陳鑫龍，葉凱，周文策

1.蘭州大學(xué)第一臨床醫(yī)學(xué)院，甘肅蘭州 730013；2.蘭州大學(xué)第一醫(yī)院普外科，甘肅蘭州 730013；3.蘭州大學(xué)信息科學(xué)與工程學(xué)院，甘肅蘭州 730000；4.蘭州大學(xué)第二醫(yī)院普外科，甘肅蘭州 730030

前言

胰腺是由外分泌組織與內(nèi)分泌組織共同組成的器官，在消化與代謝中起到重要作用［1］。胰腺疾病主要包括胰腺炎癥、胰腺惡性腫瘤以及胰腺囊性疾病等。急性胰腺炎（Acute Pancreatitis,AP）是最常見(jiàn)的急腹癥之一，其病情變化多樣，程度輕重不等，重癥患者會(huì)出現(xiàn)各類并發(fā)癥，甚至導(dǎo)致休克、死亡［2］。慢性胰腺炎癥（Chronic Pancreatitis, CP）由于纖維化改變導(dǎo)致胰腺內(nèi)外分泌功能紊亂，目前仍以對(duì)癥治療為主［1］。胰腺占位主要包括胰腺良性和交界性或低度惡性腫瘤［2-3］，高度惡性的腫瘤則以胰腺導(dǎo)管上皮癌（Pancreatic Ductal Adenocarcinoma, PDAC）為主［4］。良性腫瘤及部分交界性腫瘤可以長(zhǎng)期隨訪觀察，惡性腫瘤與分化差的腫瘤則需要進(jìn)一步治療，術(shù)前合并癥、腫瘤分型及是否R0切除、術(shù)后并發(fā)癥對(duì)于患者的預(yù)后有重要影響［5-6］。

人工智能（Artificial Intelligence,AI）是一種通過(guò)建立數(shù)學(xué)模型對(duì)數(shù)據(jù)進(jìn)行分析并解決實(shí)際問(wèn)題的方法，可以自動(dòng)學(xué)習(xí)并識(shí)別數(shù)據(jù)，主要應(yīng)用于探究各類因素間的復(fù)雜非線性關(guān)系。醫(yī)學(xué)問(wèn)題正是多種因素相互影響的復(fù)雜問(wèn)題，因此AI 在分析醫(yī)學(xué)問(wèn)題方面大有前景［7-8］。AI 主要通過(guò)機(jī)器學(xué)習(xí)（Machine Learning, ML）中的傳統(tǒng)統(tǒng)計(jì)方法與深度學(xué)習(xí)（Deep Learning, DL）方法解決醫(yī)療領(lǐng)域的難題。ML 是指系統(tǒng)通過(guò)輸入數(shù)據(jù)而不涉及形成問(wèn)題進(jìn)行學(xué)習(xí)，醫(yī)學(xué)方面常用的傳統(tǒng)統(tǒng)計(jì)方法模型有：支持向量機(jī)（Support Vector Machines,SVM）、隨機(jī)森林（Random Forests, RF）、Logistic 回歸、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network,ANN）等以最大似然法為基礎(chǔ)的模型；DL 則是利用模型、分析數(shù)據(jù)獲得更高級(jí)別的特征，并根據(jù)特征分析得出結(jié)果，能夠?qū)?shù)據(jù)中非常復(fù)雜的關(guān)系進(jìn)行建模，最常用的DL 方法是卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks, CNN）、生成對(duì)抗模型（Generative Adversarial Network, GAN）等［9-11］。雖然AI 在胰腺疾病診療方面處于起步階段，但已展現(xiàn)出在診斷、治療、疾病預(yù)后等方面的廣闊前景，并為精準(zhǔn)醫(yī)學(xué)發(fā)展、個(gè)體化治療提供一條明確、可行的道路。本文將通過(guò)描述AI在胰腺疾病診療中的應(yīng)用進(jìn)展，為建立新型診療模式提供新思路。

