当前位置：首页 > news >正文

大队列CT胰腺癌PANDA 模型医生结合AI后，病灶检测灵敏度提升 8.5%，胰腺癌识别灵敏度提升 20.5%，住院医师性能接近专家水平

news 2025/8/8 8:30:23

胰腺癌（PDAC）因早期难发现、预后极差被称为“癌王”，多数患者确诊时已处于晚期，错失手术机会。近期，《Nature Medicine》发表的一项研究显示，中国团队研发的AI模型PANDA可通过非增强CT精准检测胰腺癌，为大规模筛查提供了新工具。

作者提供了在线网站：panda.medofmind.com 演示模型在几个样本上的效果

一、数据来源：覆盖多场景、多中心，兼顾多样性与可靠性

为确保模型的泛化能力，研究团队构建了多维度数据集：

训练集：3208名患者（含胰腺癌、良性病变及健康对照），来自上海胰腺疾病研究所（SIPD），均经病理确诊或2年随访验证。
多中心验证集：6239名患者，涵盖中国、中国台湾地区及捷克的10个医疗中心，包含不同种族、成像设备及临床场景数据。
ChiCTR2200064645数据集：20530名连续患者，来自体检、急诊、门诊、住院4类场景，覆盖常规临床流程中的各类人群。
胸部CT数据集：492名患者，验证模型在胸部CT（胰腺部分扫描）中的可行性。

二、数据处理

非增强CT中，胰腺癌与正常组织的灰度差异极小，直接标注病灶几乎不可能。研究团队通过跨模态信息迁移破解这一难题，具体步骤如下：

双模态数据对齐
为3208名训练集患者同时采集非增强CT和增强CT（同一检查时段），利用刚性配准算法（基于解剖标志点，如脊柱、血管）将两组图像精准对齐，确保像素级空间对应。
专家标注迁移
由5名胰腺影像专家在增强CT上手动标注：1.胰腺整体区域；2.病灶边界（含胰腺癌及7类良性病变）；3.病灶类型（病理确诊）。通过配准矩阵，将这些标注“映射”到非增强CT上，生成非增强CT的伪标注（标注精度通过Dice系数验证，≥0.85）。
半监督胰腺分割优化
仅靠迁移标注仍不足，团队引入半监督学习：用1000例公开数据集（如TCIA）的胰腺标注初始化模型，再用3208例训练集的伪标注进行微调，最终胰腺分割Dice系数达0.91，为后续病灶检测提供精准“感兴趣区域”。
场景适配增强
针对胸部CT可能仅部分扫描胰腺的问题，设计动态裁剪增强：随机裁剪非增强CT的胰腺区域（裁剪比例30%-70%），模拟胸部CT的“不全扫描”场景，迫使模型学习胰管扩张等间接征象。

三、PANDA模型构建

胰腺癌检测的核心难题在于：非增强CT中病灶特征模糊，且需兼顾高灵敏度（不漏诊）与高特异性（少误诊）。PANDA模型的构建围绕这一痛点，通过“数据处理-多阶段建模-临床适配”三层设计

阶段1：胰腺定位（nnU-Net）【从CT种找到胰腺位置】

采用低分辨率nnU-Net (https://github.com/MIC-DKFZ/nnUNet) （3D U-Net 变体），输入为全腹CT（512×512×30层），输出胰腺的三维分割掩码。以标注的胰腺区域为真值，用Dice损失优化（聚焦边缘像素），同时加入“解剖约束”（胰腺与脊柱、十二指肠的相对位置），避免分割偏移。

阶段2：是否有病灶（多任务CNN）

以全分辨率nnU-Net 为 backbone，含双分支：

分割分支（seg）：输出病灶的像素级掩码（区分胰腺正常组织与病灶）；
分类分支（cls）：对分割分支提取的5级特征图做全局最大池化，拼接后通过全连接层输出“有病灶/无病灶”概率。
损失函数：联合优化分割与分类任务

