諸露冰?汪建華

編者按：人工智能是近年來(lái)的研究熱點(diǎn)，其在醫(yī)學(xué)領(lǐng)域具有廣泛的應(yīng)用前景和巨大的潛力，智能醫(yī)學(xué)也是未來(lái)醫(yī)學(xué)發(fā)展的一大趨勢(shì)。為了幫助醫(yī)學(xué)工作者深入了解人工智能在醫(yī)學(xué)各學(xué)科的最新應(yīng)用進(jìn)展，本刊緊跟醫(yī)學(xué)發(fā)展前沿策劃了人工智能系列專(zhuān)題，本期的專(zhuān)題涉及人工智能在胰腺癌、單光子計(jì)算機(jī)斷層顯像、眩暈相關(guān)疾病、宮頸鱗癌、急性穿支動(dòng)脈閉塞性腦梗死中的應(yīng)用情況。衷心感謝向本刊供稿的專(zhuān)家學(xué)者們。

通信作者簡(jiǎn)介：汪建華，主任醫(yī)師，教授，博士生導(dǎo)師。省級(jí)衛(wèi)生創(chuàng)新人才，省級(jí)臨床重點(diǎn)專(zhuān)科建設(shè)單位學(xué)科帶頭人。擔(dān)任中華醫(yī)學(xué)會(huì)放射學(xué)分會(huì)及核醫(yī)學(xué)分會(huì)人工智能（AI）工作委員會(huì)委員、中國(guó)抗癌協(xié)會(huì)放射醫(yī)學(xué)專(zhuān)委會(huì)常委、中國(guó)醫(yī)師協(xié)會(huì)放射醫(yī)師分會(huì)運(yùn)動(dòng)創(chuàng)傷專(zhuān)委會(huì)委員、核醫(yī)學(xué)醫(yī)師分會(huì)青年委員、中國(guó)阿爾茨海默病防治協(xié)會(huì)影像專(zhuān)業(yè)委員會(huì)常務(wù)委員、浙江省醫(yī)學(xué)會(huì)放射學(xué)分會(huì)常務(wù)委員兼AI大數(shù)據(jù)工作委員會(huì)主任委員。擔(dān)任國(guó)家自然科學(xué)基金及多個(gè)省級(jí)基金、科技獎(jiǎng)項(xiàng)的評(píng)審專(zhuān)家；擔(dān)任《Molecular Neurobiology》《iRadiology》《中華放射學(xué)雜志》《中國(guó)畢業(yè)后繼續(xù)教育》等期刊編委或?qū)徃鍖?zhuān)家。主攻腫瘤AI與分子影像學(xué)研究，主持或參與國(guó)家重點(diǎn)研發(fā)項(xiàng)目、國(guó)家自然科學(xué)基金、省部級(jí)重大項(xiàng)目等課題10余項(xiàng)。第一或通訊作者發(fā)表高質(zhì)量論文100多篇，主編教材專(zhuān)著6部；獲得科技進(jìn)步獎(jiǎng)3項(xiàng)；授權(quán)專(zhuān)利及計(jì)算機(jī)軟件著作權(quán)6項(xiàng)，其中肺結(jié)節(jié)智能靶重建結(jié)構(gòu)化報(bào)告系統(tǒng)、冠狀動(dòng)脈CT血管造影及冠狀動(dòng)脈血流儲(chǔ)備分?jǐn)?shù)一體化智能報(bào)告系統(tǒng)實(shí)現(xiàn)轉(zhuǎn)化，取得良好的社會(huì)效益，得到《中國(guó)日?qǐng)?bào)》主流媒體報(bào)道。

【摘要】胰腺癌是一種惡性程度極高的消化道惡性腫瘤，其精準(zhǔn)診療是臨床面臨的重大難題。隨著科技的發(fā)展，通過(guò)人工智能對(duì)于一些疾病的早期診斷、治療及預(yù)后預(yù)測(cè)的探索層出不窮，并且擁有較高的臨床價(jià)值，醫(yī)學(xué)影像學(xué)是對(duì)人體健康狀況進(jìn)行評(píng)價(jià)的一門(mén)學(xué)科，包括醫(yī)學(xué)成像系統(tǒng)和醫(yī)學(xué)圖像處理兩個(gè)相對(duì)獨(dú)立的方向，以醫(yī)學(xué)影像學(xué)為基礎(chǔ)的人工智能在胰腺癌臨床診療中發(fā)揮著重要的作用。

【關(guān)鍵詞】胰腺癌；人工智能；醫(yī)學(xué)影像；診療；評(píng)估；研究進(jìn)展

Research progress on medical imaging-based artificial intelligence in precision diagnosis and treatment of pancreatic cancerZhu Lubing，Wang Jianhua. Health Science Center， Ningbo University， Ningbo? 315000， China

