企业官网建设流程全解析

胰腺癌CT诊断新范式：深度学习同时捕捉直接与间接影像征象，小肿瘤检出率远超医生

期刊：Radiology（放射学，IF=29.5，北美放射学会旗舰期刊，全球放射学领域排名第一的学术期刊）

发表时间：2026年6月16日（在线发表）

作者：Yamaguchi T（山口健）#、Sofue K（祖父江恵太郎）*、Masuda A（增田充弘）#、Hirahara N（平原伸幸）、Ogasawara A（小笠原彩）、Gonda M（権田雅典）、Miki M（三木美香）、Ueshima E（上島英介）、Yabe S（矢部真司）、Umeno A（梅野明宏）、Ebisu N（蛭子直也）、Kobayashi T（小林隆）、Sakai A（酒井新）、Tanaka U（田中詩）、Iemoto T（家本貴雄）、Kakuyama S（角山沙織）、Ezaki T（江崎剛）、Ikegawa T（池川拓也）、Hirata Y（平田雄一）、Tsumura H（津村秀高）、Ogisu K（荻須恭平）、Shiomi H（塩見英之）、Fujigaki S（藤垣誠司）、Nakagawa T（中川隆）、Furumatsu K（古松恵介）、Yamanaka K（山中康大）、Sato Y（佐藤悠）、Fujita K（藤田浩一）、Ashina S（芦名茂人）、Katoh T（加藤孝夫）、Takei M（武井瑞希）、Kodama Y（児玉裕三）#、Murakami T（村上卓道）#

通讯作者：Keitaro Sofue（祖父江恵太郎，神户大学医学研究科放射线医学讲座）

研究机构：神户大学医学研究科（第一/通讯单位）、Fujifilm医疗系统研发中心、甲南医疗中心、北播磨医疗中心、高槻综合医院、神户医疗中心、神户红十字医院、加古川中央市民医院、兵库县立癌症中心、日本生命医院、兵库医科大学、兵库县立播磨姬路综合医疗中心、千船综合医院、大阪济生会中津医院、兵库县立丹波医疗中心、淀川基督教医院、明石医疗中心、兵库县立淡路医疗中心

DOI：10.1148/radiol.253122

PMID：42301012

— — —

一、研究背景

胰腺癌被称为"癌中之王"，其凶险程度在恶性肿瘤中无出其右。根据美国癌症协会数据，胰腺癌的五年生存率仅为13%，预计到2030年将成为癌症相关死亡的第二大原因 [1]。更为严峻的是，80%-85%的患者在确诊时已处于不可切除的晚期阶段，丧失了唯一可能根治的手术机会 [2]。

然而，早期发现可以彻底改变这一局面。研究表明，诊断为0期胰腺癌或肿瘤直径≤10mm的患者，术后10年生存率超过90% [3]。这一鲜明的对比揭示了一个残酷的现实：胰腺癌预后极差的根本原因不是治疗手段的缺乏，而是发现得太晚。

CT是胰腺癌诊断最常用的影像学手段，但胰腺癌的CT检出极具挑战性。早期胰腺癌在CT上往往仅表现为细微的胰腺轮廓改变、局灶性实质萎缩或主胰管（MPD）的轻微扩张/狭窄——这些"间接征象"比可见的肿块更早出现，却极易被遗漏。既往研究显示，48%-72%的胰腺癌患者在确诊前已有间接CT征象，在小胰腺癌（≤20mm）中这一比例高达76% [4-7]。然而，识别这些微妙变化高度依赖阅片医师的经验和专业水平。

近年来，深度学习（DL）在胰腺癌CT诊断领域取得了令人瞩目的进展。2023年，Chen等人在Radiology发表了一项全国性人群研究，证实DL模型在CT上检测胰腺癌的灵敏度可与放射科医生媲美 [8]。同年，阿里巴巴达摩院团队的PANDA模型在Nature Medicine发表，利用平扫CT实现了大规模胰腺癌筛查 [9]。然而，这些模型的核心策略均聚焦于直接检测胰腺肿块本身，未能系统性地整合间接影像征象——而这恰恰是早期胰腺癌诊断的关键线索。

2026年6月16日，日本神户大学祖父江恵太郎团队联合Fujifilm及19家日本医疗机构，在放射学领域顶级期刊Radiology发表了一项突破性研究，提出了首个能够同时检测胰腺癌直接与间接影像征象的深度学习系统，并在增强CT和平扫CT上均实现了对小胰腺癌检出率的显著提升 [10]。

