摘要：胰腺癌是消化系統(tǒng)常見的惡性腫瘤，早期診斷率低，手術(shù)病死率高，治愈率低，總體預(yù)后差。近年來，隨著人工智能在醫(yī)學(xué)領(lǐng)域的不斷發(fā)展，機器學(xué)習、深度學(xué)習等人工智能技術(shù)被廣泛應(yīng)用于醫(yī)學(xué)研究中。本文綜述了近年來人工智能技術(shù)在胰腺癌篩查、診斷、治療、并發(fā)癥及預(yù)后預(yù)測等方面的應(yīng)用，為人工智能在胰腺癌診治中的應(yīng)用提供依據(jù)和新思路。

關(guān)鍵詞：人工智能；胰腺腫瘤；機器學(xué)習；深度學(xué)習

Current status of the application of artificial intelligence in the diagnosis and treatment of pancreatic cancer

MA Yu，JIA Feng，LIU Kaiyu，LIU Yahui.（Second Department of Hepatopancreatobiliary Surgery，General Surgery Center，The First Hospital of Jilin University，Changchun 130000，China）

Corresponding author：LIU Yahui，yahui@jlu.edu.cn（ORCID：0000-0002-5431-1440）

Abstract：Pancreatic cancer is a common malignant tumor of the digestive system，with a low early diagnosis rate，ahigh surgical mortality rate，a low cure rate，and a poor overall prognosis.In recent years，with the continuous development of artificial intelligence in the medical field，artificial intelligence techniques，such as machine learning and deep learning，have been widely used in medical research.This article reviews the application of artificial intelligence techniques in the screening，diagnosis，treatment，complications，and prognosis prediction of pancreatic cancer，so as to provide a basis and new ideas for the application of artificial intelligence in the diagnosis and treatment of pancreatic cancer.

Key words：Artificial Intelligence；Pancreatic Neoplasms；Machine Learning；Deep Learning

人工智能（artificial intelligence，AI）是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新興技術(shù)科學(xué)［1］。近年來隨著機器學(xué)習（machine learning，ML）、深度學(xué)習（deep learning，DL）、計算機視覺等領(lǐng)域的發(fā)展，AI技術(shù)在醫(yī)學(xué)領(lǐng)域的應(yīng)用初具規(guī)模［2］，在疾病的診斷及治療中表現(xiàn)出良好的應(yīng)用前景。

胰腺癌預(yù)后不良，總體5年相對生存率約為10%［3］，是全球第12大最常見的惡性腫瘤，也是癌癥死亡的第7大原因［4］。胰腺癌具有起病隱匿、侵襲性強、手術(shù)難度高、術(shù)后并發(fā)癥多、總體預(yù)后差等特點。AI技術(shù)可有效利用大數(shù)據(jù)，為胰腺癌的臨床診斷、治療、預(yù)后預(yù)測等提供可靠依據(jù)。本文旨在討論AI在胰腺癌診斷和治療中的應(yīng)用，以期更好地展望未來和推進該領(lǐng)域相關(guān)研究。

1 AI在胰腺癌診斷和治療中的應(yīng)用

1.1胰腺癌的早期篩查胰腺癌的高病死率與多種因素有關(guān)，5年相對生存率僅為10%，其中主要是早期診斷率低，大多數(shù)患者確診時已為疾病晚期，而確診時，只有20%的病例適合手術(shù)切除［1，5］，而ⅠA期（腫塊最大徑lt;2 cm）根治性手術(shù)后5年生存率超過80%［1］，因而胰腺癌的早期診斷、早期治療至關(guān)重要。由于胰腺癌的發(fā)病率相對較低，加之目前缺乏高度特異性的檢測手段，直接在普通人群中進行胰腺癌的篩查不僅面臨著技術(shù)上的挑戰(zhàn)，還伴隨著高昂的成本［6］。研究［7］表明，對高危人群進行篩查可提高胰腺癌檢出率。與胰腺癌風險相關(guān)的臨床因素包括胰腺炎病史、吸煙飲酒史、肥胖、糖尿病史、胰腺導(dǎo)管內(nèi)黏液性腫瘤和黏液性囊性腫瘤、遺傳易感性等［8］。Boursi等［9］通過分析10萬余例新發(fā)糖尿病患者患胰腺癌的高危因素，開發(fā)了風險預(yù)測模型：將3年內(nèi)明確篩查胰腺癌的風險閾值設(shè)定在1%時，僅6.19%的新發(fā)糖尿病患者需要接受確定性篩查，敏感度44.74%，特異度93.95%，陽性預(yù)測值2.6%，具有良好的預(yù)測效能。