Corresponding author， Wang Jianhua， E-mail： wangjianhua@nbu.edu.cn

【Abstract】Pancreatic cancer is a highly malignant tumor of the digestive tract， and its precision diagnosis and treatment is a major challenge in clinical practice. With the development of science and technology， artificial intelligence has been applied in the early diagnosis， treatment and prognosis prediction of some diseases， which has high clinical value. Medical imaging is a disciplie to evaluate human health， which consists of two relatively independent directions of medical imaging system and medical image processing. Artificial intelligence based on medical imaging plays an important role in the clinical diagnosis and treatment of pancreatic cancer. In this article， research progress in the application of artificial intelligence in precision diagnosis and treatment of pancreatic cancer was reviewed from the aspects of imaging diagnosis， efficacy evaluation， survival prediction and radiogenomics， etc.

【Key words】Pancreatic cancer； Artificial intelligence； Medical imaging； Diagnosis and treatment； Evaluation；

Research progress

胰腺癌是一種發(fā)病隱匿，進(jìn)展迅速，治療效果及預(yù)后極差的消化道惡性腫瘤，5年生存率低于10%［1］。近年來(lái)，胰腺癌的發(fā)病率在國(guó)內(nèi)外均呈明顯的上升趨勢(shì)。對(duì)于如何精準(zhǔn)地診斷胰腺癌，選擇治療策略、評(píng)估治療效果以及預(yù)后的預(yù)測(cè)，專(zhuān)家學(xué)者們進(jìn)行了大量的探索。人工智能（AI）泛指為執(zhí)行以前只能由人類(lèi)智能完成的任務(wù)而創(chuàng)建的算法，其包括了放射組學(xué)、深度學(xué)習(xí)模型等，放射組學(xué)提供了一種將圖像轉(zhuǎn)換為統(tǒng)計(jì)上可解釋和可量化的數(shù)據(jù)的方法，而深度學(xué)習(xí)是另一種類(lèi)型的機(jī)器學(xué)習(xí)，通過(guò)學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，使機(jī)器能像人一樣具有分析學(xué)習(xí)能力，能最大限度地減少人類(lèi)輸入［2］。目前，醫(yī)學(xué)影像AI在疾病診療中發(fā)揮著重要的作用。本綜述將從影像診斷、療效評(píng)估、生存期預(yù)測(cè)及放射基因組學(xué)等多方面對(duì)AI在胰腺癌精準(zhǔn)診療中的研究進(jìn)展進(jìn)行講述。

一、醫(yī)學(xué)影像AI的應(yīng)用現(xiàn)狀及進(jìn)展

目前，AI已經(jīng)廣泛應(yīng)用于醫(yī)學(xué)領(lǐng)域，如影像診斷、病理分型、治療方案選擇、預(yù)后療效分析等， 在大數(shù)據(jù)和機(jī)器學(xué)習(xí)的技術(shù)支持下，基于AI的各種臨床決策支持系統(tǒng)應(yīng)運(yùn)而生［3］。在腫瘤的影像圖像輔助診斷方面，由人工輸入反復(fù)精準(zhǔn)訓(xùn)練得出的機(jī)器運(yùn)算模型用于臨床診療的研究過(guò)程已經(jīng)日趨成熟。影像組學(xué)和深度學(xué)習(xí)是AI輔助醫(yī)學(xué)影像診療的重要研究方法，它們可以依據(jù)事先標(biāo)記好的數(shù)據(jù)進(jìn)行訓(xùn)練，以此對(duì)未標(biāo)記的醫(yī)學(xué)影像數(shù)據(jù)進(jìn)行分類(lèi)和預(yù)測(cè)，在影像精準(zhǔn)診斷及圖像分割中體現(xiàn)了重要的價(jià)值。深度學(xué)習(xí)還可以通過(guò)結(jié)合患者的個(gè)人病史、家族史、既往影像報(bào)告和基因組學(xué)等來(lái)預(yù)測(cè)個(gè)體患癌癥的風(fēng)險(xiǎn)［4］。

