《Frontiers in Medicine》：Artificial intelligence in chronic and autoimmune pancreatitis: diagnosis, prognosis, and personalized management
编辑推荐：
慢性胰腺炎（CP）和自身免疫性胰腺炎（AIP）与胰腺导管腺癌（PDAC）具有重叠的临床和影像学特征，导致频繁误诊和不适当的临床治疗，而传统诊断方法受主观因素、低准确性和采样误差影响。本文综述了人工智能（AI）在CP和AIP诊断、预后及个体化管理中带来的范式转变
慢性胰腺炎（CP）和自身免疫性胰腺炎（AIP）与胰腺导管腺癌（PDAC）具有重叠的临床和影像学特征，导致频繁误诊和不适当的临床治疗，而传统诊断方法受主观因素、低准确性和采样误差影响。本文综述了人工智能（AI）在CP和AIP诊断、预后及个体化管理中带来的范式转变。基于AI（包括深度学习（deep learning）和放射组学（radiomics）），通过分析内镜超声（EUS）、计算机断层扫描（CT）、磁共振成像（MRI）等影像模态，实现了CP和AIP的高精度鉴别诊断和严重程度分级，并整合多源临床、血清学和组学数据，进一步提高了诊断效率。AI驱动的数字病理（digital pathology）实现了定量组织学分析，预后AI模型可帮助预测胰腺外分泌功能不全（exocrine pancreatic insufficiency）和治疗不依从等并发症，以支持早期干预。此外，研究人员也讨论了AI在临床转化中当前存在的问题，如模型过拟合和“黑箱”问题，并指出前瞻性多中心研究、可解释性AI（explainable AI）和多模态数据整合将是未来研究的主要方向，从而推动胰腺病学精准医学的发展。
**1 引言**
慢性胰腺炎（CP）和自身免疫性胰腺炎（AIP）是两种主要的胰腺炎症性疾病，发病机制不同但临床表现高度重叠。CP是一种进行性纤维炎性疾病，以胰腺不可逆的结构损伤为特征；AIP则是一种独特的免疫介导性胰腺炎，常与IgG4相关疾病（IgG4-related disease, IgG4-RD）相关。局灶性CP和AIP可表现为胰头肿块，引起梗阻性黄疸和体重减轻，而CP还会导致反复疼痛、营养不良和胰腺功能障碍。AIP分为1型（IgG4相关、多器官受累）和2型（特发性导管中心型、局限于胰腺，与炎症性肠病相关）。这些病变的表现与胰腺导管腺癌（PDAC）几乎无法区分，需准确鉴别诊断以避免不必要的手术并指导适当治疗。早期CP因缺乏特异性生物标志物而难以诊断，需结合临床症状、影像学发现和功能检查进行综合评估。AIP根据HISORt标准或ICDC标准，通过评估组织病理学特征、影像学结果、血清学数据、器官外受累和类固醇治疗反应来诊断。两种疾病的诊断仍困难，因为没有任何单一检查在所有临床情况下足够。影像学检查存在主观性和定性局限性，易出现重叠影像特征，高度依赖放射科医师经验，缺乏定量标准。尽管血清IgG4升高是AIP的重要特征，但其敏感性和特异性不完美，仅依赖血清IgG4可能导致误诊。组织学检查是诊断的金标准，但常受限于采样误差、细针活检材料不足及完整组织结构保存困难。重要的是，局灶性AIP和肿块形成性炎性病变仍可能难以与胰腺恶性肿瘤区分，增加了延迟或不适当治疗的风险。误将良性病变误诊为恶性肿瘤可能导致广泛胰腺切除，而将PDAC误诊为CP或AIP可能延误根治性治疗或导致不当使用类固醇。CP和AIP均需纵向监测：CP需重点关注器官形态、疼痛、胰管并发症、营养及胰腺内分泌和外分泌功能；AIP需监测疾病活动性、疗效、复发、胆道及胰腺外并发症。长期随访需多维度系统管理，因此开发计算工具帮助临床医生整合复杂数据具有重要临床意义。在炎性胰腺疾病诊断和治疗不断进步的背景下，结合放射组学、深度学习（deep learning）和结构化临床数据的人工智能（AI）方法日益被认为是优化临床决策的有效工具，能够实现标准化诊断、客观疾病量化、病程精确预测和精准医学支持。
