【CMT&CHTV 文献精粹】

        导语：本文分享了一项医学AI领域突破性的研究成果，该研究通过平扫CT+AI实现了胰腺癌的大规模早期检测。这项技术突破了传统筛查的局限，为胰腺癌的早期诊断和治疗提供了新的视角和可能性，对提高患者生存率和改善预后具有重大的临床意义。

        研究背景

        胰腺癌，作为全球致死率最高的恶性肿瘤之一，其早期诊断的难题一直是医学界的痛点。由于胰腺癌在早期往往缺乏明显症状，加之其生物学行为的复杂性，导致大多数患者在确诊时已处于晚期，失去了手术机会。因此，寻找一种高效、准确的早期筛查工具，对于提高胰腺癌患者的生存率至关重要。然而，现有的筛查技术，如超声内镜(endoscopic ultrasound，EUS)和增强CT扫描，不仅成本高昂，而且具有一定的侵入性，限制了其在大规模人群中的应用。2023年12月，Nature Medicine杂志发表了一篇题为“Large-scale Pancreatic Cancer Detection Via Non-contrast CT and Deep Learning”的文章，为这一领域带来了突破性的进展。

        研究方法

        本研究是一项大型回顾性多中心研究，旨在开发并验证一种基于平扫CT的深度学习模型——PANDA，用于胰腺癌的早期检测和分类。研究纳入了来自单一中心的3 208例患者的平扫CT数据集并进行训练，并通过6 239例患者的多中心验证队列和20 530例患者的现实世界多场景验证来评估模型的泛化能力和临床适用性。主要评价指标包括模型的灵敏度、特异度、检测率及对不同类型和阶段胰腺病变诊断的准确性。

        研究结果

        胰腺癌筛查的新篇章：PANDA模型的高性能

        本研究中，PANDA模型以其卓越的性能开启了胰腺癌筛查的新篇章。在多中心验证队列中，PANDA模型展现了极高的灵敏度和特异度，其在病变检测上的受试者工作特征曲线下面积为0.986～0.996(图1)，灵敏度为93.3%，特异度为98.8%。这一结果不仅证实了PANDA模型在胰腺病变检测上的高性能，也预示着其在临床应用中的巨大潜力。

        PANDA模型对PDAC的精准识别

        对于最为致命的胰腺导管腺癌(pancreatic ductal adenocarcinoma，PDAC)，PANDA模型的识别能力同样令人印象深刻。在PDAC患者亚组中，PANDA模型的检出率达到了96.5%，对于早期PDAC(T1阶段)其灵敏度高达92.2%。这表明PANDA模型能够有效识别出早期PDAC，为患者提供了更多的治疗机会。

        PANDA模型在不同病变亚型中的泛化能力

        除了PDAC，PANDA模型在其他7种非PDAC病变亚型(包括胰腺神经内分泌肿瘤、实性假乳头状肿瘤等)的分类上也显示出了较高的准确性，其在多中心外部测试队列中的分类准确度达到了81.4%。这一结果证明了PANDA模型不仅在单一病种上表现出色，更具备了对多种胰腺病变进行分类的能力。

        PANDA模型在现实世界多场景中的应用潜力

        在现实世界的多场景验证中，PANDA模型对20 530例患者的检测结果显示，其灵敏度为92.9%，特异度为99.9%。这一结果进一步证实了PANDA模型在不同临床场景下的稳定性和可靠性，无论是在体检中心、急诊、门诊，还是在住院部，PANDA模型均能提供准确的筛查结果。

        PANDA模型对临床实践的影响

        PANDA模型的这些结果对临床实践具有深远的影响。首先，它提供了一种无创、低成本、高效率的胰腺癌筛查方法，有助于提高胰腺癌的早期诊断率。其次，PANDA模型的高特异性减少了不必要的后续检查，降低了患者的医疗负担。最后，PANDA模型的泛化能力意味着其可以在不同的医疗环境中使用，有助于缩小医疗资源分布不均带来的诊断差异。

        总结

        本研究创新性地将深度学习技术应用于平扫CT的胰腺癌筛查，突破了传统影像学的限制。PANDA模型的高灵敏度和特异度，为胰腺癌的早期发现和治疗提供了可能，尤其对于那些在常规诊断技术下容易被遗漏的早期和可手术切除阶段的恶性肿瘤。此外，PANDA模型的泛化能力得到了多中心验证，证明了其在不同临床场景下的适用性。这项研究不仅推动了医学影像学和肿瘤学领域的技术进步，更为全球胰腺癌患者的早期诊断和治疗带来了希望。

        参考文献

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

        编辑：石头

        二审：清扬

        三审：碧泉

        排版：半夏