此外，在醫(yī)學(xué)圖像質(zhì)量方面，AI也發(fā)揮了巨大的作用，李剛等［5］利用以深度學(xué)習(xí)為基礎(chǔ)的AI輔助壓縮感知技術(shù)聯(lián)合3種常規(guī)T2加權(quán)成像（T2WI）壓脂技術(shù)均縮短了成像時(shí)間，并且擁有較高的圖像質(zhì)量。與此同時(shí)，基于影像圖像對(duì)于腫瘤預(yù)后、分型等預(yù)測(cè)模型的構(gòu)建也日益從基于單期影像轉(zhuǎn)變?yōu)槎嗥凇⒍嘈蛄杏跋?，甚至?yīng)用PET/CT、MR圖像聯(lián)合其他參數(shù)來(lái)構(gòu)建多模態(tài)模型。Attiyeh等［6］利用糖類(lèi)抗原19-9（CA19-9）值和CT組學(xué)特征建立第一個(gè)模型，而將CA19-9、CT組學(xué)特征和Brennan評(píng)分（復(fù)合病理評(píng)分）結(jié)合成第二個(gè)模型，以預(yù)測(cè)胰腺癌患者的生存期，得出第二個(gè)模型的C指數(shù)較高，這體現(xiàn)了多模態(tài)模型的優(yōu)勢(shì)。在其他腫瘤中，Li等（2023年）在預(yù)測(cè)膠質(zhì)瘤預(yù)后中，構(gòu)建了包括影像組學(xué)特征、病理指標(biāo)、基因等多參數(shù)的組合模型，該模型具有最佳預(yù)測(cè)性能，體現(xiàn)了在腫瘤診療過(guò)程中多模態(tài)模型構(gòu)建的必要性。

此外，免疫檢查點(diǎn)療法是新型的腫瘤治療方式，在黑色素瘤、非小細(xì)胞肺癌中已展示出了較好的療效，其相關(guān)免疫檢測(cè)點(diǎn)的預(yù)測(cè)及免疫治療后評(píng)估是AI的另一個(gè)有前景的應(yīng)用，Yoon等（2020年）驗(yàn)證了CT放射組學(xué)在預(yù)測(cè)晚期肺腺癌中細(xì)胞程序性死亡-配體1（PD-L1）表達(dá)的價(jià)值，但該領(lǐng)域目前仍處于起步探索階段。對(duì)于胰腺癌患者來(lái)說(shuō)，基于醫(yī)學(xué)影像的AI精準(zhǔn)診療顯得格外重要。

二、基于AI的胰腺癌多模態(tài)影像診斷研究進(jìn)展

1. 超聲檢查

超聲檢查因簡(jiǎn)便易行、無(wú)創(chuàng)無(wú)輻射、可多軸面觀察等特點(diǎn)，是胰腺癌診斷的初篩檢查方法。AI輔助內(nèi)窺鏡超聲（EUS）模型被譽(yù)為胰腺癌早期檢測(cè)的突破，超聲內(nèi)鏡在胰腺癌診斷中具有重要作用［7］。Seo等［8］通過(guò)對(duì)150例被診斷為胰腺癌的患者超聲圖像進(jìn)行分割建模，提出的使用具有深度注意力特征的神經(jīng)網(wǎng)絡(luò)模型的深度學(xué)習(xí)方法為使用EUS圖像的胰腺癌提供了卓越的分割性能，其在受試者操作特征曲線(xiàn)下面積（AUC）、靈敏度、特異度等方面表現(xiàn)出優(yōu)異的分割性能，預(yù)計(jì)所提出的精確的分割方法可以為胰腺癌的手術(shù)治療規(guī)劃提供有效的幫助。Tong等［9］基于558例胰腺病變患者的超聲造影（CEUS）圖像建立的鑒別胰腺導(dǎo)管腺癌（PDAC）和慢性胰腺炎深度學(xué)習(xí)放射組學(xué)模型AUC高達(dá)0.986，是超聲技術(shù)在胰腺癌診療中的較大的進(jìn)展，為臨床診斷提供了新思路。