而隨著AI在醫(yī)學(xué)領(lǐng)域的發(fā)展，數(shù)據(jù)處理能力及統(tǒng)計能力大大提升。應(yīng)用ML研究方法，Placido等［10］分析丹麥和美國兩個大型患者隊列的電子健康記錄，應(yīng)用DL算法在診斷前3年預(yù)測胰腺癌的發(fā)生。對于36個月內(nèi)癌癥發(fā)生，丹麥最佳模型受試者工作特征曲線下面積（AUC）為0.88，將癌癥診斷前3個月內(nèi)的疾病事件排除在外時，AUC為0.83。將丹麥模型交叉應(yīng)用于美國數(shù)據(jù)時，對于36個月內(nèi)癌癥發(fā)生，AUC為0.71，提示需重新訓(xùn)練提高性能，重新訓(xùn)練后達到了AUC=0.78（未排除診斷前3個月內(nèi)疾病事件），AUC=0.76（排除診斷前3個月內(nèi)疾病事件），提高了早期發(fā)現(xiàn)胰腺癌的能力。Blyuss等［11］采用ML算法，開發(fā)了基于尿液生物標志物的胰腺癌患者風險評分（PancRisk）。選擇有3種尿液標志物（LYVE1、REG1B、TFF1）以及肌酐和年齡等信息的199例胰腺癌患者和180例健康者，應(yīng)用ML算法進行分析，應(yīng)用Logistic回歸建立模型（AUC=0.94），該模型在與已知腫瘤標志物糖類抗原（CA）19-9聯(lián)合使用時，診斷的敏感度和特異度均達到96%。Cao等［12］通過醫(yī)學(xué)影像數(shù)據(jù)設(shè)計了一種使用非對比CT的DL模型，命名為PANDA模型。在一個中心的3 208例患者的數(shù)據(jù)集上進行訓(xùn)練，在6 239例患者的多中心進行驗證，模型測試的AUC達到了0.986～0.996，在胰腺導(dǎo)管腺癌的識別方面，PANDA模型的敏感度和特異度分別比放射科醫(yī)生診斷的敏感度和特異度的平均值高出34.1%和6.3%，另在一項由20 530例連續(xù)患者組成的真實世界多場景驗證中，PANDA模型的病變檢測敏感度和特異度分別達到92.9%和99.9%。由此可見，醫(yī)學(xué)數(shù)據(jù)和AI技術(shù)結(jié)合的相關(guān)研究，在胰腺癌的早期篩查中已有初步成效，但未來仍需進一步探索。

1.2 AI與胰腺癌的診斷胰腺癌的臨床診斷，根據(jù)《中國胰腺癌診治指南（2021）》［13］的推薦意見，主要包括臨床表現(xiàn)、高危因素、血清腫瘤標志物、影像學(xué)檢查以及基因組學(xué)分析等。而臨床上，影像學(xué)檢查是診斷胰腺癌最主要的方法，常用方法有增強CT、MRI和超聲內(nèi)鏡（EUS）等［14］，傳統(tǒng)的影像學(xué)診斷大多依賴經(jīng)驗豐富的影像科醫(yī)生，而AI的出現(xiàn)，在減輕了影像科醫(yī)生工作負擔的同時，還能獲取深度信息，提前確診時間。

Chen等［15］利用546例胰腺癌患者和733例對照受試者的增強CT圖像為數(shù)據(jù)集，開發(fā)出一種基于DL的工具，可在CT中檢測胰腺癌的AI分類模型。該模型在內(nèi)部測試中實現(xiàn)了89.9%的敏感度和95.9%的特異度，在真實世界CT研究的測試數(shù)據(jù)集中實現(xiàn)了89.7%的敏感度和92.8%的特異度，對于直徑lt;2 cm的腫瘤，該模型達到了74.7%的敏感度和92.8%的特異度。Ma等［16］篩選了222例病理確診為胰腺癌患者的增強CT圖像，應(yīng)用隨機收集的190例接受增強CT檢查且胰腺正常的患者的圖像作為對照，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）模型，并劃分為二元分類（是否有癌癥）和三元分類（無癌癥、體/尾部癌癥、頭/頸部癌癥）。二元分類模型平掃準確率為95.47%，敏感度91.58%，特異度98.27%，與放射科醫(yī)師相比，在診斷準確率、敏感度以及特異度方面無明顯差異，而三元分類模型中動脈期對胰頭頸部癌癥敏感度最高。Mukherjee等［17］建立了基于影像組學(xué)的ML模型，可以在臨床診斷前檢測出正常胰腺中的胰腺癌。該模型所應(yīng)用的測試子集的診斷前CT與診斷之間的中位時間為386天，在應(yīng)用的4種ML分類器中，支持向量機具有最高的性能，其AUC為0.98，敏感度95.5%、特異度90.3%、準確度92.2%。

除CT外，EUS也是診斷胰腺疾病的重要工具［13］，但該檢查易受到影像科醫(yī)生的主觀因素和經(jīng)驗影響，在實踐應(yīng)用中存在一定程度的限制，而AI輔助技術(shù)的加入可改善上述缺陷，如Marya等［18］從583例胰腺疾病患者中提取了1 174 461張EUS圖像，開發(fā)了EUS-CNN模型，可準確區(qū)分自身免疫性胰腺炎、胰腺癌和良性胰腺疾病，其中區(qū)分自身免疫性胰腺炎和胰腺癌的敏感度為90%，特異度93%。Tonozuka等［19］應(yīng)用139例患者的1 390幅EUS圖像，開發(fā)了基于DL分析的原始計算機輔助診斷系統(tǒng)，用于檢測胰腺癌，其敏感度為92.4%，特異度為84.1%，AUC為0.94。

