一种多模态人工智能系统，用于在内镜超声（EUS）下检测和诊断胰腺实体病变

《Endoscopic Ultrasound》：A multimodal artificial intelligence system for the detection and diagnosis of solid pancreatic lesions under EUS

胰腺癌早期诊断困难，本研究构建多模态AI系统，整合EUS B-mode、EUS-E及临床数据，实现胰腺固体病变（SPLs）精准分型与癌变鉴别。模型C（B-mode+EUS-E）准确率达94.0%，显著优于单模态模型及人类内镜医生，且在病理阴性但临床高度怀疑病例中灵敏度达100%。

　　在医学影像领域，准确识别和区分胰腺内的实体性病变（Solid Pancreatic Lesions, SPLs）对于制定有效的治疗方案和改善患者的预后至关重要。然而，传统的诊断方法在某些情况下仍存在局限性，特别是在早期肿瘤检测和良恶性病变区分方面。胰腺位于人体腹部深处，周围有复杂的解剖结构，因此，常规的成像技术如CT和MRI在敏感性和特异性上难以满足临床需求。随着内镜超声（Endoscopic Ultrasound, EUS）技术的不断发展，其在胰腺病变评估中的应用日益广泛，因其具有更高的空间分辨率和对组织结构的清晰显示能力，能够为临床提供更精确的诊断信息。

EUS不仅能够提供高分辨率的影像数据，还支持细针穿刺活检（Fine-Needle Aspiration/Biopsy, FNA/B），为病理诊断提供了重要手段。然而，EUS的诊断结果往往依赖于操作者的经验和判断，容易受到主观因素的影响，如操作者疲劳或经验不足，这可能导致误诊或漏诊。此外，EUS弹性成像（EUS Elastography, EUS-E）作为一种辅助技术，能够提供组织硬度的信息，有助于区分良性与恶性病变。但其诊断效果仍受到操作者手动选择感兴趣区域（Region of Interest, ROI）和主观评估的影响，从而限制了其在临床中的广泛应用。

近年来，人工智能（Artificial Intelligence, AI）在医学影像领域的应用取得了显著进展，特别是在病变检测、特征分析和风险评估方面。AI模型能够自动处理和分析图像数据，减少人为误差和不同操作者之间的差异性，提高诊断的一致性和准确性。然而，大多数现有的AI模型主要依赖于单一模态的EUS图像，未能充分整合多种数据源，这在一定程度上影响了其诊断的全面性和可靠性。因此，本研究旨在开发一种基于深度学习的多模态AI系统，整合EUS B-mode图像、EUS-E图像和临床数据，以提高对胰腺实体性病变的诊断准确性，尤其是在区分胰腺癌与其他非癌性病变方面。

本研究选取了2016年12月至2024年9月期间在武汉大学人民医院接受EUS检查的492名患者，其中425名患者符合纳入标准，最终分为癌症组（261例）和非癌症组（164例）。研究中构建了四个深度学习模型，分别为DCNN1用于检测胰腺病变，DCNN2用于区分囊性或实体性病变，DCNN3用于病变边界分割和大小测量，以及DCNN4用于区分癌性和非癌性病变。其中，DCNN4被进一步细分为四种不同的模态模型：模型A仅使用EUS B-mode图像，模型B仅使用EUS-E图像，模型C同时使用B-mode和EUS-E图像，模型D则整合了B-mode图像、EUS-E图像以及临床数据，如年龄、性别、血清标志物（如CEA、CA199、CA125）和酶学指标（如淀粉酶、脂肪酶）等。

结果显示，DCNN1在区分正常胰腺图像与病变图像方面的准确率为96.8%，敏感性为99.6%，特异性为93.6%；DCNN2在区分囊性和实体性病变方面的准确率为98.9%，敏感性为99.6%，特异性为98.3%；DCNN3在病变边界分割任务中的Dice系数达到0.876，表明其在图像分割方面具有较高的准确性。对于DCNN4，模型C（结合B-mode和EUS-E图像）和模型D（结合B-mode、EUS-E和临床数据）在癌症与非癌性病变的分类中表现出色，模型C的准确率为94.0%，AUC值为0.937，显著优于模型A和模型B。此外，AI模型在诊断一致性、敏感性和特异性方面均优于人类内镜医生，尤其是在使用多模态数据时。

为了进一步验证AI模型的性能，研究者将AI模型与八位内镜医生的诊断结果进行了对比。在使用EUS B-mode图像进行诊断时，AI模型的准确率（70.2%）和敏感性（71.2%）均高于平均的内镜医生表现（61.9%和61.5%）。而在使用多模态数据进行诊断时，模型C和模型D的准确率分别达到了94.0%和92.5%，远高于内镜医生的平均表现（71.0%和74.1%）。此外，模型C和模型D的敏感性分别为98.1%和80.0%，同样优于内镜医生的诊断结果。值得注意的是，模型C和模型D在与专家进行比较时，表现出更高的诊断一致性，其与专家之间的Kappa值分别为0.954，显示出良好的协同效应。

在实际应用中，AI模型的诊断结果不仅提高了准确性，还为临床决策提供了有力支持。例如，在对17名EUS-FNA/B结果为阴性但最终通过手术或长期随访确诊的患者进行分析时，AI模型能够准确识别出所有4例恶性病例和13例良性病例，显示出其在处理不确定病例中的强大能力。这一结果表明，AI系统可以在某些情况下作为EUS-FNA/B的有力补充，帮助医生在病理结果不明确时做出更准确的判断，从而减少不必要的手术和对良性病变的误诊风险。

然而，本研究也指出了其存在的局限性。首先，研究数据来源于单一中心，可能影响模型的泛化能力。因此，未来需要进行多中心的前瞻性研究，以验证AI模型在不同医疗机构和操作者之间的适用性。其次，由于EUS弹性成像并非本中心常规操作，因此在模型测试时仅使用了2022年6月至2024年9月期间有EUS-E数据的患者，这可能限制了模型对EUS-E图像的全面评估。未来的研究应考虑在临床实践中更广泛地应用EUS-E，并收集更多的相关数据以进一步优化模型性能。

综上所述，本研究开发的多模态AI系统在胰腺实体性病变的诊断中表现出色，能够有效整合EUS B-mode图像、EUS-E图像和临床数据，为胰腺癌的早期检测和鉴别诊断提供了新的工具。这一系统不仅提高了诊断的准确性和一致性，还减少了人为误差，有助于优化患者的治疗方案和随访计划。未来，随着AI技术的不断发展和临床数据的积累，这种多模态AI系统有望在临床实践中得到更广泛的应用，为胰腺疾病的诊断和管理带来革命性的变化。