2. CT檢查

CT檢查具有較好的空間和時(shí)間分辨率，是目前檢查胰腺最佳的無(wú)創(chuàng)影像檢查方法，主要用于胰腺癌的診斷、分期及療效評(píng)價(jià)。Chu等（2019年）通過(guò)對(duì)190例PDAC患者和190例健康者的胰腺動(dòng)脈期和靜脈期圖像進(jìn)行分割、特征提取，得出從胰腺中提取的放射組學(xué)特征可用于區(qū)分PDAC患者的CT圖像和健康對(duì)照受試者的CT圖像，該算法有可能與自動(dòng)器官分割算法相結(jié)合以檢測(cè)PDAC，為手術(shù)評(píng)估奠定較好的基礎(chǔ)。Alves等［10］提出了一種全自動(dòng)、基于深度學(xué)習(xí)的框架，可以識(shí)別患者是否患有PDAC，并在增強(qiáng)CT掃描中精確定位腫瘤，其所提出的模型在整個(gè)外部測(cè)試集中達(dá)到了最大AUC，高達(dá)0.914，對(duì)于小于2 cm的腫瘤亞組AUC為0.876，這表明先進(jìn)的深度學(xué)習(xí)模型能夠識(shí)別小的PDAC病變，有助于放射科醫(yī)師早期診斷PDAC。Khdhir等（2023年）開(kāi)發(fā)了一種Antlion優(yōu)化-卷積神經(jīng)網(wǎng)絡(luò)-門(mén)控循環(huán)單元模型，基于深度學(xué)習(xí)和CT圖像對(duì)胰腺腫瘤進(jìn)行分割和分類(lèi)，該模型準(zhǔn)確率高達(dá)99.92%。越來(lái)越多的模型的建立，為胰腺癌的診斷及圖像精準(zhǔn)分割提供了便捷。Cao等［11］構(gòu)建了模型PANDA，他們使用來(lái)自單個(gè)中心的3 208例患者的數(shù)據(jù)集進(jìn)行訓(xùn)練，之后進(jìn)行6 239例患者的多中心驗(yàn)證，得出PANDA檢測(cè)的病灶A(yù)UC達(dá)0.986～0.996。在由20 530例患者組成的多場(chǎng)景驗(yàn)證中，該模型病變檢測(cè)的靈敏度為92.9%，特異度為99.9%，這項(xiàng)研究在使用非造影CT作為輸入的PANDA在檢測(cè)胰腺病變方面實(shí)現(xiàn)了高靈敏度和特異度，其準(zhǔn)確率明顯高于放射科醫(yī)師在非增強(qiáng)CT檢查中的表現(xiàn)水平，該模型擁有較大的樣本量，有多中心的外部驗(yàn)證，是胰腺病變精準(zhǔn)診療中的重大突破，該模型預(yù)計(jì)擁有較高的臨床價(jià)值。

胰腺癌患者的淋巴及血管侵犯關(guān)系到治療方案，Bian等［12］對(duì)225例經(jīng)病理證實(shí)的胰腺癌患者術(shù)前動(dòng)脈期圖像進(jìn)行特征提取，并選擇與淋巴結(jié)狀態(tài)相關(guān)的特征，使用多變量邏輯回歸分析來(lái)開(kāi)發(fā)預(yù)測(cè)模型，個(gè)性化預(yù)測(cè)列線(xiàn)圖在訓(xùn)練隊(duì)列中顯示出良好的區(qū)分度。此外，Rigiroli等（2021年）利用基于腫瘤相關(guān)和血管周?chē)鶦T放射組學(xué)特征的模型改進(jìn)了PDAC患者腸系膜上動(dòng)脈受累的檢測(cè)，該模型的靈敏度、特異度較好。因此術(shù)前影像也能較好地預(yù)測(cè)淋巴轉(zhuǎn)移及血管侵犯情況，更好地為下一步的臨床診療計(jì)劃提供方向。

3. MRI檢查

MR成像對(duì)胰腺導(dǎo)管腺癌的評(píng)估具有重要作用，其優(yōu)越的軟組織對(duì)比度可用于微小的、非輪廓變形的腫瘤的檢測(cè)，可用于胰腺CT不確定征象的定性。MRgART（10 Gy×5次）是一種新興的放射治療模式，Choi等［13］通過(guò)對(duì)21例接受 MRgART治療的胰腺癌患者的MRI圖像進(jìn)行分割，內(nèi)容包括腫瘤大體體積、十二指腸等，表現(xiàn)最好的模型是SwinUNETR模型，為胰腺癌患者 MRgART工作流程帶來(lái)了便捷，使患者更大程度地受益于MRgART。

在鑒別診斷中，Malagi等［14］采用體素內(nèi)非一致運(yùn)動(dòng)擴(kuò)散峭度成像（IVIM-DKI）和基于機(jī)器學(xué)習(xí)的紋理分析來(lái)區(qū)分胰腺腫塊，如PDAC、實(shí)體假乳頭狀上皮瘤和腫塊型慢性胰腺炎等。在PDAC與非PDAC的織構(gòu)分析中，灌注分?jǐn)?shù)（f）和IVIM-DKI聯(lián)合參數(shù)的模型準(zhǔn)確度較高，該研究總共納入了48例患者，由于樣本較少，其效能有待驗(yàn)證，值得進(jìn)一步研究。

4. PET/CT及PET/MRI顯像

在過(guò)去的幾十年里，PET-CT/MRI對(duì)PDAC臨床管理影響的研究越來(lái)越多。PET/MRI是正電子發(fā)射計(jì)算機(jī)斷層顯像儀（PET）和核磁共振成像術(shù)（MRI）兩強(qiáng)結(jié)合一體化組合成的大型功能代謝與分子影像診斷設(shè)備， 實(shí)現(xiàn)了人體解剖、生理代謝與生物學(xué)功能信息的多方面融合。對(duì)于局部和可切除的胰腺癌，PET/CT的作用仍存在爭(zhēng)議，國(guó)內(nèi)指南不建議常規(guī)使用。盡管如此，PET可能在評(píng)估胰腺癌分期和分級(jí)以及新輔助治療后潛在的可切除性方面發(fā)揮作用。