$L=Lseg+0.3×Lcls\mathcal{L} = \mathcal{L}_{seg} + 0.3\times\mathcal{L}_{cls}$

其中， $Lseg\mathcal{L}_{seg}$ 为Dice损失+交叉熵损失（平衡前景/背景）， $Lcls\mathcal{L}_{cls}$ 为二分类交叉熵损失。
特异性调优：训练中通过动态阈值调整，在验证集上强制模型特异性达99%（即100例健康人中最多1例假阳性），方法是：当验证集特异性低于99%时，增加分类损失权重，倒逼模型“保守判断”。

阶段3：病灶鉴别诊断（记忆Transformer）

对检测到的病灶，进一步分类为胰腺癌（PDAC）或7类良性病变（如IPMN、慢性胰腺炎等），辅助临床决策。

模型结构：双路径记忆Transformer，融合局部细节与全局特征：
- UNet路径：输入胰腺区域裁剪图像（160×256×40层），输出5级特征图（捕捉病灶纹理、边界）；
- 记忆路径：初始化200个“记忆tokens”（320通道），通过交叉注意力与UNet特征交互，自动编码不同病灶的典型特征（如胰腺癌的“边界模糊”、IPMN的“胰管扩张”）。
注意力机制：每级UNet特征与记忆tokens做交叉注意力（聚焦病灶关键区域），记忆tokens间做自注意力（整合全局特征），最终通过分类头输出8类概率。
细分类优化：针对样本不平衡（如胰腺癌占比高，SPT罕见），采用“加权交叉熵损失”（罕见类权重×5），提升小样本类型的识别精度。

四、进一步优化模型：PANDA Plus

现实场景中，CT设备、患者人群差异大，且存在“未见过”的病变（如急性胰腺炎）。团队通过多种增量学习实现模型进化：

硬示例挖掘
从16420例真实世界数据（RW1）中筛选出76例假阳性（如peri-胰腺病变）和28例假阴性（如<10mm囊肿），作为“难例集”。
增量微调
冻结PANDA主干网络，仅微调分类头和记忆tokens，用“知识蒸馏损失”（约束新模型与原模型输出差异）避免遗忘旧知识，同时学习新病变特征（如急性胰腺炎的“胰腺肿大”）。
特异性跃升
PANDA Plus在4110例RW2数据中，特异性从99.0%提升至99.9%（每1000例仅1例假阳性），且新增对急性胰腺炎的检测灵敏度达90.0%。

五、模型结果：精度超专家，覆盖多场景，临床价值显著

内部与外部验证的核心性能

模型在多中心数据中表现稳定，对早期 / 微小病灶检测能力优异。

与放射科医生的对比及 AI 辅助效果

PANDA 性能超越人工，且能显著提升医生诊断能力。

abc图（AI vs 医生）：33 名医生（含专家、普通放射科医生、住院医师）的 ROC 曲线均在 PANDA 下方。PANDA 识别胰腺癌的灵敏度比医生平均高 34.1%，特异性高 6.3%；住院医师单独诊断时灵敏度甚至低至 16.7%-35.2%。
de中图（AI 辅助前后）：医生结合 PANDA 后，病灶检测灵敏度提升 8.5%，胰腺癌识别灵敏度提升 20.5%，住院医师性能接近专家水平。
f图：展示 AI 检出的早期胰腺癌和自身免疫性胰腺炎，均被医生漏诊，体现 AI 对细微特征的敏感性。

模型可利用胸部 CT（非专门扫描胰腺）实现胰腺癌筛查，拓展应用场景

模型在实际临床流程中安全有效，假阳性极低

模型性能：
- 16420 例真实数据（RW1）中，病灶检测特异性 99.0%，优化后的 PANDA Plus 在 4110 例（RW2）中特异性达 99.9%（每 1000 人仅 1 例假阳性）；
- 胰腺癌识别阳性预测值（PPV）达 68.9%，意味着 AI 提示的 “可疑病例” 中，近 70% 确为病变，减少不必要的随访。
漏诊案例：PANDA 检出 26 例被常规诊断遗漏的病灶（含 1 例胰腺癌、1 例神经内分泌肿瘤），其中 1 例经手术治愈，证明其临床价值