二、研究创新点

本研究在以下五个方面实现了根本性突破：

1. 首次实现"直接+间接"双维度影像征象的联合检测。既往DL模型仅关注胰腺肿块这一直接征象，而本研究首次将实质萎缩、MPD扩张和MPD狭窄三种间接征象纳入模型，使AI能像经验丰富的放射科医生一样，综合评估所有可用影像线索进行诊断。这一设计理念的根本转变，使模型尤其擅长检出尚未形成明确肿块的早期胰腺癌 [10]。

2. 增强CT和平扫CT双模态独立建模。研究分别为增强CT（CECT）和平扫CT（NCCT）开发了专用模型，而非简单地将一种模态的模型迁移到另一种。这使得平扫CT模型在完全没有造影剂信息的情况下，仍能保持较高的诊断精度——AUC达0.93，显著优于医生平均水平的0.91 [10]。

3. 小胰腺癌检出率实现质的飞跃。对于直径≤20mm的小胰腺癌，DL模型在增强CT上的灵敏度达到98%（医生平均82.6%），在平扫CT上更达到86%（医生平均仅41.1%）。平扫CT上医生对小胰腺癌的检出率不足一半，而AI将其提升了超过一倍——这是最令人振奋的临床价值所在 [10]。

4. 多中心、多厂商、异质化数据的严格外部验证。训练集来自9家医院和4个公开数据集，外部测试集则来自完全不同的9家医院，CT设备涵盖多种厂商和扫描协议。这种"机构级"外部验证确保了模型在真实世界多样化场景中的泛化能力 [10]。

5. 创新的三阶段级联架构。模型采用"分割→检测→诊断"的级联流程：先用3D U-Net分割胰腺和胰管，再用LSTM网络分析胰管直径的连续变化以检测间接征象，最后用逻辑回归整合所有征象做出诊断。这种模块化设计兼具高性能和可解释性 [10]。

三、技术原理

该研究提出的深度学习系统采用三阶段级联架构，分别针对增强CT和平扫CT训练了两个模态特异性模型：

第一阶段：胰腺与胰管三维分割（3D U-Net）

系统的第一步是使用基于3D U-Net的分割模型，从输入的CT图像中自动提取胰腺实质和主胰管（MPD）的三维轮廓。3D U-Net是一种经典的生物医学图像分割架构，通过编码器-解码器结构和跳跃连接（skip connection），能够在保持高分辨率空间信息的同时捕获多尺度语义特征。该模型在训练集中由放射科医生手动标注的胰腺和胰管轮廓上进行监督学习 [10]。

第二阶段：直接与间接征象检测（双通道并行）

这是整个系统最具创新性的模块，分为两个并行的检测通道：

•直接征象通道（肿块检测）：同样基于3D U-Net架构，专门用于分割胰腺内的异常肿块区域。该模型输出肿块的体积和空间位置信息，注意此处的"肿块检测"是对影像学异常密度区域的一般性识别，而非对恶性病变的特异性判断。

•间接征象通道（LSTM序列分析）：这是本研究最独特的技术创新。在胰腺癌早期，主胰管往往出现节段性扩张或狭窄，这些变化沿胰管走行呈现连续性特征。研究团队利用长短期记忆网络（LSTM）来建模胰管直径沿其走行方向的连续变化序列——将从第一阶段分割结果中提取的胰管直径数据组织为序列输入，LSTM通过其门控机制（遗忘门、输入门、输出门）捕获胰管直径过渡模式中的异常模式，进而对实质萎缩、MPD扩张和MPD狭窄三种间接征象进行独立分类 [10]。

LSTM的选择具有深刻的方法学考量：与卷积神经网络（CNN）相比，LSTM天然适合处理序列数据，能够捕捉胰管直径沿走行方向的"前后关联"变化——例如，胰头部胰管的突然狭窄后伴随远端的代偿性扩张，这种"狭窄-扩张"的过渡模式是胰腺癌的高度特征性表现，但难以通过基于局部感受野的CNN有效捕获 [10]。

第三阶段：胰腺癌鉴别诊断（逻辑回归整合）

系统的最后一步使用逻辑回归模型，将第二阶段输出的四个检测结果（肿块体积、实质萎缩概率、MPD扩张概率、MPD狭窄概率）作为输入特征，输出最终的胰腺癌诊断概率。选择逻辑回归而非更复杂的分类器（如随机森林或神经网络）的一个重要考量是可解释性——逻辑回归的权重系数可以直接反映每种影像征象对最终诊断的贡献度，使临床医生能够理解AI的决策依据 [10]。

