fā)展?jié)撃堋?/p>

隨著電子計(jì)算機(jī)技術(shù)的飛速發(fā)展，人工智能和大數(shù)據(jù)技術(shù)如雨后春筍般興起并沖擊著各個(gè)行業(yè)，其中，醫(yī)療衛(wèi)生領(lǐng)域也受到影響。人工智能和醫(yī)療大數(shù)據(jù)在疾病的診治及監(jiān)測(cè)與管理中逐漸顯現(xiàn)出重要地位。胰腺疾病是消化病中診斷及治療相對(duì)較為復(fù)雜的疾病，胰腺疾病的復(fù)雜性為人工智能與醫(yī)療大數(shù)據(jù)的應(yīng)用帶來(lái)一定的挑戰(zhàn)，同時(shí)也帶來(lái)巨大的發(fā)展空間和應(yīng)用前景。

一、人工智能與醫(yī)療大數(shù)據(jù)相關(guān)概念

1956年約翰·麥卡錫將機(jī)器智能命名為“人工智能”[1]，麥卡錫與尼爾斯·尼爾森后來(lái)解釋人工智能為智能的自動(dòng)化，即知識(shí)的自動(dòng)化[2]，指讓計(jì)算機(jī)模擬人的思維信息進(jìn)行傳統(tǒng)意義上的依賴人的智力才能進(jìn)行的復(fù)雜工作，其中涉及計(jì)算機(jī)科學(xué)、心理學(xué)、統(tǒng)計(jì)學(xué)等多學(xué)科。機(jī)器學(xué)習(xí)是人工智能的重要方法之一，是一系列通過任務(wù)處理累積經(jīng)驗(yàn)，進(jìn)而自動(dòng)調(diào)整參數(shù)、提高效能的算法。近幾年，源于機(jī)器學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)頗受關(guān)注。人工神經(jīng)網(wǎng)絡(luò)是仿照人類神經(jīng)元的連接方式，建立多層“神經(jīng)元”結(jié)構(gòu)，每層“神經(jīng)元”從上層接收數(shù)據(jù)并進(jìn)行計(jì)算，再將輸出值傳遞給下層“神經(jīng)元”；深度學(xué)習(xí)則是在人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)一步優(yōu)化形成，有更多的隱藏層，可憑借這些分層發(fā)掘更高級(jí)別的數(shù)據(jù)特征[3]。目前，人工智能已被廣泛應(yīng)用于疾病的診斷治療、預(yù)后評(píng)估等多個(gè)方面。

大數(shù)據(jù)(big data)一詞早在20世紀(jì)80年代就已經(jīng)出現(xiàn)，但當(dāng)時(shí)多與計(jì)算機(jī)學(xué)科相關(guān)，未對(duì)計(jì)算機(jī)以外的領(lǐng)域產(chǎn)生明顯影響。2008年《Nature》雜志出版“Big Data”專刊，介紹了大數(shù)據(jù)在多學(xué)科的機(jī)遇與挑戰(zhàn)。3年后《Science》又推出?？瘡?qiáng)調(diào)大數(shù)據(jù)在科學(xué)研究中巨大潛在價(jià)值。同年在達(dá)沃斯世界經(jīng)濟(jì)論壇發(fā)布了以大數(shù)據(jù)為主題的《big data, big impact》報(bào)告，大數(shù)據(jù)正式登上科學(xué)研究的舞臺(tái)，迅速成為各領(lǐng)域的研究熱點(diǎn)[4]。