1 AI與胰腺炎癥

1.1 AI與AP

AP是一種常見(jiàn)的消化系統(tǒng)疾病，是由膽石癥、高甘油三酯血癥和飲酒等多種病因引發(fā)胰腺腺泡細(xì)胞內(nèi)胰蛋白酶的過(guò)早激活，導(dǎo)致胰腺及周圍組織自我消化，出現(xiàn)胰腺局部水腫、出血甚至壞死的炎癥反應(yīng)［12］。臨床工作中關(guān)于AP 的嚴(yán)重程度及病情轉(zhuǎn)歸預(yù)測(cè)包括Ranson評(píng)分、Glasgow評(píng)分、APACHEⅡ評(píng)分等，但是這些評(píng)分系統(tǒng)的一個(gè)顯著問(wèn)題是它們會(huì)隨著臨床信息的變化而出現(xiàn)誤差［13］。C反應(yīng)蛋白、血尿淀粉酶、脂肪酶以及血細(xì)胞比容、尿液中胰蛋白酶原激活肽等標(biāo)志物對(duì)于AP 雖然有預(yù)測(cè)作用［14-15］，但是與現(xiàn)有評(píng)分標(biāo)準(zhǔn)聯(lián)系并不緊密。由于ANN以非線性方式工作，可以更好地利用現(xiàn)有數(shù)據(jù)描述風(fēng)險(xiǎn)因素之間的相互作用，因此它們是傳統(tǒng)評(píng)分系統(tǒng)的良好的替 代方 案［16］。Pearce［13］使用ML 模型 同時(shí) 納 入APACHEⅡ評(píng)分系統(tǒng)數(shù)據(jù)與C反應(yīng)蛋白數(shù)據(jù)，用于AP嚴(yán)重程度及病程預(yù)測(cè)。Andersson［17］首次納入“到達(dá)急診科前的疼痛持續(xù)時(shí)間”這一特征參數(shù)以及AP 病人入院時(shí)基線資料建立ANN模型預(yù)測(cè)轉(zhuǎn)歸為重癥的可能性，兩者均證明與AI 相結(jié)合預(yù)測(cè)模型效能優(yōu)于傳統(tǒng)評(píng)分。

1.2 AI 與重癥急性胰腺炎（Severe Acute Pancreatitis，SAP）

20%～25%的AP 患者會(huì)進(jìn)展為SAP。在SAP 進(jìn)展過(guò)程中，腹腔感染起著重要作用，而且也是決定患者預(yù)后的重要因素之一［18-20］。臨床實(shí)踐中AP患者是否并發(fā)腹腔感染常根據(jù)白細(xì)胞計(jì)數(shù)、中性粒細(xì)胞百分比和C 反應(yīng)蛋白等實(shí)驗(yàn)室檢查判斷，但是后者在SAP患者中普遍升高，很難將其用作確定是否存在腹腔內(nèi)感染的指標(biāo)［21］。Qiu 等［22］通過(guò)分析炎癥和凝血參數(shù)并使用Logistic 回歸模型（Logistic Regression Model,LRM）和ANN 模型構(gòu)建預(yù)測(cè)早期腹腔內(nèi)感染的可靠且實(shí)用的模型，及時(shí)預(yù)測(cè)AP 的嚴(yán)重程度與進(jìn)展為SAP的可能。

約20%的SAP 患者會(huì)出現(xiàn)器官功能衰竭（Organ Failure,OF），并且有30%的OF 患者死亡，但是在OF發(fā)生之前，很難預(yù)測(cè)SAP 的最終臨床結(jié)局［23］。Xu等［24］通過(guò)收集多中心數(shù)據(jù)并使用6 種不同ML 模型對(duì)數(shù)據(jù)進(jìn)行重復(fù)驗(yàn)證，不同模型之間進(jìn)行內(nèi)部驗(yàn)證并建立預(yù)測(cè)性能良好的多器官功能衰竭（Multiple Organ Failure,MOF）預(yù)測(cè)模型。