**2 人工智能在慢性胰腺炎中的应用**
**2.1 基于内镜超声的自动化诊断**
内镜超声（EUS）提供胰腺实质和导管微结构的高分辨率可视化，是CP和AIP的核心诊断模态。Rosemont标准定义了CP的超声诊断标准，但该标准依赖于操作者经验和主观判断，导致观察者间差异大、临床一致性差，严重限制了EUS诊断在基层医院的普及和稳定性。随着AI和数字图像处理技术的发展，基于EUS图像的自动化诊断方法逐渐出现。荟萃分析显示，AI辅助EUS诊断胰腺肿块（包括胰腺癌、CP、AIP等）的总体准确率高达93.6%。基于人工神经网络（ANN）的EUS弹性成像计算机辅助诊断技术可快速准确识别胰腺肿块良恶性，优于单纯的图像分析和人工阅片。Marya等人的研究表明，基于卷积神经网络（CNN）的模型在EUS图像中区分CP与其他胰腺肿块时，敏感性和特异性均为81%（AUC
0.847）。Kuwahara等人基于EfficientNetV2-L CNN开发的模型在验证集中的AUC达到1.00（0.61–1.00），表明其具有良好的CP鉴别能力。与常规EUS相比，AI辅助EUS在胰腺病变检测和鉴别诊断中表现出更优性能，主要归因于AI模型能精确分割胰腺并可靠识别Rosemont特征，从而减少观察者间变异，提高诊断的客观性、稳定性和可重复性。对比增强超声（CEUS）可实时评估胰腺微血管灌注，为早期诊断、疾病鉴别和并发症评估提供独特价值。基于CEUS图像的深度学习放射组学（DLR）模型在CP辅助诊断中表现良好（AUC
0.953–0.986），优于具有3–15年经验的放射科医师，并显著提高了诊断敏感性和特异性。
**2.2 基于CT放射组学的诊断与严重程度分级**
深度学习和放射组学正在深刻改变基于CT的CP诊断和治疗模式，通过自动分割、客观分级和精准识别提高诊断效率。早期研究建立了基于胰腺CT影像特征结合纹理特征分析的模型，用于鉴别诊断胰腺癌和CP，显示出良好的诊断效能（AUC
0.98）。Mashayekhi等人基于IsoSVM对胰腺增强CT的放射组学特征进行建模，能更好识别腹痛患者中的CP（AUC
0.9）。一项大规模多中心回顾性研究基于3D nnU-Net深度学习开发了语义分割模型，能准确分割CP患者中复杂的胰腺结构，分割精度和鲁棒性高，适应多站点和多扫描仪，且在标记异质性、效率和稳定性方面优于手动分割。AI放射组学模型可利用平扫CT自动对CP进行严重程度分级。CATS模型在区分不同严重程度级别方面表现优异，AUC分别为0.96和0.88，甚至通过识别常规阅片中被遗漏的细微钙化而优于放射科医师。另一项研究利用深度学习从CT图像预测病理CP分级（CPpG），其深度学习放射组学评分（DLRS）表现更佳，AUC为0.84。CT放射组学在CP诊断和分级中显示出强大性能，但在复杂鉴别诊断中，基于AI的多模态融合具有明显优势。整合对比增强超声的深度学习放射组学模型实现了AUC
0.953–0.978，与经验丰富的放射科医师表现相当。
**2.3 基于MRI组学的严重程度分级**
AI在CP的MRI诊断中发挥关键作用：自动分割、病变检测与定性以及定量特征提取。PanSegNet模型在MRI图像中实现了高精度胰腺分割，Dice相似系数达80%–88%，为胰腺体积精确测量和萎缩评估提供了可靠工具。AI可自动识别并定性分析MRI中胰腺实质纤维化和萎缩等异常变化。基于多参数MRI和机器学习（ML），ADC和IVIM-DKI等参数能有效识别胰腺肿块，灌注分数（f）能很好区分PDAC和肿块形成性慢性胰腺炎（MFCP）（AUC
0.84）。放射组学可从常规MRI中提取定量纹理特征，量化胰腺实质微结构变化，为CP的早期诊断和分级提供客观依据。例如，基于多参数MRI放射组学的ML模型有助于区分PDAC和MFCP，总体AUC约为0.9，具有良好的敏感性和特异性，诊断性能明显优于当前临床模型和放射科医师阅片。
**2.4 临床与血清学数据的整合**
AI通过整合多源临床检测数据重塑CP诊断中生物标志物的开发和应用。首先，AI在单组学数据中具有强大的特征筛选和建模能力。基于IDH1 CAPS等蛋白组合的ML模型在尿液蛋白质组学中区分儿童CP与对照组的AUC>0.95。在血清蛋白质组学中，基于NPY、C1QA等标志物的XGBoost模型区分胰腺癌与CP的AUC达到0.84–0.92。同样，基于血浆miRNA panel的SVM模型AUC为0.906，适用于更广泛人群。此外，AI能良好处理复杂数据，如表观遗传学和代谢组学。基于随机森林（RF）算法构建的血浆cfDNA甲基化特征（PRKCB基因位点）区分CP与胰腺癌的AUC为1.00。另一项研究通过ML优化血浆代谢物panel，在大型多中心验证中实现高性能（AUC
