摘要：胰腺癌恶性程度高、生存率低，早期诊断、早期治疗及早期复发干预是改善其总体预后的关键。随着人工智能的飞速发展，将其运用于胰腺癌的全程化管理、实现胰腺癌的精准医疗是大势所趋。人工智能通过与临床数据、医学图像以及分子生物学结合，在胰腺癌的全程化管理中展现出广阔的应用

作者：梁谭，陈子祥，陈江明，耿小平，刘付宝

文章来源：中华消化外科杂志，2024, 23（11）

摘要

胰腺癌恶性程度高、生存率低，早期诊断、早期治疗及早期复发干预是改善其总体预后的关键。随着人工智能的飞速发展，将其运用于胰腺癌的全程化管理、实现胰腺癌的精准医疗是大势所趋。人工智能通过与临床数据、医学图像以及分子生物学结合，在胰腺癌的全程化管理中展现出广阔的应用前景。笔者就人工智能在胰腺癌诊断与治疗中的应用现状和问题进行简要综述，并讨论其未来的发展方向。

胰腺癌因恶性程度高、生存率低而被称为“癌中之王”，在全世界范围内的5年生存率均≤10%，是全世界第七大癌症死亡原因与第十大常见癌症之一，其最常见的类型是胰腺导管腺癌（pancreatic ductal adenocarcinoma，PDAC） ［ 1 , 2 ］ 。在我国，胰腺癌对国民生命安全产生较大影响，也让公共医疗成本负担加重，而且由于肥胖症、糖尿病患者的增多以及环境污染等因素，胰腺癌的发病率还有继续升高的趋势 ［ 3 , 4 , 5 , 6 ］ 。胰腺癌预后不佳的原因主要是缺乏检测前驱病变的方法，而且早期易发生肿瘤的微转移。减轻疾病负担的关键在于早期筛查、早期治疗与早期复发干预 ［ 7 ］ 。

进入信息化时代之后，人类也在不断追求将人工智能运用至医学领域。其蕴藏的巨大潜力可实现更精准、更高效的诊断与治疗，进而极大程度地改善人类健康，甚至重塑现代医疗的各个环节。机器学习作为人工智能的核心分支，可用于预测影响癌症预后的生存时间、复发风险、转移和治疗反应，也能应用于健康记录、医学影像参数估算、计算机辅助诊断系统开发等方面 ［ 8 , 9 ］ 。机器学习能够整合大量数据，并以非线性和高度交互的方式进行数据分析和预测。深度学习是机器学习的进一步拓展，在面对高维数据时可以发挥更强大的功能 ［ 8 , 9 , 10 ］ 。由此可见，人工智能可以通过对疾病特征大数据的分析提出建议，并给出指导意见辅助临床决策，进而实现精准医疗。这是对现代医疗的强力扩展与加强，同时也符合我国“人工智能+”的战略决策，具有非常广阔的应用前景。在胰腺癌诊治方面，人工智能不仅能应用于基因组学、蛋白组学等基础研究助力探索胰腺癌的发病机理与转归，还可以与临床基线资料、医学图像等多种模态的医疗数据相结合，为早诊早治、预后评估提供帮助。无论是临床研究还是基础研究，人工智能在胰腺癌中的探索都日益增多。尽管成果斐然，但是相关研究也面临着更深层次的争议与挑战。笔者就人工智能在胰腺癌领域的应用现状和面临的问题进行综述，并讨论其未来的发展方向。

一、人工智能在胰腺癌中的研究方式

（一）人工智能与临床基线资料结合

在临床诊断与治疗及随访过程中收集的胰腺癌患者各项基本资料，如年龄、性别、种族、血型、既往史、家族遗传史、生存时间等，是医师实现和优化个体化治疗的基础。将这些基本资料进行系统收集整理后与人工智能结合起来，既能够作为独立的数据支撑模型建立，也可以作为多组学结合的基线资料来优化模型、验证性能。Walczak和Velanovich ［ 11 ］ 将临床变量与人工神经网络算法结合，证实了ANN模型预测胰腺癌患者7个月生存率的准确性，有利于胰腺癌患者的预后风险分层和个体化治疗的开展，进而改善胰腺癌预后。