计算效率：整个推理流程在配备11代Intel Core i7-11700处理器（2.5GHz，8线程，16GB内存）的普通工作站上即可运行，无需昂贵的GPU集群，这一特性对其临床部署具有重要意义 [10]。

四、实验结果

研究在2251名患者（平均年龄66±13.3岁，范围20-96岁，男性850名）中进行了系统评估，分为训练/验证集和两个独立的外部测试集（CECT集和NCCT集）：

影像征象检测性能：

DL模型在增强CT上对四种征象的检测AUC均≥0.90，在平扫CT上除肿块检测（0.88）和实质萎缩（0.88）外，MPD扩张和狭窄的检测AUC分别达到0.95和0.93——值得注意的是，平扫CT上胰管异常的检测性能甚至优于增强CT，这可能与造影剂对胰管显示的影响有关 [10]。

胰腺癌综合诊断性能：

在增强CT上，DL模型与医生平均水平表现相当（AUC均为0.99）；在平扫CT上，DL模型显著优于医生平均水平（AUC 0.93 vs 0.91，P=.03）[10]。

小胰腺癌（≤20mm）检出灵敏度——核心亮点：

这是本研究最具临床冲击力的结果。在平扫CT上，医生对小胰腺癌的平均检出率仅41.1%——这意味着近60%的早期胰腺癌在平扫CT上被医生漏诊，而DL模型将这一比例提升至86.0%，实现了超过一倍的提升。在增强CT上，DL模型也以97.7%的灵敏度显著优于医生的82.6% [10]。

医生间变异性分析：6名读片医生中，经验最丰富的放射科医生（16年经验）在CECT上达到了与DL模型相当的性能，而经验较少的培训中放射科医生（4年经验）在NCCT上的灵敏度仅为30%左右。这表明DL模型可以有效缩小不同经验水平医生之间的诊断差距 [10]。

五、技术优势

1. 间接征象建模填补了关键临床空白。这是首个将胰腺癌间接影像征象系统性地纳入DL检测框架的研究。通过LSTM网络对胰管直径连续变化进行建模，模型能够捕捉到人类肉眼难以察觉的细微胰管形态异常，从而在肿块尚未形成或不明显时即发出预警 [10]。

2. 平扫CT上的突破性性能。平扫CT因无需注射造影剂、检查速度快、成本低，在体检和常规随访中应用广泛，但胰腺癌的平扫CT诊断一直被视为"高难度任务"。本研究的NCCT模型以AUC 0.93的表现超越了医生平均水平，且对小胰腺癌的灵敏度（86%）远超医生（41.1%），使平扫CT从"偶然发现"的工具升级为潜在的"主动筛查"手段 [10]。

3. 模块化架构带来的可解释性。三阶段级联设计使模型的每一步输出都可被独立审查：分割结果可被可视化验证，各征象的检测概率可被单独展示，最终诊断的逻辑回归权重可被解读。这种"白盒"特性对于临床AI的信任建立至关重要 [10]。

4. 普通硬件即可运行。模型在普通工作站（Intel i7 + 16GB内存）上即可完成推理，无需昂贵的GPU集群。这一特性使其在基层医院和体检中心等资源有限的场景中具有极高的部署可行性 [10]。

5. 19家机构的多中心异质性验证。训练集和外部测试集来自完全不同的医院群，CT设备和扫描协议高度异质化，这种"真实世界"验证策略大幅增强了结果的外部效度 [10]。

六、应用前景

1. 体检中心的胰腺癌机会性筛查。平扫CT广泛应用于健康体检和疾病筛查，但胰腺癌的平扫CT检出率一直不理想。本研究的NCCT模型可将小胰腺癌的平扫CT检出率从41%提升至86%，意味着每年数以百万计的"偶然"腹部平扫CT都可能成为胰腺癌早期发现的机会窗口 [10]。

2. 基层医院的诊断能力提升。在缺乏经验丰富的腹部放射科医生的基层医院，该AI系统可作为"第二阅片者"，帮助经验不足的医生识别容易被忽略的间接征象，弥合医疗资源不均带来的诊断差距 [10]。

3. 高危人群的主动监测。对于有胰腺癌家族史、遗传性胰腺炎、Peutz-Jeghers综合征等高危人群，定期进行低剂量平扫CT联合AI分析，可能成为一种经济有效的主动监测策略 [10]。

4. 胰腺癌多学科诊疗（MDT）的决策支持。系统输出的四维征象分解结果（肿块+三种间接征象），可为外科、肿瘤内科、放射科多学科团队提供客观、量化的影像评估依据，辅助制定个体化的治疗方案 [10]。