0.922）。AI的整合优势还体现在多模态数据融合以提高效率方面。RNA测序变异与CA19-9深度学习模型的融合可识别可切除胰腺癌和CP。通过转录组荟萃分析筛选的分泌基因panel在组织和血液样本中实现稳定区分，区分CP与胰腺癌的AUC达到0.95。这些研究为CP的精准、无创诊断提供了新途径。
**3 人工智能在自身免疫性胰腺炎中的应用**
**3.1 基于CT的诊断模型**
放射组学从图像中提取纹理、形状等特征，转化为可用数据，有助于诊断AIP。传统CT诊断依赖放射科医师对形态变化的视觉评估，无法捕捉AIP与PDAC之间的细微纹理差异，可能导致鉴别诊断效率低。基于CT放射组学的ML模型在AIP与PDAC的鉴别诊断中逐步从单特征建模向多特征融合发展，从模型效能验证向临床深入比较发展。Park等人通过RF算法开发的静脉期模型表现良好，准确率95.2%，远优于传统CT；此外，在无明确临床怀疑AIP的患者中，放射科医师仅67%的病例考虑AIP，而模型实现了89.7%的敏感性和更高特异性。E等人随后研究证实，结合CT平扫、动脉期和静脉期多阶段放射组学特征时诊断效率最佳（AUC
0.977，准确率94.8%），显著优于单阶段模型，且比资深放射科医师的主观诊断更准确。Li等人首次使用倾向性评分匹配控制偏倚，基于此构建的放射组学评分模型具有很高区分度（AUC
0.97），表明严谨的研究方法能增强模型价值。Lu等人通过开发整合放射组学和CT视觉特征的列线图推进临床转化，该模型优于单特征模型（AUC
0.83），并提供可视化工具辅助临床决策。深度学习，特别是CNN，能自动从原始图像中学习层次化和复杂的特征表示，无需手动特征工程。从CNN中间层提取的深度特征具有更高预测能力。Ziegelmayer等人报告，基于深度特征的ML模型获得比传统放射组学特征更高的敏感性、特异性和AUC（0.89、0.83、0.90 vs 0.72、0.78、0.80），可视化热图进一步揭示了AIP与PDAC之间不同的激活模式，有助于提高诊断准确性。PET/CT AI模型通过检测代谢和形态学病变差异，实现AIP的准确无创识别。PET/CT放射组学模型的多模态特征早期融合达到AUC
0.93，优于临床模型和主观判断。随后Liu等人添加两个时间点的动态信息，将AUC提升至0.9668，显著优于传统临床诊断。Wei等人结合放射组学和深度学习特征构建PET/CT多模态模型，AUC为96.4%，该模型能纠正误诊，展示了多源信息融合的临床价值。
**3.2 基于MRI和弥散加权成像（DWI）**
MRI在软组织对比方面优于CT。DWI反映组织弥散情况，有助于区分炎性和肿瘤性病变。AIP病变细胞密度高、弥散受限，导致表观弥散系数（ADC）值低于PDAC。肉眼判读ADC图较主观，但基于AI的放射组学与MRI结合可提取更丰富、更特异的定量特征，提高诊断准确性。一些研究从ADC图中提取纹理特征，使用SVM模型区分局灶性AIP与胰腺癌，准确率达96.2%。该研究证明，DWI-ADC放射组学模型结合SVM AI分类器能有效区分AIP与胰腺恶性肿瘤，支持自身免疫性胰腺炎的无创诊断。荟萃分析显示，MRI AI模型比CT AI模型具有更好的敏感性（84% vs 59%），特异性相似（97% vs 99%），证实MRI在检测和鉴别此类病变方面具有更大临床优势，可能归因于MRI的多参数成像能力。MRI放射组学和AI在区分自身免疫性胰腺炎方面显示出前景，但当前研究存在方法学局限性、验证不完整和临床转化证据薄弱，需要大型、多中心前瞻性研究。
**3.3 基于EUS诊断AIP的AI模型**
EUS的AI模型为AIP无创诊断提供了新工具，发展趋势从传统ML向深度学习转变，从单一识别向多分类任务转变。Wang等人早期基于SVM和新纹理特征构建的模型已能有效区分AIP与CP，准确率89.3%。Marya等人使用ResNet50V2识别AIP与PDAC，实现AUC