（二）人工智能与医学图像结合

医学图像包括影像学数据和病理学数据等。影像学图像来源包括EUS、CT、MRI、PET检查等。而病理学检查是肿瘤诊断的金标准，通过对显微镜下细胞核分裂象等微观指标的甄别，区分肿瘤的良恶性、分化程度和浸润范围，以便对肿瘤的进一步治疗。通过图像采集与预处理后，在其中划定感兴趣区域，再对图像进行标准化处理与高通量特征提取进而建立模型，最后将模型进行多方检验评价性能，来完成对胰腺癌的筛查、诊断与治疗及预测复发，这就是人工智能与医学图像结合的常规流程 ［ 12 , 13 ］ 。在影像学中，人工智能与EUS相结合，可在细针穿刺抽吸活组织病理学检查操作过程中，识别需要进一步临床评估或活组织取样的可疑区域，由此可提高穿刺精度，减少获得足够样本所需的穿刺次数，也提高了样本质量，同时将并发症的风险降至最低 ［ 14 ］ 。通过机器学习，可以从医学图像中提取重要特征并建立模型，用于识别并发现胰腺癌早期病变和预测预后，甚至能够反映其基因组学特征 ［ 15 , 16 , 17 ］ 。

（三）人工智能与分子生物学结合

使用具有高度特异性的生物标志物对高危人群进行早期筛查是胰腺癌诊断与治疗的重要方面。寻找生物标志物的方式包括液体活检检测循环肿瘤细胞，与循环游离DNA、甲基化DNA、循环RNA、蛋白质表达相关的基因组学以及免疫学标志物 ［ 18 ］ 。将多种生物标志物通过人工智能分析产生高通量数据并建立模型，能更好地发挥其早期诊断及预测作用。与临床上的单个肿瘤标志物相比，通过机器学习整合多个肿瘤标志物构建的模型有更好的诊断性能 ［ 19 ］ 。

二、人工智能在胰腺癌全程化管理流程中的应用

（一）胰腺癌的早期诊断和鉴别

胰腺癌发现时多为晚期，早期诊断困难是胰腺癌预后不佳的主要因素。近年来，有学者尝试使用人工智能辅助胰腺癌的筛查和诊断，显著提高了效率和精度。Cao等 ［ 20 ］ 采用3 208例真实世界患者的CT平扫检查图像构建胰腺癌早期检测的深度学习模型——人工智能胰腺癌检测模型（简称PANDA模型），其在胰腺癌的诊断和鉴别诊断方面具有较高的准确性，甚至优于专业影像科医师的阅片水平。机器学习模型也可对尚未出现病变的人群进行风险分层，以实现胰腺癌的早期筛查。Placido等 ［ 21 ］ 在国家规模的数据集基础上提取病历代码，训练预测模型，提高了高风险人群的监测水平，通过早期发现胰腺癌，潜在改善了患者的寿命和生命质量。该模型对于近36个月内的癌症发生进行预测，最高的受试者工作特性曲线下面积可以达到0.88。对于已确定存在胰腺病变的患者，同样可以运用深度学习模型对病灶进行鉴别和分类。Kuwahara等 ［ 22 ］ 回顾性分析接受EUS治疗的患者，使用深度学习架构开发可以区分胰腺癌和非癌性胰腺病变的模型，并获得可靠的诊断性能。

此外，人工智能还可被用于针对胰腺癌前驱疾病的研究。胰腺囊性病变在人群中的发病率越来越高，早期进行风险分层，判断其良恶性具有很高的临床价值。PDAC是一类常见的胰腺癌，通常首先表现为癌前病变。PDAC的3种癌前病变包括胰腺上皮内瘤变、导管内乳头状黏液瘤和黏液囊性肿瘤 ［ 23 , 24 ］ 。Flammia等 ［ 25 ］ 研究基于MRI检查的影像组学模型来识别分支导管-导管内乳头状黏液瘤恶变风险相关的特征，旨在更大程度预测其恶变潜力。Kurita等 ［ 26 ］ 利用囊肿液进行CEA、细胞学指标分析，建立深度学习模型，提高对胰腺囊性肿瘤的良恶性鉴别能力。

（二）胰腺癌的手术治疗

手术治疗是胰腺癌最主要的治疗方式，其手术通常涉及胃十二指肠动脉、胰十二指肠下动脉以及肝周围动静脉等。准确识别肿瘤与周围器官和血管的关系，并合理规划切除范围，可以提高胰腺癌的R 0切除率和手术总体质量。Zou等 ［ 27 ］ 提出一种胰周血管自动分割和标记框架，不仅极大提高了胰周血管的分割性能，而且可以高效地识别胰周动脉分支，有利于手术规划。人工智能辅助下的三维手术模拟可以针对术中关键解剖部位进行更加细致地识别与定位，有望辅助术者进行更精准的操作，进而保障手术的安全性和有效性。

参考文献【略】

平台合作联系方式

电话：010-51322375

邮箱：cmasurgery@163.com

普外空间订阅号

普外空间CLUB服务号

普外空间视频号

普外空间小助手

来源：普外空间