基于最大规模CT数据集开发的AI胰腺分割模型在多机构验证中展现卓越性能，为胰腺癌早期检测提供新工具

本研究针对胰腺癌早期诊断中传统影像学难以识别无症状期病变的临床难题，开发了基于3D nnU-Net的深度学习模型，利用迄今最大单中心CT数据集（n=3031）实现全自动胰腺分割。模型在内部测试集达到Dice相似系数（DSC）0.94±0.05，并在国际多中心AbdomenCT-1K数据集（n=585）验证中保持DSC 0.96±0.04的卓越性能。该研究为胰腺导管腺癌（PDA）早期影像标志物发现及内分泌疾病研究提供了可扩展的精准量化工具。

　　

胰腺癌作为五年生存率仅10-12%的致命恶性肿瘤，约85%病例确诊时已失去手术机会。当前依赖症状的诊断模式存在根本缺陷——在癌前无症状期（stage 0），胰腺在常规CT/MRI上往往表现正常。国际胰腺癌筛查联盟数据显示，高风险人群监测中75%病例仍进展至转移期，其中半数患者在确诊前一年的影像检查未见异常。这种"影像盲区"使得通过视觉识别实现早期干预几乎不可能。

Mayo Clinic放射科团队在《Scientific Reports》发表的研究突破性地开发了基于3D nnU-Net的深度学习模型。该研究采用迄今最大规模的单中心CT数据集（3031例），通过五折交叉验证训练模型，并在包含12个医疗中心的国际多机构数据集AbdomenCT-1K（585例）进行严格验证。关键技术包括：1）由5名专科放射学家执行标准化胰腺分割作为金标准；2）采用动态数据增强策略提升模型鲁棒性；3）通过软投票策略集成五个子模型；4）与公开模型TotalSegmentator进行头对头比较。

【CNN性能】
在内部测试集（n=452）中，模型达到DSC 0.94±0.05和Hausdorff距离（HD）1.70±3.04 mm，体积差异仅2.41 cc（CCC=0.95）。 Bland-Altman分析显示误差范围（-11.5至+16.3 cc）低于临床显著阈值，满足代谢疾病监测需求。

【多机构验证】
在AbdomenCT-1K数据集上，模型保持DSC 0.96±0.04和HD 2.2±8.8 mm的优异表现，CCC提升至0.98，证明其跨越不同扫描设备和协议的泛化能力。

【异常案例分析】
对DSC低于5%分位数的案例（内部23例/外部30例）显示，主要误差源于胰头-十二指肠界面（61%）和胰尾-肠管/脾血管交界处（60%）的复杂解剖变异，反映真实世界的分割挑战。

【方法学比较】
相较于公开模型TotalSegmentator（DSC 0.89±0.05），本研究模型在相同测试集上表现显著更优（p<0.001），HD误差降低38-42%。

该研究建立了全自动胰腺分割的新标杆，其临床意义体现在三方面：首先，为基于正常外观胰腺的影像组学分析提供技术基础——已有研究显示这类特征可在临床诊断前398天预测PDA发生；其次，支持糖尿病、代谢综合征等非肿瘤疾病的胰腺形态学研究，如减肥手术后6-12 cc的体积变化监测；最后，采用门静脉期CT的策略更具普适性，相比MRI更适应大规模筛查场景。尽管存在单中心数据偏倚（75%西门子设备）的局限，但模型在多中心验证中的稳健表现证实了其临床转化潜力。研究团队承诺公开AbdomenCT-1K分割标注，将加速胰腺定量影像学的发展。这项技术或将成为改变胰腺癌早期检测范式的关键工具，为高风险人群（如ENDPAC评分≥3的新发糖尿病患者）提供更早的干预窗口。