Zhang等［15］利用病灶分割模型獲得的病灶區(qū)域計(jì)算出的特征和患者的關(guān)鍵臨床特征，開(kāi)發(fā)了胰腺癌病理分級(jí)的預(yù)測(cè)模型以及基于PET/CT的PDAC腫瘤分割模型。此外，Zhang等（2019年）對(duì)18F-FDG PET/CT圖像進(jìn)行放射組學(xué)分析并評(píng)估其在111例患者中區(qū)分自身免疫性胰腺炎和PDAC的能力，證明18F-FDG PET/CT圖像的量化放射組學(xué)分析可以改進(jìn)PDAC和自身免疫性胰腺炎之間的無(wú)創(chuàng)區(qū)分，胰腺癌的早期精準(zhǔn)診斷是診療過(guò)程中重要的一環(huán)，早期診斷能讓患者臨床獲益更多。

Jiang等［16］建立了基于18F-FDG PET/CT放射組學(xué)特征和臨床病理參數(shù)的預(yù)測(cè)模型，用于術(shù)前識(shí)別PDAC患者預(yù)后不良的重要預(yù)測(cè)指標(biāo)如微血管侵犯和神經(jīng)周?chē)址?，?duì)于微血管侵犯預(yù)測(cè)，該模型在18F-FDG PET/CT放射組學(xué)特征和臨床病理參數(shù)的融合子集上表現(xiàn)最佳，通過(guò)模型預(yù)測(cè)血管及神經(jīng)的侵犯，為胰腺癌患者預(yù)后預(yù)測(cè)提供了良好的依據(jù)，但由于PET/CT在臨床應(yīng)用的局限性，納入患者數(shù)量有限，其利用價(jià)值有待評(píng)估。

對(duì)于PET/MRI，由于臨床樣本量有限，正在進(jìn)行的研究較少，基于PET/MRI影像的AI的胰腺癌診斷模型仍待開(kāi)發(fā)，但同時(shí)Zhang等［17］仍通過(guò)對(duì)30例胰腺癌患者的一般影像數(shù)據(jù)分析得出68Ga-FAPI-04 PET上原發(fā)腫瘤的原始最大攝取（標(biāo)準(zhǔn)化SUVmax）高于18F-FDG，且能檢測(cè)到更多轉(zhuǎn)移淋巴結(jié)，這也體現(xiàn)了PET/MRI的優(yōu)越性，為日后更多學(xué)者進(jìn)一步的探究奠定了基礎(chǔ)。

三、基于影像學(xué)的胰腺癌療效評(píng)價(jià)研究進(jìn)展

1. 常規(guī)療法

胰腺癌內(nèi)科藥物治療可應(yīng)用于各個(gè)期的患者，包括可切除和臨界可切除患者的術(shù)前新輔助（NAT）/轉(zhuǎn)化治療、根治術(shù)后患者的輔助治療以及局部晚期或轉(zhuǎn)移復(fù)發(fā)患者的治療。藥物治療療效評(píng)估是臨床一大難題，通過(guò)AI能夠較好地幫助臨床確定其療效，并指導(dǎo)下一步治療。Shao等［18］

提出了一種基于深度學(xué)習(xí)的策略來(lái)分析CEUS視頻以預(yù)測(cè)胰腺癌新輔助化學(xué)治療的預(yù)后，采用預(yù)訓(xùn)練的深度學(xué)習(xí)模型，建立了兩個(gè)新模型，證明了基于化學(xué)治療前CEUS視頻的深度學(xué)習(xí)模型在預(yù)測(cè)胰腺癌新輔助化學(xué)治療療效方面的可行性和潛力。Li等［19］通過(guò)對(duì)84例接受一線(xiàn)化學(xué)治療的晚期胰腺癌患者影像及臨床信息分析，基于包含放射組學(xué)特征和CA19-9的多元邏輯回歸模型開(kāi)發(fā)列線(xiàn)圖，在訓(xùn)練和驗(yàn)證隊(duì)列中顯示出良好的療效區(qū)分能力。此外，Panda等（2021年）發(fā)現(xiàn)NAT前后基于PET/MRI測(cè)量的根據(jù)血清葡萄糖水平校正的最大標(biāo)準(zhǔn)攝取值變化率在最佳閾值下評(píng)估療效的靈敏度及AUC值高于基于CT測(cè)量的腫瘤體積相對(duì)變化率?？梢?jiàn)以影像為基礎(chǔ)的AI對(duì)于胰腺癌患者的化學(xué)治療效果評(píng)估會(huì)給臨床提供巨大的價(jià)值。