AI在胰腺癌影像學(xué)診斷中起到重要輔助價值，而在生物標志物方面，AI的相關(guān)研究也有一定進展。生物標志物在胰腺癌的診斷、分期和治療中起著重要作用，基于數(shù)據(jù)中的生物標志物，應(yīng)用AI進行分析，以此來確定它們與疾病的關(guān)系，可以更好地對胰腺癌進行早期診斷。同樣，在生物標志物不明確時，應(yīng)用AI也可提取數(shù)據(jù)集中特征，從而評估其在胰腺癌診斷中的價值［20］。

1.3 AI與胰腺癌的治療目前，胰腺癌的治療方式仍以根治性切除為主，而AI憑借其對于影像圖像、臨床數(shù)據(jù)的精準判讀、深度分析等優(yōu)勢，在胰腺癌手術(shù)治療過程中，同樣發(fā)揮重要作用，可協(xié)助臨床醫(yī)生對患者術(shù)前的手術(shù)風險進行評估。Mahmoudi等［21］應(yīng)用患者CT圖像開發(fā)CNN模型，可對胰腺腫塊與腹部血管進行定位、分割，進而更好地評估胰腺腫塊與周圍血管（如腸系膜上動脈和腸系膜上靜脈）之間的關(guān)系。該模型對胰腺腫塊分割的Dice指數(shù)比傳統(tǒng)模型提高7.52%。這對于手術(shù)決策具有重要意義，同時，也有助于胰腺癌新輔助治療的效果評估。Xie等［22］基于AI、影像組學(xué)列線圖，開發(fā)了一種影像組學(xué)評分——Rad評分，應(yīng)用最小絕對收斂和選擇算子算法（Lasso算法）進行建模。該評分系統(tǒng)與臨床模型和TNM分期系統(tǒng)相比，對于胰腺癌患者的生存有更好的預(yù)測性能。

除手術(shù)治療外，對于無法行根治性手術(shù)治療的晚期胰腺癌患者，隨著醫(yī)療水平的不斷進步，靶向治療、放療、免疫治療、新輔助治療等也已成為重要的精準藥物治療手段。研究［23］表明，25%的胰腺癌患者有可治療的靶點，而依據(jù)腫瘤分子特征進行精準藥物治療，可延長患者的生存時間。越來越多的研究應(yīng)用AI來進行多組學(xué)分析、大數(shù)據(jù)分析等，以選擇靶向治療的靶點、預(yù)測胰腺腫瘤對化療藥物的反應(yīng)或?qū)σ认倌[瘤的基因突變進行預(yù)測。Bagante等［24］將癌癥基因圖譜患者的全外顯子組測序數(shù)據(jù)輸入人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN），將來自俄亥俄州立大學(xué)和國際癌癥基因組聯(lián)盟的肝膽胰癌癥患者數(shù)據(jù)納入外部驗證隊列。同時合并三組數(shù)據(jù)，應(yīng)用經(jīng)典生存分析和隨機森林算法進行生存分析。該研究中，預(yù)測細胞起源模式和分子亞型分類的ANN在癌癥基因圖譜中表現(xiàn)出良好的準確性，分別為75%和82%。隨機生存森林分析和經(jīng)典生存分析模型表明，將臨床數(shù)據(jù)與分子分類相結(jié)合的肝膽胰癌癥模型具有更高的預(yù)后準確性。Wei等［25］應(yīng)用變分自動編碼器提取腫瘤轉(zhuǎn)錄組特征，采用極端梯度提升機進一步預(yù)測包括胰腺癌等五種癌癥在內(nèi)的化療藥物反應(yīng)。對于胰腺癌的化療藥物反應(yīng)預(yù)測，應(yīng)用經(jīng)變分自動編碼器提取的特征數(shù)據(jù)與原始數(shù)據(jù)對比，獲得了更高的AUC和精確率-召回率曲線下面積（AUPRC）指標（AUC=0.738；AUPRC=0.764）。胰腺癌對于免疫治療的反應(yīng)較小，但腫瘤浸潤淋巴細胞已被證明與免疫治療反應(yīng)相關(guān)［26］。Bian等［27］開發(fā)了一種基于極端梯度提升機的影像組學(xué)模型，該模型可在術(shù)前預(yù)測具有影像組學(xué)特征的胰腺癌患者的腫瘤浸潤淋巴細胞，進而促進免疫治療的臨床決策。Watson等［28］基于CT圖像特征和CA19-9建立了應(yīng)用于預(yù)測新輔助治療效果的DL模型（AUC=0.785），該模型可預(yù)測胰腺癌患者對新輔助治療的病理性腫瘤反應(yīng)，并且隨血清CA19-9的降低得到改進。

