影像AI诊断系统赋能精准诊疗
近年来，人工智能（AI）在医学领域的应用逐步拓展、深入，有力推动了诸多疾病诊疗走向精准化和智能化。医学影像学作为对人体健康状况进行评价的一门学科，包括医学成像系统和医学图像处理两个重要方向。现有的多项研究成果表明，基于医学影像学的人工智能在胰腺癌临床诊疗中发挥出重要作用。
胰腺癌因其恶性程度高，且发病率在世界范围内呈逐年上升趋势，被通俗称作“癌中之王”。厦门大学附属第一医院放射影像科主任汪建华认为，作为一种消化道恶性肿瘤，其发病隐匿，进展迅速，治疗效果和预后均不理想。相关数据显示，胰腺癌患者5年生存率低于10%，实现胰腺癌的精准诊疗迫在眉睫。
本报记者 谢文博
多模态影像诊断
在肿瘤的影像图像辅助诊断方面，由人工输入反复精准训练得出的机器运算模型用于临床诊疗的研究过程已经日趋成熟。汪建华介绍，影像组学和深度学习作为AI辅助医学影像诊疗的重要研究方法，可以依据事先标记好的数据进行训练，以此对未标记的医学影像数据进行分类和预测，在影像精准诊断及图像分割中体现出重要价值。
超声检测作为胰腺癌诊断的初筛检查方法，具备简便易行、灵活直观、无创无辐射、可多轴面观察等特点。而AI辅助内窥镜超声（EUS）模型更是被誉为胰腺癌早期检测的重大突破，在胰腺癌诊断中具有重要作用。汪建华告诉记者，曾有业内专家通过对150例被诊断为胰腺癌的患者超声图像进行分割建模，提出了具有深度注意力特征的神经网络模型的深度学习方法，为使用EUS图像的胰腺癌提供了卓越的分割性能。神经网络模型在重叠度、受试者工作特征曲线下面积、灵敏度、特异性和精度方面均表现出优异的分割性能，从而为胰腺癌患者的手术治疗规划提供有效且高效的帮助。
计算机断层扫描（CT）检查具有较好的空间和时间分辨率，是目前检查胰腺最佳的无创影像检查方法，主要用于胰腺癌的诊断、分期及疗效评价。汪建华介绍，2019年，一项研究通过对190例胰腺导管腺癌（PDAC）患者和190例健康的潜在肾捐献者的胰腺动脉期和静脉期图像进行分割，得出的从整个胰腺中提取的放射组学特征可用于区分PDAC患者的CT图像和健康对照受试者的CT图像。在汪建华看来，未来该算法有可能与自动器官分割算法相结合，以自动检测PDAC，为患者进行手术评估奠定较好的基础。
“此外，国内研究者构建了胰腺癌检查模型PANDA。”汪建华说，他们使用来自单个中心的3208例患者的数据集进行训练，之后对6239例患者进行多中心验证，得出PANDA的病灶检测曲线下面积为0.986~0.996。该模型识别的灵敏度比放射科医生的平均表现高出34.1%，特异性高出6.3%。在由20530名患者组成的多场景验证中，该模型病变检测的灵敏度为92.9%，特异性为99.9%。这项研究在使用非造影CT作为输入的PANDA在检测胰腺病变方面实现了高灵敏度和极高的特异性，其准确率明显高于放射科医生在非增强CT检查中的表现。该模型拥有较大的样本数据量，有多中心的外部验证，是胰腺癌在精准诊疗中的重大突破，具有较大的临床转化应用潜力。
辅助疗效评价
胰腺癌内科药物治疗可应用于各个期别的患者，包括可切除和临界可切除患者的术前新辅助/转化治疗、根治术后患者的辅助治疗，以及局部晚期或转移复发患者的治疗。但其疗效预测是临床面临的一大难题。汪建华介绍，一项研究通过对84例接受一线化疗的晚期胰腺癌患者影像及临床信息分析，基于包含放射组学特征和碳水化合物抗原19-9(CA19-9）的多元逻辑回归模型开发列线图，在训练和验证队列中均显示出良好的疗效区分能力。此外，基于CT测量的肿瘤体积相对变化率以及基于CT和磁共振成像（MRI）测量的根据血清葡萄糖水平校正的最大标准摄取值变化率在最佳阈值下评估疗效的敏感度、特异度及曲线下面积的相关研究，也证明了以影像为基础的AI对于胰腺癌患者的化疗效果评估能给临床提供巨大价值。
而与常规治疗相比，光动力疗法（PDT）具有微创、时空选择性高、疗效确切的优点，PDT在不可切除的胰腺肿瘤中提供局部消融，而治疗区周围的组织则接受较低的光剂量，称为光动力启动（PDP）。“聚焦超声消融手术（FUAS）是使用高强度聚焦超声消融治疗设备治疗各类实体良恶性肿瘤，对于手术无法切除的胰腺癌，是一种较好的选择，强调了使用MRI和CT成像结果对接受FUAS的不可切除PDAC患者进行能量效率因素（EEF）预测的价值，与CT相比，加入磁共振成像特征建立的EEF预测模型对不可切除胰腺癌的FUAS治疗具有更好的预测效果。”汪建华告诉记者，基于该模型，可以制定更加准确的给药方案，为进一步优化不可切除胰腺患者的FUAS治疗手段以及评估该手术的疗效提供有价值的参考。
助力生存期预测
由于胰腺癌恶性程度高，因此其生存期的预测也是重要的研究方向。汪建华介绍，通过AI的方法对胰腺癌患者术前术后的影像进行分析，可以建立模型对患者生存期进行评估。“有研究将153例胰腺癌手术切除后的生存时间用于将患者分为低风险组（生存时间大于3年）和高风险组（生存时间小于1年），通过随机生存森林算法估计生存状态和时间，分析得出仅用临床参数如CA-199、肿瘤大小等进行生存预测的一致性指数（C指数）为0.6785，添加CT放射组学特征将C指数提高至0.7414，可见组学特征结合临床数据能提高模型的预测能力。”汪建华说，通过对胰腺癌患者术后生存期的分层分组，能较精准地预测其术后生存期。
医学影像AI技术在胰腺癌精准诊疗中发挥着重要作用，为胰腺癌患者的精准诊断、疗效评价、风险预测、预后判断以及影像组学与病理学相关性等提供了强大的技术支持。汪建华告诉记者，就目前来看，大部分模型仍存在一些不足，样本量过少或者缺乏外部验证等使模型的可行性仍待评估；临床及各种外在因素的存在，使模型仍待完善。“未来，要进一步利用好AI技术，亟需产学研医紧密合作，充分挖掘影像学信息，建立稳定的高质量数据库以及多模态的信息融合的高效能模型，以进一步提高胰腺癌患者的诊疗效果。”汪建华说。