大數(shù)據(jù)又稱為巨量數(shù)據(jù)、海量數(shù)據(jù)等，指涉及的數(shù)據(jù)信息規(guī)模巨大，不能通過人工在合理時(shí)間內(nèi)獲取、處理、管理、加工、分析、整理成為人類所能理解和解讀的信息。醫(yī)療大數(shù)據(jù)指在醫(yī)療衛(wèi)生領(lǐng)域產(chǎn)生的數(shù)據(jù)，其類型和規(guī)模以前所未有的速度增長(zhǎng)，故僅靠現(xiàn)有的工具和軟件，很難在合理的時(shí)間內(nèi)獲取、管理并整合成能夠供醫(yī)療服務(wù)參考或能為醫(yī)療決策提供指導(dǎo)的信息[5]。醫(yī)療大數(shù)據(jù)主要來(lái)源于4個(gè)方面，一是來(lái)源于與生命科學(xué)研究和藥物研發(fā)生產(chǎn)等相關(guān)的機(jī)構(gòu)和企業(yè)，這些單位常常存儲(chǔ)著規(guī)模龐大的健康醫(yī)療信息；二是來(lái)源于醫(yī)療機(jī)構(gòu)臨床診治和科學(xué)研究的相關(guān)信息數(shù)據(jù)，覆蓋面廣泛，從就診患者的基本信息資料到診療過程、輔助檢查結(jié)果(如檢驗(yàn)、影像檢查等)所有的醫(yī)療機(jī)構(gòu)的數(shù)據(jù)；三是來(lái)源于醫(yī)療保險(xiǎn)的運(yùn)營(yíng)管理信息和醫(yī)患行為的交互信息；四是來(lái)源于患者健康管理咨詢、網(wǎng)絡(luò)醫(yī)療咨詢、疾病穿戴式監(jiān)測(cè)設(shè)備、家用醫(yī)療監(jiān)測(cè)設(shè)備等個(gè)人健康信息數(shù)據(jù)。隨著科學(xué)技術(shù)的進(jìn)步及互聯(lián)網(wǎng)的普及，這方面的數(shù)據(jù)規(guī)模迅速增長(zhǎng)，其數(shù)據(jù)量未來(lái)可能無(wú)法估計(jì)[6]。

人工智能與醫(yī)療大數(shù)據(jù)在醫(yī)學(xué)領(lǐng)域的應(yīng)用密不可分，二者相互結(jié)合，在胰腺疾病的診斷、治療、監(jiān)測(cè)及管理中都有了較多的應(yīng)用，體現(xiàn)出巨大的潛力。

二、人工智能與醫(yī)療大數(shù)據(jù)在胰腺疾病診斷及治療中的應(yīng)用

胰腺位于腹上區(qū)和左季肋區(qū)，胃和腹膜后約平第一腰椎椎體處，橫臥于腹后壁。由于解剖位置相對(duì)深，胰腺疾病在早期癥狀不典型，且簡(jiǎn)便的檢查如腹部B超等對(duì)其病變的檢出率較低，故大部分胰腺疾病(急性胰腺炎、慢性胰腺炎、胰腺良惡性腫瘤等)的診斷都必須依靠胰腺CT或MRI等影像學(xué)檢查或超聲內(nèi)鏡等侵入性檢查。傳統(tǒng)影像學(xué)檢查需要人工讀片，工作繁瑣，耗費(fèi)時(shí)間，對(duì)胰腺不典型病變的檢出很大程度上依賴影像學(xué)醫(yī)師臨床經(jīng)驗(yàn)的積累。由于人工智能和大數(shù)據(jù)技術(shù)分析處理速度快，效率高，故人工智能和醫(yī)療大數(shù)據(jù)技術(shù)的應(yīng)用在胰腺疾病的診斷(如胰腺病理的識(shí)圖、胰腺影像的閱片、胰腺疾病易感基因的明確等)方面有廣闊的應(yīng)用空間。