綜上，AI與臨床大數(shù)據(jù)結(jié)合，有助于胰腺癌手術(shù)患者治療方案的制訂。同時，深入探索腫瘤生物學(xué)行為，也有助于胰腺癌精準化治療，實現(xiàn)更好的臨床決策。

1.4 AI與胰腺癌的并發(fā)癥及預(yù)后預(yù)測胰腺癌術(shù)后并發(fā)癥是胰腺癌手術(shù)治療后面臨的一大難題，并發(fā)癥的發(fā)生與否、嚴重程度均與患者預(yù)后相關(guān)。胰腺癌術(shù)后常見并發(fā)癥包括術(shù)后胰瘺、膽瘺、術(shù)后出血、腹腔感染、胃排空延遲等［29］，而術(shù)后胰瘺為其中最常見的并發(fā)癥，嚴重時可導(dǎo)致腹腔感染甚至大出血，危及生命。目前臨床上主要應(yīng)用胰瘺風險評分對發(fā)生胰瘺的風險進行評估［30］，近年來，隨著對AI研究的深入，其在預(yù)測術(shù)后胰瘺中展現(xiàn)出巨大潛力。Shen等［31］應(yīng)用術(shù)前和術(shù)中數(shù)據(jù)，開發(fā)了基于4種不同算法的ML模型，該模型可識別出行胰十二指腸切除術(shù)后發(fā)生術(shù)后胰瘺高風險患者，從而協(xié)助制訂圍手術(shù)期管理計劃，并且指導(dǎo)引流管拔出的最佳時機。Yoo等［32］使用CNN從術(shù)前CT圖像中獲得骨骼肌指數(shù)、內(nèi)臟脂肪組織指數(shù)和皮下脂肪組織指數(shù)等數(shù)據(jù)，應(yīng)用多因素Logistic回歸模型，來確定臨床相關(guān)術(shù)后胰瘺的獨立危險因素，并使用Cox比例風險回歸分析評估總生存期的預(yù)后相關(guān)因素。在這項研究中，內(nèi)臟脂肪組織指數(shù)是術(shù)后胰瘺的唯一獨立預(yù)后因素（OR=7.43，Plt;0.001），對于總生存期的預(yù)測，骨骼肌指數(shù)為重要因素（HR=1.85，Plt;0.001）。Kambakamba等［33］開展了一項關(guān)于ML和術(shù)前CT圖像相結(jié)合的研究。通過基于ML對術(shù)前CT圖像中胰腺紋理特征的分析，來鑒別預(yù)測患者發(fā)生術(shù)后胰瘺的風險（AUC=0.95，敏感度96%，特異度98%）。Han等［34］回顧分析了1 769例胰十二指腸術(shù)后患者的臨床數(shù)據(jù)，將38個臨床變量納入AI驅(qū)動的算法中，包括隨機森林、神經(jīng)網(wǎng)絡(luò)和遞歸特征消除法，通過AI算法結(jié)果共確立了包括術(shù)前血清白蛋白等16個風險因素。進而應(yīng)用該方法開發(fā)了一個基于AI和網(wǎng)絡(luò)的術(shù)后胰瘺預(yù)測平臺，有助于在術(shù)前對術(shù)后并發(fā)癥建立有效的應(yīng)對措施。

胰腺癌患者的預(yù)后，因胰腺癌高度異質(zhì)的腫瘤特性，導(dǎo)致在不同患者之間存在較大的個體差異。關(guān)于胰腺癌預(yù)后和AI的研究，已成為當下醫(yī)學(xué)研究的熱點之一。Walczak等［35］將283例胰腺癌患者的臨床變量（性別、年齡、腫瘤分期）與ANN結(jié)合，建立了可預(yù)測胰腺癌患者生存率的模型，該模型有91%的敏感度和38%的特異度。Lin等［36］應(yīng)用美國國家癌癥研究所創(chuàng)建的SEER公共數(shù)據(jù)庫，基于隨機生存森林算法，開發(fā)了一種胰腺癌患者術(shù)后預(yù)后的高性能預(yù)測模型。該模型具有良好的校準性，在風險分層和個體預(yù)后預(yù)測方面具有顯著優(yōu)勢。He等［37］開發(fā)和驗證了用于識別胰腺癌術(shù)后局部復(fù)發(fā)的有效模型，收集了胰腺癌患者術(shù)后3個月的CT圖像，用于影像組學(xué)分析。利用臨床放射學(xué)信息和影像組學(xué)特征，聯(lián)合或單獨應(yīng)用多變量邏輯回歸構(gòu)建胰腺癌局部復(fù)發(fā)模型，聯(lián)合模型在驗證數(shù)據(jù)集中AUC為0.742，優(yōu)于僅臨床放射學(xué)風險模型（AUC=0.533）和僅影像組學(xué)風險模型（AUC=0.730）。Yokoyama等［38］通過大數(shù)據(jù)分析篩選出3個黏蛋白基因相關(guān)預(yù)后標志物，并使用支持向量機、神經(jīng)網(wǎng)絡(luò)等開發(fā)出一個具有分類能力的預(yù)后模型，對于胰腺癌患者術(shù)后生存預(yù)測具有一定的指導(dǎo)性。