5. 与Fujifilm的合作预示着产业化路径。研究团队中包含Fujifilm医疗系统研发中心的研究人员，表明该技术已具备从学术研究向商业产品转化的基础，未来可能通过CT设备内置或PACS系统插件的形式实现临床推广 [10]。

七、研究局限性与未来方向

1. 回顾性研究设计的固有局限。本研究为回顾性研究，可能存在选择偏倚。尽管外部测试集采用了连续入组策略，但训练集中阳性病例（胰腺癌）的比例可能高于真实临床场景，导致阳性预测值需在前瞻性研究中进一步验证 [10]。

2. 人群代表性有限。研究人群以日本患者为主，胰腺癌的流行病学特征（如发病年龄、病理类型分布）和CT影像特征（如胰腺脂肪浸润程度）可能存在种族差异，在推广至其他人群前需进行跨种族外部验证 [10]。

3. 缺乏与现有商用AI系统的头对头比较。研究仅与6名医生进行了比较，未与已获FDA或CE批准的商用胰腺癌AI检测系统进行直接对比，限制了对其相对性能优势的评估 [10]。

4. 非胰腺癌胰腺病变的鉴别能力待验证。模型在训练时以"胰腺癌 vs 非胰腺癌"为分类目标，但未专门评估其对自身免疫性胰腺炎、肿块型胰腺炎等胰腺癌"模仿者"的鉴别能力——这些良性病变在影像上常与胰腺癌高度相似，是临床诊断中的常见陷阱 [10]。

5. 未来方向。前瞻性多中心临床试验是验证该技术临床价值的必要步骤；整合临床信息（如CA19-9、血糖水平等）的多模态模型可能进一步提升诊断性能；将模型扩展至MRI等其他成像模态也将拓展其应用场景 [10]。

八、结论

本研究首次开发并验证了能够同时检测胰腺癌直接征象（肿块）和间接征象（实质萎缩、MPD扩张、MPD狭窄）的深度学习系统，在增强CT和平扫CT上均实现了与资深放射科医生相当或更优的诊断性能。最令人瞩目的是，对于直径≤20mm的小胰腺癌，该模型在平扫CT上的检出灵敏度（86%）远超医生平均水平（41%）——这一发现或将彻底改变胰腺癌的早期筛查范式。胰腺癌预后改善的关键在于"向前一步"——在症状出现之前、在肿块形成之初，即捕捉到疾病的蛛丝马迹。该研究为这一愿景提供了强有力的技术支撑 [10]。

参考文献

1. Siegel RL, Miller KD, Wagle NS, Jemal A. Cancer statistics, 2024. CA Cancer J Clin. 2024;74(1):12-49. PMID: 38230766.

2. Vincent A, Herman J, Schulick R, Hruban RH, Goggins M. Pancreatic cancer. Lancet. 2011;378(9791):607-620. PMID: 21620466.

3. Egawa S, Toma H, Ohigashi H, et al. Japan Pancreatic Cancer Registry: 30th year anniversary. Pancreas. 2012;41(7):985-992. PMID: 22750974.

4. Ahn SS, Kim MJ, Choi JY, Hong HS, Chung YE, Lim JS. Indicative findings of pancreatic cancer in prediagnostic CT. Eur Radiol. 2009;19(10):2448-2455. PMID: 19415286.

5. Gangi S, Fletcher JG, Nathan MA, et al. Time interval between abnormalities seen on CT and the clinical diagnosis of pancreatic cancer. Am J Roentgenol. 2004;182(4):897-903. PMID: 15039161.

6. Tohno E, Ueno E, Watanabe H. Ultrasound screening of pancreatic cancer. Eur J Ultrasound. 1996;3(3):S27-S28.

7. Yoon SH, Lee JM, Cho JY, et al. Small (≤20 mm) pancreatic adenocarcinomas: analysis of enhancement patterns and secondary signs with multiphasic multidetector CT. Radiology. 2011;259(2):442-452. PMID: 21406627.

8. Chen PT, Wu T, Wang P, et al. Pancreatic cancer detection on CT scans with deep learning: a nationwide population-based study. Radiology. 2023;306(1):172-182. PMID: 36098642.

9. Cao K, Xia Y, Yao J, et al. Large-scale pancreatic cancer detection via non-contrast CT and deep learning. Nat Med. 2023;29(12):3033-3043. PMID: 37985692.

10. Yamaguchi T, Sofue K, Masuda A, et al. Deep learning detection of direct and indirect imaging findings associated with pancreatic cancer at contrast-enhanced and noncontrast CT. Radiology. 2026;319(3):e253122. PMID: 42301012.