SAP同樣會(huì)導(dǎo)致多種并發(fā)癥，這些并發(fā)癥大多會(huì)導(dǎo)致嚴(yán)重后果，因此預(yù)測(cè)并發(fā)癥的發(fā)生也是AI 與臨床實(shí)踐結(jié)合的重點(diǎn)［25］。門靜脈血栓形成（Portal Vein Thrombosis, PVT）是AP 的血管并發(fā)癥之一，PVT 可以累及所有門脈分支［26］，并產(chǎn)生局限性門靜脈高壓，導(dǎo)致胃或食管靜脈曲張出血。它還可能導(dǎo)致患者肝衰竭、腹水、住院時(shí)間延長(zhǎng)、死亡率升高［27］。Fei［28-29］分別通過(guò)徑向基函數(shù)（Radical Basis Function, RBF）模型與反向傳播（Back Propagation, BP）模型預(yù)測(cè)PVT，并證明兩者效能均優(yōu)于傳統(tǒng)Logistic回歸分析。SAP 患者在入院早期死亡率的預(yù)測(cè)一直未進(jìn)行深入研究，應(yīng)用單因素及多因素Logistic回歸分析及ANN模型結(jié)合后構(gòu)建僅有4個(gè)危險(xiǎn)因素的AP早期死亡率的預(yù)測(cè)模型，其預(yù)測(cè)效能不劣于具有14 個(gè)危險(xiǎn)因素的APACHEⅡ評(píng)分［30］。Keogan 等［31］通過(guò)CT 圖像特征、臨床數(shù)據(jù)及實(shí)驗(yàn)室檢查訓(xùn)練新的ANN 模型預(yù)測(cè)AP 患者嚴(yán)重程度，該模型在預(yù)測(cè)受試者是否會(huì)超過(guò)平均住院時(shí)間方面優(yōu)于傳統(tǒng)評(píng)分系統(tǒng)。AI與臨床數(shù)據(jù)相結(jié)合會(huì)提升關(guān)于AP 患者疾病嚴(yán)重程度、并發(fā)癥發(fā)生率和死亡率的預(yù)測(cè)效率，然而一些研究顯示出相互矛盾的結(jié)果，并且大多數(shù)算法僅與現(xiàn)有評(píng)分系統(tǒng)或模型之間進(jìn)行效能對(duì)比，而沒(méi)有在外部數(shù)據(jù)集上得到驗(yàn)證，因此，建立具有外部驗(yàn)證數(shù)據(jù)集的新型AI模型是進(jìn)一步研究的重點(diǎn)［13,17,32-33］。

1.3 AI 與自身免疫性胰腺炎（Autoimmune Pancreatitis,AIP）

AIP 是一種自身免疫性疾病，以淋巴細(xì)胞浸潤(rùn)與纖維化為主，臨床表現(xiàn)上會(huì)出現(xiàn)無(wú)痛性黃疸，影像學(xué)上也會(huì)出現(xiàn)“血管侵犯”的表現(xiàn)［34-35］，通過(guò)血清學(xué)以及影像學(xué)僅能鑒別出70%的AIP 患者，僅在57.7%的AIP 患者可以通過(guò)超聲內(nèi)鏡引導(dǎo)下的細(xì)針穿刺活檢（Endoscopic Ultrasonography-Fine Needle Aspiration,EUS-FNA）明確診斷。如何診斷AIP 并與PDAC 等惡性疾病相鑒別一直是臨床實(shí)踐的重點(diǎn)及難點(diǎn)［36］?，F(xiàn)代CNN 通過(guò)使用AIP、PDAC、正常胰腺、CP 的EUS圖像進(jìn)行分析并輔助鑒別診斷，不僅防止PDAC的漏診與誤診，而且及時(shí)指導(dǎo)醫(yī)師應(yīng)用免疫抑制劑或激素治療阻止AIP進(jìn)展為CP［37］。

1.4 AI 與復(fù)發(fā)性急性胰腺炎（Recurrent Acute Pancreatitis,RAP）

RAP 是指AP 兩次或兩次以上發(fā)作，發(fā)作之間疾病接近或完全緩解。17%～22%診斷為AP 的患者將來(lái)會(huì)復(fù)發(fā)，高達(dá)36% 的RAP 患者最終會(huì)進(jìn)展為CP［38-40］。目前的干預(yù)措施并未證明能有效減少?gòu)?fù)發(fā)，因此準(zhǔn)確預(yù)測(cè)RAP 的發(fā)病并將其與其他腹部疾病進(jìn)行鑒別，避免其進(jìn)展為CP 尤為重要［41-43］。通過(guò)將CT 影像特征納入等距特征映射方法（ISOMAP）SVM 訓(xùn)練，成功將功能性腹痛、RAP 與CP 三者鑒別［32］。Chen 等［44］選擇將AP 患者影像組學(xué)中的特征像素按照7：3 隨機(jī)分配到訓(xùn)練集及驗(yàn)證集中，使用Logistic回歸分析及SVM 預(yù)測(cè)AP的復(fù)發(fā)率及相關(guān)的危險(xiǎn)因素。AI適用于解決胰腺炎癥中各種非線性的復(fù)雜問(wèn)題，不僅提高了原先診療模式下的準(zhǔn)確度，降低誤診率，同時(shí)也為胰腺炎癥新型診療模式的建立提供新思路。