細(xì)針穿刺活檢是診斷胰腺腫塊良惡性的準(zhǔn)確方法，但對(duì)于部分非典型病例，診斷其良惡性仍然是個(gè)挑戰(zhàn)。一種人工智能的多層感知神經(jīng)網(wǎng)絡(luò)系統(tǒng)可通過檢測(cè)胰腺腫塊活檢病理切片，鑒別胰腺腫塊的良惡性，對(duì)非典型病例良惡性的預(yù)測(cè)準(zhǔn)確率達(dá)到77%，可幫助臨床醫(yī)師與患者做出最佳治療方案選擇[7]。慢性胰腺炎和胰腺癌的鑒別診斷是臨床胰腺疾病診斷中的一大難題，多項(xiàng)研究證實(shí)人工智能在慢性胰腺炎與胰腺癌的鑒別診斷中有重要價(jià)值，可做出快速而準(zhǔn)確的診斷[8-11]。復(fù)旦大學(xué)團(tuán)隊(duì)研發(fā)了一套計(jì)算機(jī)輔助診斷胰腺漿液性囊性腫瘤與其他胰腺囊性腫瘤的鑒別診斷方案，該方案是一個(gè)包含24個(gè)漿液性囊性腫瘤臨床及影像學(xué)特征和385個(gè)高通量篩選特征的放射組學(xué)系統(tǒng)，經(jīng)過與經(jīng)驗(yàn)豐富的放射學(xué)醫(yī)師評(píng)估的結(jié)果對(duì)比驗(yàn)證后，證實(shí)該計(jì)算機(jī)輔助診斷方案準(zhǔn)確可靠，可用于對(duì)患者的術(shù)前評(píng)估，提高術(shù)前診斷的準(zhǔn)確性，幫助臨床醫(yī)師做出準(zhǔn)確的治療決策[12]。Ikeda等[13]使用從放射學(xué)圖像數(shù)據(jù)庫(kù)中提取的數(shù)據(jù)區(qū)分腫塊性胰腺炎和胰腺導(dǎo)管腺癌，也發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)評(píng)估結(jié)果與經(jīng)驗(yàn)豐富的放射學(xué)醫(yī)師評(píng)估結(jié)果相當(dāng)。Kuwahara等[14]將3 970例行胰腺切除術(shù)的術(shù)前內(nèi)鏡超聲圖像進(jìn)行人工智能的深度學(xué)習(xí)后，發(fā)現(xiàn)人工智能診斷惡性導(dǎo)管內(nèi)乳頭狀黏液性腫瘤(intraductal papillary mucinous neoplasms，IPMN)的靈敏度、特異度和準(zhǔn)確率都達(dá)到92%以上，人工智能診斷IPMN可能比人類專家診斷更準(zhǔn)確、更客觀。Li等[15]建立的基于PET/CT圖像的胰腺癌計(jì)算機(jī)輔助診斷模型，在鑒別診斷胰腺癌的準(zhǔn)確率、靈敏度和特異度方面均超過95%。Kurita等[16]利用基本臨床資料，如血癌胚抗原、糖類抗原CA19-9和CA125、囊液淀粉酶、囊腫位置等進(jìn)行機(jī)器深度學(xué)習(xí)，構(gòu)建了囊性病變良惡性鑒別的模型，發(fā)現(xiàn)人工智能可提高胰腺囊性病變的良惡性鑒別能力。也有學(xué)者構(gòu)建了通過多種血清標(biāo)志物診斷胰腺癌的神經(jīng)網(wǎng)絡(luò)模型，發(fā)現(xiàn)其診斷準(zhǔn)確率優(yōu)于應(yīng)用單一腫瘤標(biāo)志物和logistic模型的準(zhǔn)確率[17]?？傊?，人工智能和大數(shù)據(jù)技術(shù)憑借在胰腺影像閱片、病理圖片識(shí)別、輔助診斷模型構(gòu)建等方面的優(yōu)勢(shì)，在胰腺疾病的良惡性鑒別診斷及胰腺腫瘤的定性診斷中有廣闊的應(yīng)用前景。

胰腺疾病病因復(fù)雜，許多病變機(jī)制不清。有研究指出腸道微生物在急性胰腺炎、慢性胰腺炎、胰腺癌等胰腺疾病的發(fā)生發(fā)展中扮演著重要角色[18]，但腸道微生物失調(diào)的原因和后果，以及不同菌群數(shù)量的變化在胰腺疾病發(fā)生發(fā)展中所起的作用仍須探索。遺傳因素在胰腺疾病的發(fā)生發(fā)展中扮演著重要角色，SPINK1、CFTR、PRSS1、CTRC等基因均被證明能促進(jìn)胰腺炎癥或纖維化進(jìn)程，且近年來(lái)不斷有新的易感基因被報(bào)道。東西方人種在遺傳背景方面的差異較大，不同致病突變類型對(duì)胰腺疾病的臨床病程影響不同，但尚無(wú)確切的研究揭示各種基因突變?cè)谝认偌膊〔±砩頇C(jī)制中的作用[19-20]?；驕y(cè)序是檢測(cè)基因突變的良好工具，然而目前通過基因測(cè)序能明確分析的數(shù)據(jù)量?jī)H占冰山一角，大量的信息尚未被挖掘。綜上所述，未來(lái)在胃腸道微生物組及其代謝效應(yīng)、胰腺疾病遺傳基因突變測(cè)序方面，若能積極利用人工智能結(jié)合大數(shù)據(jù)分析，將有助于發(fā)現(xiàn)和明確胰腺疾病新的潛在病因。

人工智能不僅可以用于良惡性腫瘤的鑒別診斷，而且可以用于區(qū)分腫瘤的邊界。Niazi等[21]提出了一種基于Ki67染色活檢圖像的深度學(xué)習(xí)方法來(lái)自動(dòng)區(qū)分胰腺神經(jīng)內(nèi)分泌腫瘤的邊界，證實(shí)基于深度學(xué)習(xí)的人工智能模型將在很大程度上減少病理學(xué)者的工作量，可以較好地區(qū)分腫瘤邊界，為臨床醫(yī)師的治療決策提供一定指導(dǎo)。Fu等[22]利用深度學(xué)習(xí)胰腺影像的胰腺分段解剖，建立了檢測(cè)胰腺癌邊界的模型，可用于指導(dǎo)手術(shù)的范圍。胰腺癌的立體定向放射治療需要在向腫瘤提供消融劑量的同時(shí)保護(hù)敏感的周圍組織(十二指腸、胃、小腸)。為了解決這個(gè)難題，有研究者開發(fā)了基于專業(yè)知識(shí)的人工神經(jīng)網(wǎng)絡(luò)劑量模型來(lái)預(yù)測(cè)特定治療部位的放射劑量分布，該模型經(jīng)過檢驗(yàn)具有良好的準(zhǔn)確性，可用于預(yù)測(cè)特定治療部位所需的合適劑量，從而避免過大劑量導(dǎo)致的周圍器官損傷[23]。