2. 其他療法

與常規(guī)治療相比，光動(dòng)力療法（PDT）具有微創(chuàng)、時(shí)空選擇性高、療效確切的優(yōu)點(diǎn)，PDT在不可切除的胰腺腫瘤中提供局部消融，而治療區(qū)周?chē)慕M織則接受較低的光劑量，稱(chēng)為光動(dòng)力啟動(dòng)。Vincent等（2021年）研究指出CT圖像中提取的紋理特征可用于胰腺腫瘤中PDT和光動(dòng)力啟動(dòng)效果的臨床診斷預(yù)測(cè)和評(píng)估。聚焦超聲消融手術(shù)（FUAS）是使用高強(qiáng)度聚焦超聲消融設(shè)備治療各類(lèi)實(shí)體腫瘤，對(duì)于手術(shù)無(wú)法切除的胰腺癌是較好的選擇，Yang等［20］強(qiáng)調(diào)了使用MRI和CT圖像對(duì)接受FUAS的不可切除PDAC患者進(jìn)行能量效率因素預(yù)測(cè)的價(jià)值，在測(cè)試模型中發(fā)現(xiàn)加入MRI特征建立的能量效率因素預(yù)測(cè)模型對(duì)不可切除胰腺癌的FUAS治療具有更好的預(yù)測(cè)效果?；诏熜ьA(yù)測(cè)模型，可以制定更準(zhǔn)確的治療方案，為進(jìn)一步優(yōu)化不可切除胰腺癌患者的FUAS治療手段以及評(píng)估手術(shù)的療效提供有價(jià)值的參考。

四、基于智能影像的胰腺癌生存期預(yù)測(cè)研究進(jìn)展

胰腺癌生存期的預(yù)測(cè)也是重要的研究方向，通過(guò)AI對(duì)患者的影像信息進(jìn)行分析建模，可以較好地評(píng)估預(yù)后。Cen等（2021年）通過(guò)對(duì)經(jīng)病理證實(shí)為PDAC且進(jìn)行增強(qiáng)CT檢查的135例患者進(jìn)行研究，從動(dòng)脈期或門(mén)靜脈期圖像中提取放射組學(xué)特征，使用多變量邏輯回歸分析來(lái)構(gòu)建放射組學(xué)特征和組合列線(xiàn)圖模型，通過(guò)預(yù)測(cè)胰腺癌分期來(lái)預(yù)測(cè)其預(yù)后，其中動(dòng)脈期+門(mén)靜脈期放射組學(xué)特征是三種放射組學(xué)特征中最好的性能，可見(jiàn)放射組學(xué)在胰腺癌生存期預(yù)測(cè)方面存在重要的價(jià)值。Park等（2021年）根據(jù)153例胰腺癌術(shù)后的生存時(shí)間將患者分為低風(fēng)險(xiǎn)組和高風(fēng)險(xiǎn)組，通過(guò)隨機(jī)生存森林算法估計(jì)生存狀態(tài)和時(shí)間，證實(shí)在臨床參數(shù)如CA19-9、腫瘤大小等參數(shù)中添加CT放射組學(xué)特征的模型C指數(shù)明顯提高，可見(jiàn)多參數(shù)融合能提高模型的預(yù)測(cè)能力。Lee等（2021年）開(kāi)發(fā)了臨床數(shù)據(jù)庫(kù)機(jī)器學(xué)習(xí)模型和基于CT數(shù)據(jù)的深度學(xué)習(xí)模型，并利用集成學(xué)習(xí)將兩種模型結(jié)合起來(lái)預(yù)測(cè)2年總生存期和1年無(wú)復(fù)發(fā)生存期，集成模型預(yù)測(cè)1年無(wú)復(fù)發(fā)生存期效能最好。通過(guò)對(duì)胰腺癌患者術(shù)后生存期的分層，能較精準(zhǔn)地預(yù)測(cè)其生存期。對(duì)于晚期胰腺癌患者，Keyl

等［21］使用機(jī)器學(xué)習(xí)對(duì)晚期胰腺癌進(jìn)行多模式生存預(yù)測(cè)，納入KRAS p.G12D突變狀態(tài)可以進(jìn)一步改善預(yù)測(cè)，證明癌癥基因組學(xué)數(shù)據(jù)對(duì)生存預(yù)測(cè)的重要性。由此可見(jiàn)，基于放射組學(xué)聯(lián)合多模態(tài)的AI預(yù)測(cè)模型擁有較高的效能，這是目前研究的熱點(diǎn)，有較好的研究前景，也為臨床胰腺癌患者風(fēng)險(xiǎn)分層及隨訪診療提供良好的思路。

五、基于影像學(xué)的胰腺癌免疫浸潤(rùn)、基因表達(dá)及亞型預(yù)測(cè)