總之，在胰腺癌患者的術(shù)后并發(fā)癥預(yù)測及預(yù)后預(yù)測中，AI具有重要的價值。更高更好的預(yù)測能力，有助于臨床醫(yī)生提前干預(yù)，減少術(shù)后并發(fā)癥的發(fā)生，從而改善患者預(yù)后。同時更早預(yù)測患者的預(yù)后狀態(tài)，也有助于更好地臨床決策，制訂更精確的治療方案。

2目前存在的問題和挑戰(zhàn)

雖然AI技術(shù)在胰腺癌早期篩查、診斷、治療、并發(fā)癥及預(yù)后預(yù)測中表現(xiàn)出巨大潛力，但AI技術(shù)在醫(yī)學(xué)領(lǐng)域的應(yīng)用仍存在許多問題和挑戰(zhàn)。

第一，由于AI模型通常在單中心、小數(shù)據(jù)集進行訓(xùn)練，因此易存在測量誤差和過擬合問題［39］。同時，單中心數(shù)據(jù)集缺乏數(shù)據(jù)的多樣性，容易導(dǎo)致模型學(xué)習的真實數(shù)據(jù)無法泛化到其他數(shù)據(jù)集上，因此在實際應(yīng)用中，AI模型的準確率存在較大的偏差［39］。為了最小化過擬合問題的影響，提高AI模型在實際應(yīng)用中的準確性，擴大試驗數(shù)據(jù)集的體量，加強各醫(yī)學(xué)數(shù)據(jù)庫的協(xié)同機制，開展多中心研究等均是未來AI相關(guān)研究面臨的挑戰(zhàn)。

第二，AI所應(yīng)用的數(shù)據(jù)標注成本較高，尤其是影像組學(xué)AI模型的建立過程中，需要臨床醫(yī)生對患者的影像圖像進行分類、特征提取等，這需要大量的時間成本和人工成本［40-41］。同時這一過程存在著顯著的觀察者間差異，這也是導(dǎo)致數(shù)據(jù)偏差的重要原因。

第三，盡管AI技術(shù)在醫(yī)學(xué)領(lǐng)域中已取得很高的成就，但多數(shù)AI模型仍然被認為是一個“黑匣子”［42］，AI算法的高精確度可能是以失去對工作原理的可解釋性為代價［43］。因此AI模型的可解釋性問題仍然是其能否在醫(yī)學(xué)領(lǐng)域廣泛應(yīng)用的關(guān)鍵，也是未來AI相關(guān)研究需要面對的重要挑戰(zhàn)。

第四，作為新興技術(shù)，AI引發(fā)的倫理問題不容忽視，數(shù)據(jù)的使用應(yīng)嚴格遵守醫(yī)患雙方知情同意原則，這也在一定程度上限制了AI技術(shù)的應(yīng)用范圍。同時，AI的實現(xiàn)是通過軟件代碼實現(xiàn)的，在處理代碼和程序運行的過程中，不可避免的會出現(xiàn)錯誤，如何避免錯誤的發(fā)生，是AI在臨床應(yīng)用中必須面臨的挑戰(zhàn)。

3總結(jié)與展望

隨著對AI技術(shù)研究的深入，為胰腺癌的診斷和治療模式的改變帶來了全新的契機。通過AI算法進行臨床輔助決策的方式已初具雛形，但距離實際應(yīng)用仍有許多問題需要解決。從數(shù)據(jù)來源角度，需要做到保證數(shù)據(jù)的真實性，全面提升數(shù)據(jù)質(zhì)量，同時擴充可應(yīng)用的基于多中心醫(yī)學(xué)數(shù)據(jù)的臨床數(shù)據(jù)庫，以解決開發(fā)過程中訓(xùn)練集、驗證集數(shù)據(jù)重復(fù)和模型效能不穩(wěn)定的問題。同時，完整數(shù)據(jù)庫的建立，也有助于降低后續(xù)研究的成本，減少數(shù)據(jù)標注過程中產(chǎn)生的觀察者差異。從安全角度，需要注意AI算法存在的程序錯誤導(dǎo)致的預(yù)測結(jié)果錯誤風險，同時，信息安全方面也要遵守AI的應(yīng)用規(guī)范，避免濫用導(dǎo)致隱私泄露風險。