三、人工智能與醫(yī)療大數(shù)據(jù)在胰腺疾病監(jiān)測(cè)及管理中的應(yīng)用

人工智能與醫(yī)療大數(shù)據(jù)還可用于胰腺疾病嚴(yán)重程度的預(yù)測(cè)[24-25]。既往研究發(fā)現(xiàn)，人工神經(jīng)網(wǎng)絡(luò)對(duì)急性胰腺炎的嚴(yán)重程度預(yù)測(cè)能力優(yōu)于廣泛應(yīng)用的急性生理與慢性健康評(píng)分(APACHEⅡ評(píng)分)、修正的Glasgow評(píng)分[26-28]。與臨床評(píng)分系統(tǒng)相比，人工神經(jīng)網(wǎng)絡(luò)模型可以使用更少的變量、更早地完成急性胰腺炎患者嚴(yán)重程度的評(píng)估，患者入院6 h內(nèi)即可完成評(píng)估，有利于醫(yī)護(hù)人員為患者制定更合適的治療、護(hù)理策略。Mofidi等[26]將人工神經(jīng)網(wǎng)絡(luò)模型與修正的Glasgow評(píng)分和APACHEⅡ評(píng)分就預(yù)測(cè)疾病嚴(yán)重程度方面進(jìn)行了比較，發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)模型的靈敏度(0.89)和特異度(0.96)都為最優(yōu)；該研究還比較了3種評(píng)分系統(tǒng)預(yù)測(cè)患者住院第1周內(nèi)發(fā)生多器官功能障礙綜合征概率和住院期間病死率的準(zhǔn)確性，也發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)模型在這兩方面都優(yōu)于Glasgow和APACHEⅡ評(píng)分。Halonen等[27]開發(fā)了一個(gè)預(yù)測(cè)急性胰腺炎嚴(yán)重程度的模型，受試者工作特征(ROC)曲線下面積(AUC)為0.847，大大優(yōu)于Ranson評(píng)分(AUC為0.656)、原始Glasgow評(píng)分(AUC為0.536)、APACHEⅡ評(píng)分(AUC為0.817)和多器官功能障礙評(píng)分(AUC為0.781)。除了人工神經(jīng)網(wǎng)絡(luò)以外，其他機(jī)器學(xué)習(xí)算法也被用來(lái)預(yù)測(cè)急性胰腺炎的嚴(yán)重程度。例如，Pearce等[25]使用Kernel邏輯回歸模型預(yù)測(cè)急性胰腺炎的嚴(yán)重程度，發(fā)現(xiàn)使用入院時(shí)的臨床和實(shí)驗(yàn)室檢查結(jié)果預(yù)測(cè)急性胰腺炎的嚴(yán)重程度時(shí)，Kernel邏輯回歸模型比APACHEⅡ有更高的靈敏度和特異度。在預(yù)測(cè)急性胰腺炎患者住院時(shí)間方面，人工智能與大數(shù)據(jù)技術(shù)也有良好的應(yīng)用前景[29]。Keogan等[30]使用影像學(xué)和實(shí)驗(yàn)室檢查數(shù)據(jù)，發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)準(zhǔn)確率優(yōu)于Balthazar和Ranson評(píng)分。Pofahl等[29]建立的人工神經(jīng)網(wǎng)絡(luò)模型能夠使用入院時(shí)即可收集的數(shù)據(jù)預(yù)測(cè)患者的住院天數(shù)是否會(huì)超過7 d，而傳統(tǒng)的評(píng)分系統(tǒng)需要等待至少48 h。