2 AI與胰腺腫瘤

2.1 AI 與胰腺囊性腫瘤（Pancreatic Cystic Neoplasms,PCN）

PCN 主要包括導(dǎo)管內(nèi)乳頭狀黏液瘤（Intraductal Papillary Mucinous Neoplasm,IPMN）、漿液性囊腺瘤（Serous Cystic Neoplasm, SCN）和黏液性囊腺瘤（Mucinous Cystic Neoplasm,MCN）、實(shí)性假乳頭腫瘤（Solid Papillary Neoplasm, SPN）4 類［2］，IPMN、SPN、MCN 是胰腺惡性腫瘤的癌前病變［45］，其中以侵犯主胰管的IPMN惡變率最高，達(dá)70%［46］，因 此Kuwahara［47］將已確診IPMN患者的EUS圖像輸入CNN 進(jìn)行訓(xùn)練，預(yù)測(cè)模型準(zhǔn)確率達(dá)94%，遠(yuǎn)遠(yuǎn)優(yōu)于人為診斷與傳統(tǒng)Logistic 回歸分析，做到及時(shí)、精確診斷癌前病變，避免其進(jìn)展為惡性腫瘤。許多研究利用PCN 的CT、MR 影像學(xué)特征或放射組學(xué)數(shù)據(jù)，通過(guò)ML 算法建立出具有優(yōu)異的鑒別、預(yù)測(cè)效能的模型，展現(xiàn)出AI在診斷囊性腫瘤方面優(yōu)于傳統(tǒng)診斷方法的準(zhǔn)確性以及很大的潛力，不僅可以鑒別囊性病變的性質(zhì)，同時(shí)也可以鑒別出不同亞型，根據(jù)這些結(jié)果選擇手術(shù)，或密切隨訪，制定出適合每一位患者的治療措施［3,48-54］。Kruita 等［2］將手術(shù)及EUS-FNA 獲得的囊液進(jìn)行腫瘤標(biāo)志物以及淀粉酶檢測(cè)，通過(guò)DL 模型進(jìn)行學(xué)習(xí)、驗(yàn)證，并最終與現(xiàn)實(shí)結(jié)果進(jìn)行對(duì)比，證明AI診斷模型對(duì)惡性和良性囊性病變高度敏感，可用于排除惡性胰腺囊性病變。

AI 算法不僅可以處理臨床資料或影像學(xué)數(shù)據(jù)，也可以將兩種數(shù)據(jù)結(jié)合，進(jìn)一步提升ML 模型的適用范圍及準(zhǔn)確性。最近的研究表明生物標(biāo)志物微小核糖核酸（miRNA）具有區(qū)分良性與高風(fēng)險(xiǎn)PCN 的潛力［55-56］，因此可以將腫瘤的影像學(xué)特征與miRNA 相結(jié)合預(yù)測(cè)囊性腫瘤如IPMN 的惡性潛能，對(duì)術(shù)后患者的血漿及組織進(jìn)行全基因組miRNA 分析，根據(jù)術(shù)后診斷篩選出特異性miRNA，并分組收集組內(nèi)不同患者的CT 影像學(xué)特征，兩類變量相結(jié)合預(yù)測(cè)IPMN 的惡變風(fēng)險(xiǎn)，及時(shí)進(jìn)行手術(shù)治療，避免其進(jìn)展為惡性腫瘤［57］。