未來的研究中，AI的發(fā)展?jié)摿o限，可進一步朝著以下幾個方向發(fā)展：（1）推進多中心研究，共享和積累臨床數(shù)據(jù)。充足多樣的數(shù)據(jù)是建立穩(wěn)定且兼容性強的AI模型的前提。（2）計算機領(lǐng)域的突破，提升ML的算法算力，可使建立的模型具有更好的普適性，從而滿足臨床應(yīng)用的需求。（3）胰腺癌方面，基于大數(shù)據(jù)和合適的算法，繼續(xù)深入到精準分割胰腺癌診療中，做到前期精準診斷，精準輔助治療，手術(shù)精準定位，精準范圍切除。（4）進一步深入研究AI模型的可解釋性和可理解性，從而解除其在臨床上的應(yīng)用限制，發(fā)揮AI技術(shù)更高的價值。

AI不會取代醫(yī)生，正如生化分析儀不能取代實驗室一樣，它更多的是作為一種工具，促進臨床醫(yī)生角色的轉(zhuǎn)型與深化，幫助臨床醫(yī)生對疾病病因、發(fā)病機制進行更加深入的思考。屬于AI的時代已經(jīng)到來，各行各業(yè)關(guān)于AI的研究在不斷發(fā)展。盡管胰腺癌中的AI應(yīng)用尚處于雛形階段，但隨著研究的深入、學(xué)科的交叉，AI帶來的是無限的可能性。在可預(yù)見的未來，基于AI手段，胰腺癌的診斷、治療必將得到巨大的改善。

利益沖突聲明：本文不存在任何利益沖突。

作者貢獻聲明：馬昱負責設(shè)計論文框架，起草論文；賈峰負責關(guān)鍵點分析，論文修改；馬昱、劉楷宇負責文獻查找；劉亞輝負責擬定寫作思路，指導(dǎo)撰寫文章并最后定稿。

參考文獻：

[1]KENNER B，CHARI ST，KELSEN D，et al.Artificial intelligence and early detection of pancreatic cancer：2020 summative review[J].Pancreas，2021，50（3）：251-279.DOI：10.1097/MPA.0000000000001762.

[2]KAUL V，ENSLIN S，GROSS SA.History of artificial intelligence in medi?cine[J].Gastrointest Endosc，2020，92（4）：807-812.DOI：10.1016/j.gie.2020.06.040.

[3]CAI J，CHEN HD，LU M，et al.Advances in the epidemiology of pan?creatic cancer：Trends，risk factors，screening，and prognosis[J].Cancer Lett，2021，520：1-11.DOI：10.1016/j.canlet.2021.06.027.

[4]HUANG JJ，LOK V，NGAI CH，et al.Worldwide burden of，risk factors for，and trends in pancreatic cancer[J].Gastroenterology，2021，160（3）：744-754.DOI：10.1053/j.gastro.2020.10.007.

[5]GRANATA V，F(xiàn)USCO R，SETOLA SV，et al.Risk assessment and pancreatic cancer：Diagnostic management and artificial intelligence[J].Cancers，2023，15（2）：351.DOI：10.3390/cancers15020351.

[6]YANG JS，XU RY，WANG CC，et al.Early screening and diagnosis strategies of pancreatic cancer：A comprehensive review[J].Can?cer Commun，2021，41（12）：1257-1274.DOI：10.1002/cac2.12204.

[7]PEREIRA SP，OLDFIELD L，NEY A，et al.Early detection of pancreatic cancer[J].Lancet Gastroenterol Hepatol，2020，5（7）：698-710.DOI：10.1016/S2468-1253（19）30416-9.

[8]STOFFEL EM，BRAND RE，GOGGINS M.Pancreatic cancer：Chang?ing epidemiology and new approaches to risk assessment，early de?tection，and prevention[J].Gastroenterology，2023，164（5）：752-765.DOI：10.1053/j.gastro.2023.02.012.

[9]BOURSI B，F(xiàn)INKELMAN B，GIANTONIO BJ，et al.A clinical predic?tion model to assess risk for pancreatic cancer among patients with new-onset diabetes[J].Gastroenterology，2017，152（4）：840-850.DOI：10.1053/j.gastro.2016.11.046.

[10]PLACIDO D，YUAN B，HJALTELIN JX，et al.A deep learning algo?rithm to predict risk of pancreatic cancer from disease trajectories[J].Nat Med，2023，29（5）：1113-1122.DOI：10.1038/s41591-023-02332-5.

[11]BLYUSS O，ZAIKIN A，CHEREPANOVA V，et al.Development of PancRISK，a urine biomarker-based risk score for stratified screen?ing of pancreatic cancer patients[J].Br J Cancer，2020，122（5）：692-696.DOI：10.1038/s41416-019-0694-0.

[12]CAO K，XIA YD，YAO JW，et al.Large-scale pancreatic cancer de?tection via non-contrast CT and deep learning[J].Nat Med，2023，29（12）：3033-3043.DOI：10.1038/s41591-023-02640-w.

[13]Chinese Pancreatic Surgery Association，Chinese Society of Sur?gery，Chinese Medical Association.Guidelines for the diagnosis and treatment of pancreatic cancer in China（2021）[J].Chin J Dig Surg，2021，20（7）：713-729.DOI：10.3760/cma.j.cn115610-20210618-00289.

