CT中胰腺导管腺癌的检测（Pancreatic Ductal Adenocarcinoma Detection in CT）

模型事实

总结

此算法在基于静脉相对增强的计算机断层扫描（CECT）中构建胰腺导管腺癌（PDAC）肿瘤可能性热图。此外还提供多个周围解剖结构的分割包括胰管胆总管静脉和动脉。经过重新采样处理后热图与输入CECT图像具有相同的空间分辨率和物理尺寸。

机制

本研究开发了一种基于深度学习的人工智能系统用于全自动化PDAC肿瘤检测。在这一过程中，首先通过低分辨率的nnUNet模型进行粗略胰腺区域分割，在输入超声检查图像中提取出胰腺周围及其相关结构区域。随后将此精炼区域输入到包含10个独立训练模型（采用五折交叉验证）进行预测评估，并通过集成学习方法得到最终的PDAC肿瘤可能性评估结果。其中nnUNet能够生成7种不同的解剖结构分割结果：包括肝静脉（ID:1）、肝动脉（ID:2）、胰腺（ID:3）、胆总管（ID:4）、胆囊（ID:5）、肾上皮囊肿（ID:6）以及肾静脉（ID:7）。

本研究提出了一种基于自动检测流程的技术框架图解说明。该框架分为三步来进行分析与评估：第一步是通过低分辨率胰腺分割网络从全输入CE-CT扫描中自动提取目标区域（ROI）。接着将提取得到的目标区域分别输入到三个PDAC检测网络中：包括nnUnet_T、nnUnet_TP和nnUnet_MS。最后输出结果为各检测模型生成的肿瘤似然概率分布图，在nnUnet_TP和nnUnet_MS模型中，默认会结合自动生成的胰腺分割结果进行进一步优化处理。

验证和性能

该框架位于一个独立的外部战列中进行了评估过程，在此期间该战列主要基于两个公开可用的数据集构建。

Medical Segmentation 迪卡侬 胰腺数据集（训练部分）包含来自 281 名患者的病例及其相关体素级注释。这些病例涵盖了胰腺头部、颈部、身体及尾部不同部位的恶性肿瘤。

来自美国的国立卫生研究院临床中心拥有Cancer Imaging Archive的数据集。该集合包含了80名健康患者的胰腺切片，并每个切片都有相应的体素级别的注释信息

整个测试队列及大小小于或等于 2 cm 的病变亚组的纳入标准（AUC-ROC 和 pAUC-FROC）的表现如表1所示。其中 AUC-ROC 表示受试者工作特征曲线面积（Area Under the ROC Curve），pAUC-FROC 则是以每位患者假阳性数（范围为 0.001 至 5.0）区间内计算的局部化故障检测性能指标。

AUC-ROC的	pAUC-FROC
整套测试仪	0.909	3.700
肿瘤 <= 2 cm	0.876	3.553

用途和说明

该算法专为研究目的而设计。 该算法仅限于临床怀疑PDAC患者进行静脉期CECT检查 （即针对特定患者群体） 。 不适用于不同人群的分析 （例如未涉及其他疾病谱患者的评估） 。

好处： 自动检测和定位PDAC，并提供有关周围解剖结构的附加信息。

目标人群： 该算法基于 Radboud 大学医学中心收集的 242 例患者的医疗数据集进行训练，并在其中约有 119 例患者的病理检查结果证实为胰腺癌（PDAC）。

一般用途

恰当的决策辅助：该模型能够将病变 X 识别为恶性风险较高的情况。放射科医生将对预测结果以及相关临床资料进行评估，并据此指导患者接受必要的随访检查。

在使用此模型之前： 该诊断队列将用于回顾性地和前瞻性地分析该模型在本地环境下对目标人群（即关注群体）的有效性验证。

安全性和有效性评价： 将在临床验证研究中确定。

实验结果：

基于外部测试集的一组等衰减肿瘤样本中

结论

这项研究开发了一个无需人工干预且完全依赖深度学习算法的新框架。该框架能够准确识别患者的PDAC患病情况并辅助完成肿瘤定位。其在广泛测试样本集上的最佳AUC值达到了0.914，在体积小于2厘米的不同病灶类别中表现尤为突出（最高达0.876）。这一结果表明了当前深度学习技术在早期PDAC诊断方面的能力，并可能在未来帮助放射科专家更早地确诊这类疾病。此外研究表明，在分析病变时加入周围器官的信息分析能力得到了显著提升（约15%）。然而，在这些技术能够在临床环境中实际应用之前