2.2 AI 與胰腺神經(jīng)內(nèi)分泌腫瘤（Pancreatic Neuroendocrine Tumors,pNETs）

pNETs占整個(gè)消化道神經(jīng)內(nèi)分泌腫瘤的12%［58］。腫瘤的分級(jí)取決于Ki67指數(shù)和有絲分裂計(jì)數(shù)。為了幫助病理學(xué)家捕捉可能遺漏的切片中腫瘤組織位點(diǎn)，Niazi 等［59-60］將Ki67 抗體染色的活檢的圖像標(biāo)記為像素點(diǎn)通過(guò)CNN模型區(qū)別為腫瘤區(qū)域和非腫瘤區(qū)域，利用轉(zhuǎn)移學(xué)習(xí)強(qiáng)化模型區(qū)分切片中腫瘤和非腫瘤區(qū)域的能力，減少病理科醫(yī)師的工作量并避免漏診。不同分級(jí)的pNETs 在臨床實(shí)踐中的處理原則截然不同，其中G1/2 組可以進(jìn)行胰腺部分切除術(shù)，而G3 組為了改善預(yù)后，常進(jìn)行包括根治性手術(shù)切除和系統(tǒng)化療在內(nèi)的綜合治療策略［61-62］。Luo 等［63］分別使用DL 算法中的CNN 模型與傳統(tǒng)ML 模型學(xué)習(xí)不同分級(jí)患者術(shù)前的增強(qiáng)CT 圖像，并進(jìn)行訓(xùn)練、驗(yàn)證、對(duì)比，證明CNN 模型在術(shù)前判斷腫瘤分級(jí)及預(yù)后方面均更加吻合于臨床真實(shí)情況。Gao 等［64］利用GAN訓(xùn)練不同分級(jí)腫瘤的核磁圖像，并在擴(kuò)充訓(xùn)練集中加入CNN 模型，有效避免了CNN 模型過(guò)度擬合的問(wèn)題，最后進(jìn)行交叉驗(yàn)證提高CNN模型的準(zhǔn)確度。

pNETs在影像學(xué)上多表現(xiàn)為血管富集狀態(tài)，這一發(fā)現(xiàn)表明腫瘤具有豐富的毛細(xì)血管網(wǎng)，并且最近的研究表明微血管密度與腫瘤預(yù)后密切相關(guān)［65-66］。Chen等［67］利用EUS圖像描述不同患者的血管富集情況，通過(guò)多種ML 模型學(xué)習(xí)訓(xùn)練，進(jìn)而設(shè)計(jì)一個(gè)具有預(yù)測(cè)腫瘤分級(jí)與預(yù)后的血管結(jié)構(gòu)分析模式。手術(shù)切除是徹底治療pNETs 的唯一方式，但是不同分級(jí)腫瘤術(shù)后復(fù)發(fā)率不同，術(shù)后整體復(fù)發(fā)率高，術(shù)后監(jiān)測(cè)方面幾乎沒(méi)有共識(shí)。目前國(guó)際上大多數(shù)指南建議在根治性手術(shù)后的前3～5年進(jìn)行合理的強(qiáng)化隨訪，并至少隨訪7年［68-70］。因此，Song 等［71］收集患者術(shù)前CT 影像學(xué)資料并使用深度學(xué)習(xí)放射組學(xué)（Deep Learning Radiomics, DLR）模型提取特征進(jìn)行驗(yàn)證，并將臨床指標(biāo)添加到優(yōu)化模型中再次進(jìn)行交叉驗(yàn)證，成功預(yù)測(cè)患者術(shù)后的復(fù)發(fā)率并制定個(gè)體化的隨訪計(jì)劃。