中華醫(yī)學(xué)會外科學(xué)分會胰腺外科學(xué)組.中國胰腺癌診治指南（2021）[J].中華消化外科雜志，2021，20（7）：713-729.DOI：10.3760/cma.j.cn115610-20210618-00289.

[14]MIZRAHI JD，SURANA R，VALLE JW，et al.Pancreatic cancer[J].Lancet，2020，395（10242）：2008-2020.DOI：10.1016/S0140-6736（20）30974-0.

[15]CHEN PT，WU TH，WANG PC，et al.Pancreatic cancer detection on CT scans with deep learning：A nationwide population-based study[J].Radiology，2023，306（1）：172-182.DOI：10.1148/radiol.220152.

[16]MA H，LIU ZX，ZHANG JJ，et al.Construction of a convolutional neu?ral network classifier developed by computed tomography imagesfor pancreatic cancer diagnosis[J].World J Gastroenterol，2020，26（34）：5156-5168.DOI：10.3748/wjg.v26.i34.5156.

[17]MUKHERJEE S，PATRA A，KHASAWNEH H，et al.Radiomics-based machine-learning models can detect pancreatic cancer on prediag?nostic computed tomography scans at a substantial lead time before clinical diagnosis[J].Gastroenterology，2022，163（5）：1435-1446.DOI：10.1053/j.gastro.2022.06.066.

[18]MARYA NB，POWERS PD，CHARI ST，et al.Utilisation of artificial in?telligence for the development of an EUS-convolutional neural net?work model trained to enhance the diagnosis of autoimmune pan?creatitis[J].Gut，2021，70（7）：1335-1344.DOI：10.1136/gutjnl-2020-322821.

[19]TONOZUKA R，ITOI T，NAGATA N，et al.Deep learning analysis for the detection of pancreatic cancer on endosonographic images：A pilot study[J].J Hepatobiliary Pancreat Sci，2021，28（1）：95-104.DOI：10.1002/jhbp.825.

[20]HUANG BW，HUANG HR，ZHANG ST，et al.Artificial intelligence in pancreatic cancer[J].Theranostics，2022，12（16）：6931-6954.DOI：10.7150/thno.77949.

[21]MAHMOUDI T，KOUZAHKANAN ZM，RADMARD AR，et al.Segmen?tation of pancreatic ductal adenocarcinoma（PDAC）and surround?ing vessels in CT images using deep convolutional neural networks and texture descriptors[J].Sci Rep，2022，12（1）：3092.DOI：10.1038/s41598-022-07111-9.

[22]XIE TS，WANG XY，LI ML，et al.Pancreatic ductal adenocarcinoma：A radiomics nomogram outperforms clinical model and TNM stag?ing for survival estimation after curative resection[J].Eur Radiol，2020，30（5）：2513-2524.DOI：10.1007/s00330-019-06600-2.

[23]WITKIEWICZ AK，MCMILLAN EA，BALAJI U，et al.Whole-exome se?quencing of pancreatic cancer defines genetic diversity and therapeutic targets[J].Nat Commun，2015，6：6744.DOI：10.1038/ncomms7744.

[24]BAGANTE F，SPOLVERATO G，RUZZENENTE A，et al.Artificial neu?ral networks for multi-omics classifications of hepato-pancreato-bili?ary cancers：Towards the clinical application of genetic data[J].Eur J Cancer，2021，148：348-358.DOI：10.1016/j.ejca.2021.01.049.

[25]WEI Q，RAMSEY SA.Predicting chemotherapy response using a variational autoencoder approach[J].BMC Bioinformatics，2021，22（1）：453.DOI：10.1186/s12859-021-04339-6.

[26]CHEN DS，MELLMAN I.Elements of cancer immunity and the can?cer-immune set point[J].Nature，2017，541（7637）：321-330.DOI：10.1038/nature21349.

[27]BIAN Y，LIU YF，LI J，et al.Machine learning for computed tomogra?phy radiomics：Prediction of tumor-infiltrating lymphocytes in pa?tients with pancreatic ductal adenocarcinoma[J].Pancreas，2022，51（5）：549-558.DOI：10.1097/MPA.0000000000002069.

[28]WATSON MD，BAIMAS-GEORGE MR，MURPHY KJ，et al.Pure and hybrid deep learning models can predict pathologic tumor re?sponse to neoadjuvant therapy in pancreatic adenocarcinoma：A pi?lot study[J].Am Surg，2021，87（12）：1901-1909.DOI：10.1177/0003134820982557.

[29]Study Group of Pancreatic Surgery in Chinese Society of Surgery of Chinese Medical Association;Pancreatic Disease Committee of Chi?nese Research Hospital Association;Editorial Board of Chinese Journal of Surgery.A consensus statement on the diagnosis，treat?ment，and prevention of common complications after pancreatic sur?gery（2017）[J].Chin J Surg，2017，55（5）：328-334.DOI：10.3760/cma.j.issn.0529-5815.2017.05.003.