0.96。EUS判读高度依赖操作者且主观，而AI-CAD实现更客观诊断。在区分良恶性病变方面，Kuwahara等人基于EfficientNetV2-L开发的深度学习模型在内部验证中显示100%敏感性，但外部验证发现AIP等良性病变被误诊，敏感性降至73%，表明需进一步多中心前瞻性验证。Nakamura等人通过结合图像增强和时间数据优化ResNet152，模型实现AUC
0.85和准确率0.80，优于内镜医师（总体诊断准确率仅63%）。但该回顾性单中心研究尚未完全满足临床部署标准。Ni等人开发的智能内镜超声（iEUS）系统基于Mask RCNN ResNeXt-101-D架构，能分析多种胰腺病变的图像和实时视频，在前瞻性诊断中达到97.0%准确率，其诊断性能与中高级医师相当，并能在各层级提升诊断能力、缩小差距。未来工作应包括多中心外部验证、扩大病例数和病变类型以推进临床转化，此外，将AI模型与实时内镜工作流程整合以及结合多种临床数据将是未来发展的关键方向。
**3.4 基于临床和血清学数据的AI诊断模型**
AIP的诊断很少仅基于影像学。整合多模态数据的AI模型可展示优越性能。血清IgG4是诊断AIP的重要标志物。一项多中心研究使用随机森林等机器学习算法分析患者特征和血液指标，加入IgG4水平后，RF模型诊断IgG4相关疾病的AUC达到0.974。尽管单独血清IgG4诊断有限（部分AIP患者指标正常），但在AI整合模型中与其他指标结合具有价值。一项多中心回顾性研究使用RF模型仅纳入6项临床和超声特征（CA19-9、腹痛、黄疸、AIP分型、血流信号、形态），外部验证显示其诊断AIP的能力与资深放射科医师相当或更优。此外，已构建结合血清学指标和代谢参数的多参数模型，包括血清IgG4≥280 mg/dl、CA19-9≤85 U/ml和代谢肿瘤体积（MTV），该模型表现出极高诊断效能（AUC
0.991，敏感性95.3%，特异性96.4%）。未来整合多模态输入的AI模型可能实现更早期、更准确、无创的AIP诊断。
**4 数字病理与定量组织学**
深度学习模型如DeepLabV3+可用于对慢性胰腺炎全切片图像中的组织区域进行自动分割和精确定量。通过潜在类别分析，建立了新的组织病理学衍生病理分级系统（CPpG），能有效对CP进行严重程度分级，并验证了AI通过定量组织学分析生成客观分级标准的能力。基于qFibrosis的AI数字病理平台可通过二次谐波产生（SHG）显微镜实现胶原纤维的无标记可视化。SHG显微镜与机器学习结合，可获取胶原纤维数百个可量化的形态学特征，如纤维长度、宽度、网络结构和交联程度。值得注意的是，qFibrosis在肝纤维化模型中能准确检测治疗后纤维化消退。将该技术应用于胰腺活检，可对纤维化负担进行连续、精细评估，从而更准确地揭示疾病自然病程和评估治疗反应。IgG4阳性浆细胞显著浸润是AIP最具特征的组织病理学标志。人工判读和计数IgG4阳性浆细胞耗时且主观，小标本易受采样误差影响。深度学习可准确自动识别计数，提高客观性和效率，并整合多种特征开发诊断模型。然而，目前AI结合数字病理诊断AIP的研究仍较少，亟需高质量探索。
**5 预后模型：预测并发症与结局**
传统预后工具如慢性胰腺炎预后评分（COPPS）可利用疼痛、糖化血红蛋白（HbA1c）、C反应蛋白（CRP）、体重指数（BMI）和血小板计数对短期至中期住院风险进行分层，但其预测强度中等，对早期疾病不敏感，且与形态学影像分期相关性差。为克服这些局限，AI越来越多应用于CP评估。AI模型动态预测CP并发症、严重程度和预后，以支持早期干预。Chen等人构建了CATS模型（平扫CT+3D CNN）用于自动CP严重程度分级，该模型与外分泌功能、住院时间、疼痛和再入院显著相关。他们进一步通过AI量化病理切片建立CPpG和DLRS模型（CT放射组学+深度学习），II级患者糖尿病风险增加2.32倍，外分泌功能不全风险增加1.41倍，住院时间更长、再入院率更高、疼痛评分更高。Xie等人使用自然语言处理（NLP）从放射学报告中定义晚期CP，其5年死亡率为33.2%，低体重、吸烟和糖尿病为可控独立危险因素。胰腺外分泌功能不全（EPI）是CP常见并发症。Nalliah等人使用CT放射组学和XGBoost构建EPI预测模型，外部验证AUC为0.80–0.81，可定量评估损伤程度。Tanaka等人使用决策树筛选出BMI和总蛋白，构建了EPI简易评分系统，AUROC达到0.782，表明模型稳定且是有效、无创、低成本的筛查工具。Pyenson等人使用随机森林分析行政索赔数据，识别未诊断的EPI病例，模型能基于非特异性症状有效预测EPI（AUROC