2.3 AI與胰腺癌（Pancreatic Cancer,PC）

PC 是預(yù)后最差的癌癥之一［72］。在中國(guó)，PC 是死亡率最高的惡性腫瘤，早期發(fā)現(xiàn)是增加生存機(jī)會(huì)最有希望的方法［73］。如何早期診斷PC 一直是胰腺外科的重點(diǎn)與難點(diǎn)，尤其是當(dāng)患者不存在或者僅有輕微癥狀，影像學(xué)僅發(fā)現(xiàn)細(xì)微病變時(shí)。目前已經(jīng)有很多通過(guò)改良影像學(xué)技術(shù)以提升PC 檢出率的研究［74-76］，但是將AI 與CT 圖像相結(jié)合輔助診斷的研究還比較少。目前主要采用的研究方式是首先獲得CT圖像中具有診斷意義的區(qū)域，使用紋理分析方法提取定量特征，考慮到總體樣本量較小，因此Qiu［77］選用線性SVM 模型進(jìn)行交叉驗(yàn)證并訓(xùn)練，Si［78］則選用深度殘差網(wǎng)絡(luò)模型（ResNet）進(jìn)行訓(xùn)練驗(yàn)證，Liu 等［79］在CNN 模型學(xué)習(xí)訓(xùn)練的基礎(chǔ)上與臨床資料、手術(shù)資料相結(jié)合，使得后者的診斷效能優(yōu)于前兩者，Liu 的參數(shù)訓(xùn)練集較前兩者更為豐富，雖然SVM 是一種有效的小樣本學(xué)習(xí)方法，但并不適合用于線性關(guān)系的分析。PC的發(fā)病情況在既往研究中證明與年齡有密切關(guān)系，隨著年齡增長(zhǎng)，發(fā)病率也逐漸增高［72］。Rajan等［80］通過(guò)前瞻性收集不同年齡階段人群EUS 圖像，證明隨著年齡增長(zhǎng)，胰腺形態(tài)越容易發(fā)生變化。Ozkan［81］進(jìn)一步分年齡段收集PDAC 患者與正常人群的EUS 圖像并提取合適特征，使用ANN 模型進(jìn)行學(xué)習(xí)訓(xùn)練，其準(zhǔn)確性及特異性均優(yōu)于將年齡統(tǒng)一對(duì)比的模型。因此，根據(jù)年齡分組訓(xùn)練可以提高診斷模型整體的性能，也更符合臨床診療的思路。在使用EUS 診斷PC 時(shí)，操作者的經(jīng)驗(yàn)和主觀因素對(duì)EUS診斷結(jié)果有較大影響［82］，尤其是在并發(fā)CP 的PC 患者中。Zhu 等［83］利用SVM 系統(tǒng)具有良好泛化能力并適合管理有限樣本量簡(jiǎn)單分類問(wèn)題的特點(diǎn)，將PC 患者與CP 患者EUS 圖像按2:1 納入樣本并采集特異區(qū)域，通過(guò)SVM 進(jìn)行學(xué)習(xí)驗(yàn)證并建立鑒別CP 與PC 的預(yù)測(cè)模型，Zhang［82］通過(guò)將正常人群、CP 患者、PC 患者EUS 圖像同時(shí)納入樣本并進(jìn)行SVM 學(xué)習(xí)訓(xùn)練，雖然樣本總量小于前者，但其模型的敏感度與特異性均優(yōu)于前者，證明預(yù)測(cè)模型的效能會(huì)隨分組增多而提升。Das［84］通過(guò)ANN 模型分組訓(xùn)練NP、CP、PC 的EUS 圖像數(shù)據(jù)，雖然樣本量大于Zhang 的研究，但是其預(yù)測(cè)模型效能僅與Zhu 的模型相當(dāng)，說(shuō)明SVM 的泛化能力優(yōu)于ANN 模型，更適于對(duì)小樣本數(shù)據(jù)進(jìn)行診斷鑒別。

AI 除了通過(guò)與影像學(xué)相結(jié)合提升診斷準(zhǔn)確率，也可以通過(guò)血清學(xué)檢驗(yàn)指標(biāo)提高惡性腫瘤的診斷能力。既往關(guān)于多種血清學(xué)標(biāo)記物聯(lián)合診斷的研究結(jié)果表明雖然聯(lián)合診斷靈敏性升高，但是特異性會(huì)降低［85-86］，與計(jì)算機(jī)算法結(jié)合后會(huì)有效避免這類情況的發(fā)生。Yang 等［87］利用多種PC 特異血清學(xué)標(biāo)記物通過(guò)ANN 分組進(jìn)行訓(xùn)練驗(yàn)證，證明ANN 模型在敏感性、特異性和準(zhǔn)確率方面均優(yōu)于傳統(tǒng)Logistics回歸模型。隨著細(xì)胞外小泡（Extracellular Vehicles，EVs）研究的深入，發(fā)現(xiàn)EVs 中的長(zhǎng)鏈RNA（EV long RNAs，exLRs）與腫瘤進(jìn)展、腫瘤分型有關(guān)，并在癌細(xì)胞中富集［88-91］，但是與PC 的關(guān)系尚未明確。Yu 等［92］收集PDAC 患者、CP 患者以及正常人群血漿進(jìn)行exLRs測(cè)序及通路分析，顯示exLRs 在mTOR 信號(hào)通路和VEGF 信號(hào)通路等與PC 密切相關(guān)的通路中富集，選取特異的exLR 標(biāo)記作為算法數(shù)據(jù)集并使用SVM 算法學(xué)習(xí)訓(xùn)練，分別進(jìn)行內(nèi)部及外部驗(yàn)證，最終得出以特異型exLR 為數(shù)據(jù)變量的診斷模型，可用于早期預(yù)測(cè)PDAC并進(jìn)行鑒別診斷。