胰腺癌免疫抑制的微環(huán)境使臨床一些常見(jiàn)的治療手段對(duì)之作用甚微，解添淞等（2022年）研究發(fā)現(xiàn)CD8+ T淋巴細(xì)胞高浸潤(rùn)組胰腺癌的預(yù)后優(yōu)于低浸潤(rùn)組，通過(guò)對(duì)150例胰腺癌患者的影像圖像的特征提取并構(gòu)建模型預(yù)測(cè)CD8+ T淋巴細(xì)胞的浸潤(rùn)情況，得出極端隨機(jī)樹(shù)模型有最好的效能。近年來(lái)，免疫檢測(cè)點(diǎn)如PD-1、PD-L1發(fā)現(xiàn)給腫瘤治療帶去了希望，免疫檢查點(diǎn)療法在治療多種實(shí)體瘤方面顯示出巨大的潛力［22］。但在胰腺癌患者中，臨床應(yīng)用的免疫抑制劑并沒(méi)有帶去可觀的效果。然而，絕大多數(shù)的PDAC患者有p53突變，是胰腺癌發(fā)生發(fā)展過(guò)程中的重要原因［23］。Iwatate等（2020年）對(duì)107例診斷為PDAC的患者進(jìn)行研究，發(fā)現(xiàn)p53和PD-L1是獨(dú)立預(yù)后因素，并從CT圖像中提取特征，構(gòu)建了有較好性能的p53和PD-L1狀態(tài)的機(jī)器學(xué)習(xí)預(yù)測(cè)模型。Gao等（2021年）通過(guò)對(duì)57例接受術(shù)前MRI檢查的胰腺癌患者進(jìn)行多期動(dòng)態(tài)對(duì)比增強(qiáng)T1加權(quán)成像（T1WI）、T2WI等多序列的圖像特征提取，構(gòu)建了預(yù)測(cè)TP53狀態(tài)的支持向量機(jī)模型，結(jié)果證實(shí)3D ADC-ap-DWI-T2WI模型在區(qū)分TP53狀態(tài)方面產(chǎn)生了最佳性能，體現(xiàn)出放射基因組學(xué)在臨床應(yīng)用的可行性，通過(guò)準(zhǔn)確預(yù)測(cè)基因及相關(guān)的預(yù)測(cè)，為胰腺癌患者選擇個(gè)體化治療，提高胰腺癌患者的生存率。在PDAC患者中分別對(duì)不同類(lèi)型的組學(xué)（例如基因組學(xué)、蛋白質(zhì)組學(xué)等）進(jìn)行分類(lèi)，可能會(huì)導(dǎo)致患者分類(lèi)高度不一致的亞型，Ju等（2021年）提出了用于預(yù)后相關(guān)亞型分析的多組學(xué)深度學(xué)習(xí)，以識(shí)別PDAC亞型并預(yù)測(cè)患者的預(yù)后，這是多組學(xué)融合的重大突破。

六、小 結(jié)

綜上所述，醫(yī)學(xué)影像AI技術(shù)在胰腺癌精準(zhǔn)診療中發(fā)揮著重要作用，為胰腺癌患者的精準(zhǔn)診斷、療效評(píng)價(jià)、風(fēng)險(xiǎn)預(yù)測(cè)、預(yù)后判斷以及影像組學(xué)與病理學(xué)相關(guān)性等提供了強(qiáng)大的技術(shù)支持。但是目前構(gòu)建的大部分模型仍存在一些不足，樣本數(shù)過(guò)少或者缺乏外部驗(yàn)證等使模型的可行性仍待評(píng)估，臨床及各種外在因素的存在，使模型仍待完善，所以建立穩(wěn)定的數(shù)據(jù)庫(kù)以及多模態(tài)的信息融合的高效能模型將是我們未來(lái)研究的方向。利用好AI技術(shù)，將充分挖掘影像學(xué)信息，為胰腺癌患者提供更多精準(zhǔn)診療信息，進(jìn)一步提高患者診療效果。

參 考 文 獻(xiàn)

［1］ Siegel R L， Miller K D， Wagle N S， et al. Cancer statistics， 2023［J］. CA Cancer J Clin， 2023， 73（1）： 17-48.

［2］ Dercle L， McGale J， Sun S， et al. Artificial intelligence and radiomics： fundamentals， applications， and challenges in immunotherapy［J］. J Immunother Cancer， 2022， 10（9）： e005292.

［3］ Wang L， Chen X， Zhang L， et al. Artificial intelligence in clinical decision support systems for oncology［J］. Int J Med Sci， 2023， 20（1）： 79-86.

［4］ Chakrabarty N， Mahajan A. Imaging analytics using artificial intelligence in oncology： a comprehensive review［J］. Clin Oncol， 2023

［5］ 李剛， 黃錦彬， 汪昕榮， 等. 人工智能輔助壓縮感知技術(shù)結(jié)合三種T2WI壓脂技術(shù)的應(yīng)用研究［J］. 新醫(yī)學(xué)， 2023， 54（10）： 717-722.

