Large-scale pancreatic cancer detection via non-contrast CT and deep learning - PubMed (nih.gov)

实验团队：海军军医大学第一附属医院（上海长海医院），放射诊断科曹凯主治医生为共同第一作者，邵成伟、陆建平等教授为共同通讯作者的“平扫CT联用人工智能大规模检测胰腺癌的研究”，在国际顶级医学期刊《自然医学》（Nature Medicine，2022影响因子IF=82.9）以原创论著形式正式发表。

技术路线

PANDA模型

作者建立了一个深度学习模型PANDA，该模型由三个网络阶段的级联组成。

第一阶段：涉及胰腺定位，使用 nnU-Net 模型。

第二阶段：进行病灶检测，我们构建卷积神经网络（CNNs）和分类头，以区分非增强CT中病灶的细微纹理变化。作者调整了第 2 阶段模型，以在训练集的交叉验证中实现 99% 的病变检测特异性，以减少假阳性预测。

第三阶段：涉及胰腺病变的鉴别诊断，如果在第二阶段检测到任何异常，则与辅助记忆变压器分支相结合自动编码胰腺病变的特征原型，如局部纹理、位置和胰腺形状，以便更准确地进行细粒度分类。

作者用三个任务评估PANDA模型的效能：第一项任务是病变检测：即病变与正常，其中还包括按病变类型和癌症分期分层的检出率。第二项任务是初步诊断：PDAC与非PDAC与正常，其中还包括评估一个与其他诊断，例如，PDAC识别（PDAC与非PDAC+正常）。第三项任务是鉴别诊断：即对PDAC和7种非PDAC病变（胰腺神经内分泌肿瘤（PNET），实体假状肿瘤（SPT），导管内状粘液性肿瘤（IPMN），粘液性囊性肿瘤（MCN），浆液性囊性肿瘤（SCN），慢性胰腺炎和“其他”）亚型进行分类。

---

验证评估

---

结果

人工智能胰腺癌检测（PANDA），它能通过非对比CT高精度地检测胰腺病变并对其进行分类。PANDA 是在一个中心的 3208 名患者的数据集上进行训练的。在一项涉及 10 个中心 6,239 名患者的多中心验证中，PANDA 的病变检测接收器操作特征曲线下面积 (AUC) 达到 0.986-0.996；在 PDAC 识别方面，PANDA 的灵敏度和特异度分别比放射科医生的平均值高出 34.1% 和 6.3%；在一项由 20,530 名连续患者组成的真实世界多场景验证中，PANDA 的病变检测灵敏度和特异度分别达到 92.9% 和 99.9%。值得注意的是，在区分常见胰腺病变亚型方面，PANDA 与非对比 CT 结合使用显示出不逊于放射学报告（使用对比增强 CT）。PANDA 有可能成为大规模胰腺癌筛查的新工具。

详细见原文献：

1：Large-scale pancreatic cancer detection via non-contrast CT and deep learning