既往研究表明未經(jīng)治療的PC患者中位生存期約為3.5 個(gè)月，5年生存率僅為10%［72］。針對(duì)PC 預(yù)后的預(yù)測(cè)，Walczak［6］通過(guò)基于ANN 算法的模型，用于各種治療決策，包括觀察、輔助治療、切除和切除聯(lián)合輔助治療，盡可能使患者獲益。Chakraborty［93］利用從治療前CT 掃描中提取的紋理圖像特征進(jìn)行最小冗余最大相關(guān)性以及樸素貝葉斯算法提取紋理特征并進(jìn)行交叉驗(yàn)證，以預(yù)測(cè)PC 患者的2年生存率，優(yōu)化患者治療方案選擇。淋巴結(jié)陽(yáng)性率一直是臨床實(shí)踐中關(guān)于腫瘤預(yù)后的一個(gè)很重要的判斷因素［94］。淋巴結(jié)比率（Lymph Node Ratio，LNR）是指陽(yáng)性淋巴結(jié)除以檢驗(yàn)的淋巴結(jié)總數(shù)，在食管癌、胃癌、結(jié)腸癌、乳腺癌、PC 等腫瘤預(yù)后預(yù)測(cè)方面具有重要作用［95-97］。Smith［98］由此設(shè)計(jì)兩個(gè)使用交互式貝葉斯算法的模型，即通過(guò)術(shù)后患者的腫瘤病理與TM 分級(jí)預(yù)測(cè)LNR，并根據(jù)術(shù)后病理驗(yàn)證模型準(zhǔn)確性，再利用前者的樣本結(jié)合患者基線資料與腫瘤病理、是否行放射治療等數(shù)據(jù)預(yù)測(cè)患者預(yù)后并取得優(yōu)異的預(yù)測(cè)效能。雖然僅通過(guò)實(shí)驗(yàn)室檢查、術(shù)后的病理情況［99］或影像學(xué)資料［100］可以設(shè)計(jì)出優(yōu)秀的預(yù)測(cè)模型，但是納入多種類型的數(shù)據(jù)進(jìn)行分析或許能有效提高模型的準(zhǔn)確性。Kaissis［101］回顧性收集PDAC 患者的MRI圖像特征與臨床數(shù)據(jù)，并與實(shí)驗(yàn)室檢查相結(jié)合，通過(guò)RF算法監(jiān)督學(xué)習(xí)，最終模型預(yù)測(cè)生存曲線與患者的實(shí)際生存時(shí)間幾乎完全重疊，說(shuō)明多種類型數(shù)據(jù)與正確的算法相結(jié)合可以極大提高模型效能。