中華醫(yī)學(xué)會外科學(xué)分會胰腺外科學(xué)組，中國研究型醫(yī)院學(xué)會胰腺病專業(yè)委員會，中華外科雜志編輯部.胰腺術(shù)后外科常見并發(fā)癥診治及預(yù)防的專家共識（2017）[J].中華外科雜志，2017，55（5）：328-334.DOI：10.3760/cma.j.issn.0529-5815.2017.05.003.

[30]CALLERY MP，PRATT WB，KENT TS，et al.A prospectively validated clinical risk score accurately predicts pancreatic fistula after pancre?atoduodenectomy[J].J Am Coll Surg，2013，216（1）：1-14.DOI：10.1016/j.jamcollsurg.2012.09.002.

[31]SHEN ZY，CHEN HD，WANG WS，et al.Machine learning algorithms as early diagnostic tools for pancreatic fistula following pancreatico?duodenectomy and guide drain removal：A retrospective cohort study[J].Int J Surg，2022，102：106638.DOI：10.1016/j.ijsu.2022.106638.

[32]YOO J，YOON SH，LEE DH，et al.Body composition analysis using convolutional neural network in predicting postoperative pancreatic fistula and survival after pancreatoduodenectomy for pancreatic cancer[J].Eur J Radiol，2023，169：111182.DOI：10.1016/j.ejrad.2023.111182.

[33]KAMBAKAMBA P，MANNIL M，HERRERA PE，et al.The potential of machine learning to predict postoperative pancreatic fistula based on preoperative，non-contrast-enhanced CT：A proof-of-principle study[J].Surgery，2020，167（2）：448-454.DOI：10.1016/j.surg.2019.09.019.

[34]HAN IW，CHO K，RYU Y，et al.Risk prediction platform for pancre?atic fistula after pancreatoduodenectomy using artificial intelligence[J].World J Gastroenterol，2020，26（30）：4453-4464.DOI：10.3748/wjg.v26.i30.4453.

[35]WALCZAK S，VELANOVICH V.An evaluation of artificial neural net?works in predicting pancreatic cancer survival[J].J GastrointestSurg，2017，21（10）：1606-1612.DOI：10.1007/s11605-017-3518-7.

[36]LIN JX，YIN MY，LIU L，et al.The development of a prediction modelbased on random survival forest for the postoperative prognosis of pancreatic cancer：A SEER-based study[J].Cancers，2022，14（19）：4667.DOI：10.3390/cancers14194667.

[37]HE M，CHEN XY，WELS M，et al.Computed tomography-based ra?diomics evaluation of postoperative local recurrence of pancreatic ductal adenocarcinoma[J].Acad Radiol，2023，30（4）：680-688.DOI：10.1016/j.acra.2022.05.019.

[38]YOKOYAMA S，HAMADA T，HIGASHI M，et al.Predicted prognosis of patients with pancreatic cancer by machine learning[J].Clin Cancer Res，2020，26（10）：2411-2421.DOI：10.1158/1078-0432.CCR-19-1247.

[39]LEE W，PARK HJ，LEE HJ，et al.Preoperative data-based deep learning model for predicting postoperative survival in pancreatic cancer patients[J].Int J Surg，2022，105：106851.DOI：10.1016/j.ijsu.2022.106851.

[40]KUMAR V，GU YH，BASU S，et al.Radiomics：The process and the challenges[J].Magn Reson Imaging，2012，30（9）：1234-1248.DOI：10.1016/j.mri.2012.06.010.

[41]VARGHESE BA，CEN SY，HWANG DH，et al.Texture analysis of im?aging：What radiologists need to know[J].AJR Am J Roentgenol，2019，212（3）：520-528.DOI：10.2214/AJR.18.20624.

[42]KATTA MR，KALLURU PKR，BAVISHI DA，et al.Artificial intelligence in pancreatic cancer：Diagnosis，limitations，and the future prospects-a narrative review[J].J Cancer Res Clin Oncol，2023，149（9）：6743-6751.DOI：10.1007/s00432-023-04625-1.

[43]LIANG ZX，YE LS，YANG Y.Application of artificial intelligence in liver transplantation[J].J Clin Hepatol，2022，38（1）：30-34.DOI：10.3969/j.issn.1001-5256.2022.01.005.

梁智星，葉林森，楊揚.人工智能在肝移植中的應(yīng)用[J].臨床肝膽病雜志，2022，38（1）：30-34.DOI：10.3969/j.issn.1001-5256.2022.01.005.

收稿日期：2023-12-28；錄用日期：2024-03-20

本文編輯：王亞南

引 證 本 文：MA Y， JIA F， LIU KY， et al. Current status of the application of artificial intelligence in the diagnosis and treatment of pancreatic cancer[J]. J Clin Hepatol， 2024， 40 （10）： 2121-2126.

馬昱， 賈峰， 劉楷宇， 等 . 人工智能在胰腺癌診治中的應(yīng)用現(xiàn)狀 [J]. 臨床肝膽病雜志， 2024， 40（10）： 2121-2126.