0.94），估计患病率是实际诊断患病率的12倍，显著提高了识别并发症的敏感性和覆盖范围。预测CP患者胰腺糖尿病仍具挑战。Nalliah等人显示仅基于CT特征的放射组学模型效率有限，糖尿病预测AUC仅为0.63，准确率0.39。但Chen等人基于CT预测的CPpG分级显示II级患者糖尿病风险增加2.32倍，提示病理-影像联合策略可能提高预测价值。Manava等人使用ML预测CP患者胰腺酶替代治疗的不依从性，XGBoost模型AUC达到0.91，SHAP分析表明病程、年龄、低脂饮食、农村居住和本科教育水平是关键因素，据此可建立不依从性（NC）评分用于高危人群的靶向干预。尽管现有模型尚不完善，但系统性开发方法为CP个性化管理提供了可量化基础。
**6 挑战、局限与未来方向**
AI在临床应用中仍存在许多问题。现有研究大多为回顾性、单中心设计，样本量相对有限，可能引入选择和信息偏倚，存在模型过拟合和泛化能力降低的风险。此外，许多模型仅通过内部验证评估，缺乏独立外部验证或前瞻性测试，导致报告的AUC、敏感性和特异性可能过于乐观，不能完全代表不同机构、扫描仪、患者人群和疾病阶段的真实世界性能。深度学习模型的诊断逻辑不透明，这种透明度不足直接降低了临床医生对技术的信任。可解释性AI技术，如SHAP值和显著性图，可用于揭示算法驱动哪些结果，增强模型可信度。CT扫描协议、MRI场强和内镜超声（EUS）处理器设置均可影响放射组学特征，从而影响模型性能。真正将AI整合到临床还需打破其与电子健康记录和影像归档通信系统之间的互操作性障碍。建立合理的AI辅助检查报销机制是确保公平可及的前提。总之，仅凭回顾性研究不足以将这些工具投入实际应用。未来需要协同努力，转向前瞻性、多中心试验，采用预设方案、统一的临床、血清学和影像学数据收集、独立外部验证队列和亚组分析，以检验模型稳健性。
**7 讨论与结论**
AI为慢性胰腺炎和自身免疫性胰腺炎的治疗带来了新机遇。与传统依赖主观影像判读、有限生物标志物、人工组织学评估和经验性评分系统的方法相比，AI提供了更客观、定量、可重复和多模态的评估，结合放射组学、深度学习和临床经验，解决临床早期诊断、与癌症类型鉴别以及个体化预后评估的问题。例如，AI辅助解读内镜超声图像、分级纤维化和预测代谢并发症，将发展方向从个人主观感受状态转向可在该领域复制的客观标准，这是一场观察方式的变革，有助于降低诊断错误率并改善治疗方案。通过整合放射组学、深度学习和临床数据，AI可能改善早期诊断、与胰腺癌的鉴别诊断、严重程度分层和预后预测。从临床实施角度看，AI的主要价值在于通过整合影像、EUS、血清学、组织病理学和结构化临床数据来增强现有工作流程。在常规实践中，AI模型可嵌入EUS平台进行实时分析，或通过PACS兼容的放射组学流程整合到CT/MRI解读中，从而实现自动特征提取和决策支持，同时最小化对标准护理的干扰。基于超声和实验室变量的更简单模型可能特别适用于初级医疗环境，而更先进的系统可在三级医疗中心的复杂鉴别诊断中提供附加价值。成功的临床采用还将依赖于充分的临床医生培训和可解释的模型输出，以便在临床背景下恰当评估AI生成的结果。未来需要协同努力，转向前瞻性、多中心试验。随着可解释性和多模态AI系统的持续发展，它们将走出实验室广泛应用。更新的研究结果将帮助医务人员做出临床合理决策。此外，未来研究需探索AI驱动下放射影像、内镜观察、病理切片和多组学数据整合的路径，用于分子特征识别、患者数字孪生构建、疾病发展趋势和复发预测等，从而实现胰腺疾病和IgG4相关疾病的精准管理。这不仅是技术升级，也带来其他领域的变革，已成为胰腺疾病领域精准医学日益明确的发展方向。