胰腺術(shù)后并發(fā)癥一直是臨床治療的重點(diǎn)和難點(diǎn)，權(quán)威機(jī)構(gòu)的臨床指南仍是各大醫(yī)療中心通過(guò)不斷地總結(jié)治療經(jīng)驗(yàn)，歸納各類風(fēng)險(xiǎn)預(yù)測(cè)評(píng)分并進(jìn)行改良，但是其準(zhǔn)確性會(huì)隨著臨床治療而產(chǎn)生變化［102］，而將AI應(yīng)用于術(shù)后并發(fā)癥預(yù)測(cè)則體現(xiàn)出很大的研究潛力。術(shù)后手術(shù)部位的感染（Surgical Site Infections,SSIs）不僅影響胰腺術(shù)后患者的恢復(fù)，同時(shí)也是所有外科醫(yī)生共同面對(duì)的問(wèn)題。目前，多項(xiàng)研究使用ML算法模型進(jìn)行數(shù)據(jù)分析學(xué)習(xí)，術(shù)前數(shù)據(jù)作為算法輸入，術(shù)后治療方案用于確定是否發(fā)生術(shù)后感染，最后通過(guò)單一算法或多種算法結(jié)合構(gòu)建新的算法模型預(yù)測(cè)術(shù)后感染發(fā)生率［103,104］。胰腺術(shù)后并發(fā)癥以術(shù)后胰瘺（Postoperative Pancreatic Fistula,POFF）最為危險(xiǎn)，并且是導(dǎo)致術(shù)后死亡的最大危險(xiǎn)因素［102,105］，預(yù)防POFF 也是外科醫(yī)生術(shù)后優(yōu)先關(guān)注的問(wèn)題。Han等［106］回顧1 769 位進(jìn)行過(guò)胰十二指腸切除術(shù)的病人并提取出38 個(gè)臨床變量，通過(guò)PF 和ANN 算法分別學(xué)習(xí)與訓(xùn)練，最后兩種算法模型結(jié)合設(shè)計(jì)了臨床決策工具預(yù)測(cè)POFF。既往的研究表明胰腺組織的彈性模量與POFF 關(guān)系密切［107-110］。Kambakamba［111-112］將胰瘺患者與無(wú)胰瘺患者1：1納入研究，將這些患者術(shù)前的胰腺影像學(xué)紋理特征與胰瘺風(fēng)險(xiǎn)評(píng)分（Fistula Risk Score,FRS）相結(jié)合，通過(guò)ML算法分析驗(yàn)證建議預(yù)測(cè)模型。Mu 等［113］則是將所有的胰腺術(shù)后患者各項(xiàng)臨床數(shù)據(jù)及CT 圖像納入研究，通過(guò)DL 訓(xùn)練，設(shè)計(jì)出胰瘺風(fēng)險(xiǎn)預(yù)測(cè)模型。兩個(gè)研究得出的預(yù)測(cè)模型效能均優(yōu)于FRS評(píng)分。

交界性可切除與不可切除PC 患者得到R0 切除的比例隨著新輔助治療、MDT 模式概念的提出越來(lái)越高。目前AI 已應(yīng)用于多種腫瘤新輔助治療，評(píng)估治療療效并預(yù)測(cè)預(yù)后［114-117］。De Geus 與Sharma［118-119］均通過(guò)決策分析方法證明基于新輔助治療的管理改善了交界可切除PC 患者的預(yù)后，但是這些決策分析由于整體樣本量很少，納入的變量有限，其效能值得懷疑，因此需要大量數(shù)據(jù)與AI相結(jié)合，制定效能優(yōu)良的預(yù)測(cè)模型，并在臨床實(shí)踐中為每一位患者制定個(gè)體化的化療方案及手術(shù)選擇。

3 總結(jié)與展望

在過(guò)去的10年里，AI在普外科領(lǐng)域取得了巨大進(jìn)展，本文主要概述了AI在胰腺疾病方面的應(yīng)用。過(guò)去雖然取得了重大進(jìn)步，但是為了實(shí)現(xiàn)胰腺疾病精準(zhǔn)醫(yī)療，還有許多困難需要解決。需要臨床醫(yī)生充分發(fā)揮各個(gè)學(xué)科優(yōu)勢(shì)，通過(guò)收集和處理臨床資料，建立穩(wěn)定準(zhǔn)確的數(shù)據(jù)庫(kù)。臨床實(shí)踐及診療思路不是簡(jiǎn)單的從數(shù)據(jù)到結(jié)果的過(guò)程，這就要求研究人員提出與醫(yī)生臨床思維類似、具有更強(qiáng)的可解釋性的算法。同時(shí)，AI應(yīng)該與研究人員及科學(xué)家的工作相結(jié)合，利用AI技術(shù)處理生物醫(yī)學(xué)領(lǐng)域問(wèn)題，將宏觀與微觀相結(jié)合，將臨床資料與組學(xué)資料相結(jié)合。AI技術(shù)并不能代替醫(yī)生進(jìn)行決策，但是可以在減少醫(yī)療繁瑣工作的同時(shí)改進(jìn)目前的診療模式，以實(shí)現(xiàn)個(gè)性化醫(yī)療。