Li G， Huang J B， Wang X R， et al. Application of artificial intelligence-assisted compressed sensing combined with three types of fat-suppressed T2WI techniques［J］. J New Med， 2023， 54（10）： 717-722.

［6］ Attiyeh M A， Chakraborty J， Doussot A， et al. Survival prediction in pancreatic ductal adenocarcinoma by quantitative computed tomography image analysis. Ann Surg Oncol，2018，25（4）： 1034-1042.

［7］ Dahiya D S， Al-Haddad M， Chandan S， et al. Artificial intelligence in endoscopic ultrasound for pancreatic cancer： where are we now and what does the future entail［J］. J Clin Med， 2022， 11（24）： 7476.

［8］ Seo K， Lim J H， Seo J， et al. Semantic segmentation of pancreatic cancer in endoscopic ultrasound images using deep learning approach. Cancers （Basel）， 2022， 14（20）： 5111.

［9］ Tong T， Gu J， Xu D， et al. Deep learning radiomics based on contrast-enhanced ultrasound images for assisted diagnosis of pancreatic ductal adenocarcinoma and chronic pancreatitis［J］. BMC Med， 2022， 20（1）： 74.

［10］ Alves N， Schuurmans M， Litjens G， et al. Fully automatic deep learning framework for pancreatic ductal adenocarcinoma detection on computed tomography［J］. Cancers， 2022， 14（2）： 376.

［11］ Cao K， Xia Y， Yao J， et al. Large-scale pancreatic cancer detection via non-contrast CT and deep learning［J］. Nat Med， 2023， 29（12）： 3033-3043.

［12］ Bian Y， Guo S， Jiang H， et al. Radiomics nomogram for the preoperative prediction of lymph node metastasis in pancreatic ductal adenocarcinoma［J］. Cancer Imaging， 2022， 22（1）： 4.

［13］ Choi W， Nourzadeh H， Chen Y， et al. Novel deep learning segmentation models for accurate GTV and OAR segmentation in MR-guided adaptive radiotherapy for pancreatic cancer patients［J］. Int J Radiat Oncol， 2023， 117（2）： e462.

［14］ Malagi A V， Shivaji S， Kandasamy D， et al. Pancreatic mass characterization using IVIM-DKI MRI and machine learning-based multi-parametric texture analysis［J］. Bioengineering（Basel）， 2023， 10（1）： 83.

［15］ Zhang G， Bao C， Liu Y， et al. 18F-FDG-PET/CT-based deep learning model for fully automated prediction of pathological grading for pancreatic ductal adenocarcinoma before surgery［J］. EJNMMI Res， 2023， 13（1）： 49.

［16］ Jiang C， Yuan Y， Gu B， et al. Preoperative prediction of microvascular invasion and perineural invasion in pancreatic ductal adenocarcinoma with 18F-FDG PET/CT radiomics analysis［J］. Clin Radiol， 2023， 78（9）： 687-696.

［17］ Zhang Z， Jia G， Pan G， et al. Comparison of the diagnostic efficacy of Ga-FAPI-04 PET/MR and 18F-FDG PET/CT in patients with pancreatic cancer［J］. Eur J Nucl Med Mol Imaging， 2022， 49（8）： 2877-2888.

［18］ Shao Y， Dang Y， Cheng Y， et al. Predicting the efficacy of neoadjuvant chemotherapy for pancreatic cancer using deep learning of contrast-enhanced ultrasound videos［J］. Diagnostics， 2023， 13（13）： 2183.

［19］ Li J， Du J， Li Y， et al. A nomogram based on CT texture features to predict the response of patients with advanced pancreatic cancer treated with chemotherapy［J］. BMC Gastroenterol， 2023， 23（1）： 274.

［20］ Yang C， Guo J， Chen L， et al. The dose of focused ultrasound ablation surgery （FUAS） for unresectable pancreatic cancer is predictable： a multicenter retrospective study［J］. Medicine， 2023， 102（38）： e34684.

［21］ Keyl J， Kasper S， Wiesweg M， et al. Multimodal survival prediction in advanced pancreatic cancer using machine learning［J］. ESMO Open， 2022， 7（5）： 100555.

［22］ Loch F N， Kamphues C， Beyer K， et al. The immune checkpoint landscape in tumor cells of pancreatic ductal adenocarcinoma ［J］. Int J Mol Sci， 2023， 24（3）： 2160.

［23］ Mello S S， Flowers B M， Mazur P K， et al. Multifaceted role for p53 in pancreatic cancer suppression［J］. Proc Natl Acad Sci U S A， 2023， 120（10）： e2211937120.

（收稿日期：2023-12-28）

（本文編輯：楊江瑜）