重癥急性胰腺炎(SAP)病情變化較快，需要早期監(jiān)測(cè)病情變化。Vistisen等[31]通過自動(dòng)化的持續(xù)微創(chuàng)監(jiān)測(cè)結(jié)合機(jī)器學(xué)習(xí)算法，可以早期識(shí)別生命體征的細(xì)微變化，從而幫助指導(dǎo)早期治療，預(yù)防血流動(dòng)力學(xué)災(zāi)難性事件，確保患者安全，改善預(yù)后。有研究者收集217例SAP患者的臨床和實(shí)驗(yàn)室資料，通過胰腺壞死程度、乳酸脫氫酶、血紅蛋白氧飽和度等基本資料即可建立神經(jīng)網(wǎng)絡(luò)模型，預(yù)測(cè)SAP合并急性肺損傷的風(fēng)險(xiǎn)，以便對(duì)高風(fēng)險(xiǎn)人群早期制定對(duì)策預(yù)防急性肺損傷的發(fā)生[32]。預(yù)測(cè)急性胰腺炎后門靜脈、脾靜脈、腸系膜靜脈血栓的發(fā)生是一項(xiàng)較困難的工作。有研究者構(gòu)建了人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)門靜脈-腸系膜靜脈血栓的發(fā)生，證實(shí)了與傳統(tǒng)的logistic回歸預(yù)測(cè)模型比較，人工神經(jīng)網(wǎng)絡(luò)總體預(yù)測(cè)能力優(yōu)于logistic回歸模型，可更好地幫助指導(dǎo)患者管理及并發(fā)癥預(yù)防[33]。Walczak等[34]研究了人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)胰腺癌患者生存期的方法，該人工神經(jīng)網(wǎng)絡(luò)模型能準(zhǔn)確預(yù)測(cè)胰腺癌患者7個(gè)月的生存率，為醫(yī)師和患者制定最佳的治療方案提供依據(jù)，幫助患者最大限度減少遺憾并提高生活質(zhì)量。Ansari等[35]也構(gòu)建了基于淋巴結(jié)轉(zhuǎn)移、腫瘤分化程度、體重指數(shù)、年齡等臨床參數(shù)的人工神經(jīng)網(wǎng)絡(luò)模型，預(yù)測(cè)胰腺導(dǎo)管腺癌根治術(shù)后患者的長(zhǎng)期生存時(shí)間，發(fā)現(xiàn)該模型Harrell′s一致性指數(shù)為0.79，提示該模型可較好用于預(yù)測(cè)患者術(shù)后的長(zhǎng)期生存時(shí)間。

南京大學(xué)團(tuán)隊(duì)利用大數(shù)據(jù)挖掘技術(shù)分析了江蘇省2014年至2016年間急性胰腺炎的流行病學(xué)特征，發(fā)現(xiàn)未婚人群中發(fā)生SAP的人數(shù)較多，且SAP患者中AB型或B型血占比較高，江蘇北部比南部發(fā)生急性胰腺炎的患者更多，這可能為江蘇急性胰腺炎的預(yù)防管理提供一定參考[36]。

除上述對(duì)于患者的在院管理外，人工智能與醫(yī)療大數(shù)據(jù)技術(shù)在慢性病患者的長(zhǎng)期管理、遠(yuǎn)程管理方面也將有很大潛力[37-39]。利用智能穿戴設(shè)備、家用血糖監(jiān)測(cè)儀等設(shè)備，慢性病患者(如慢性胰腺炎病情穩(wěn)定的患者、胰腺良性腫瘤術(shù)后穩(wěn)定的患者等)可在家中自己監(jiān)測(cè)生命體征及其他常規(guī)健康指標(biāo)，利用互聯(lián)網(wǎng)平臺(tái)將數(shù)據(jù)實(shí)時(shí)反饋給醫(yī)師，便于醫(yī)師對(duì)患者的長(zhǎng)期管理及隨訪。這種管理模式不僅節(jié)約了醫(yī)療資源，而且減少了就醫(yī)次數(shù)，方便了患者。

四、小結(jié)

盡管目前仍有很多胰腺疾病的發(fā)病機(jī)制不清，治療措施有限，大多數(shù)僅能對(duì)癥治療，無(wú)法阻斷甚至逆轉(zhuǎn)胰腺病變的發(fā)展，但伴隨著人工智能和醫(yī)療大數(shù)據(jù)的研究深入，胰腺疾病的智能化診斷、治療、監(jiān)測(cè)、預(yù)后判斷和疾病管理等方面都取得了長(zhǎng)足的進(jìn)展，胰腺疾病的病因與診斷實(shí)現(xiàn)了進(jìn)一步明確。相信在不遠(yuǎn)的將來(lái)，阻斷甚至逆轉(zhuǎn)胰腺病變的方法也有望在智能化診療的輔助下成為現(xiàn)實(shí)。

利益沖突所有作者均聲明不存在利益沖突