2026.11.18
该研究开发了全自动AI集成学习模型REDMOD,能在胰腺癌临床确诊前数月至数年、常规CT肉眼无异常的隐匿阶段,以显著超越专家的敏感度精准识别亚视觉放射组学恶变信号,并具备优秀的纵向稳定性与多中心泛化能力。
Title题目
01
新一代AI用于低患病率背景下肉眼隐匿性胰腺癌的早期检测及其纵向稳定性与多中心泛化性研究
Next-generation AI for visually occult pancreatic cancer detection in a low-prevalence setting with longitudinal stability and multi-institutional generalisability
文献速递介绍
02
胰腺导管腺癌是预后极差的恶性肿瘤,超过85%的患者在确诊时已处于不可切除的晚期,主要原因在于缺乏有效的早期检测手段。尽管新发糖尿病等高危人群已被临床指南推荐接受腹部紧急影像检查,但在癌症的临床前阶段(0期),胰腺实质形态通常表现完全正常,常规CT即使由经验丰富的影像科医生复审也无法发现肉眼病灶。现有利用机器学习挖掘亚临床影像改变的早期研究普遍受限于手动勾画胰腺繁琐耗时、测试集病例对照比例脱离临床真实患病率以及缺乏纵向随访稳定性和多中心外部验证。针对上述痛点,本研究研发了名为REDMOD的新一代全自动放射组学早期检测框架,旨在实现大规模临床前CT隐匿胰腺癌的可靠筛查。
Aastract摘要
03
胰腺导管腺癌预后极差,主要瓶颈在于其早期处于常规影像无法肉眼识别的亚临床隐匿阶段。为此,研究团队开发并验证了基于全自动三维胰腺分割与放射组学集成学习的早期检测模型REDMOD,旨在从常规腹部平扫及增强CT中识别超前肉眼可见病变的微观结构改变。该模型在包含969例的多中心队列上完成训练,并在模拟临床低患病率的493例独立测试集中进行盲法验证与人机对比。结果显示,REDMOD在中位诊断提前期475天时实现了0.82的AUC和73.0%的敏感度,敏感度显著超越腹部放射科专家近一倍,且在诊断前大于24个月的窗口期敏感度优势扩大至近三倍。该系统同时展现出卓越的纵向重测稳定性与多中心外部泛化特异度,为高危人群的前瞻性筛查与胰腺癌超早期临床干预提供了切实可行的AI方案。
Method方法
04
研究回顾性检索了经病理确诊的胰腺癌患者,筛选其确诊前3至36个月内完成的腹部增强CT,经临床原始报告与专科医师独立二次盲审,严格剔除存在肉眼可见肿块或间接征象的扫描,最终保留219例确诊前隐匿期CT;对照组纳入1243例随访3年以上证实无胰腺癌的CT,两者在年龄、性别和扫描时间上紧密匹配,形成逼近真实临床低患病率的约1比6病例对照结构。全数据集分为训练集(969例)与独立测试集(493例)。模型首先通过成熟的3D nnU-Net深度学习网络全自动分割胰腺体积;接着提取包括原始及多尺度小波变换、拉普拉斯高斯滤波在内的968个三维放射组学特征;利用最小冗余最大相关算法筛选出40个最具表征性的特征。针对类别不平衡问题,训练集应用SMOTE过采样技术扩增少数类样本,由逻辑回归、随机森林与XGBoost组成异构集成分类器,基于软投票机制整合概率输出,并通过训练集ROC曲线约登指数确定最优判别阈值。验证体系涵盖独立测试集盲法评测、两位腹部放射科医师直接比对、跨年度序列扫描的纵向重测稳定性检验,以及两个外部独立队列的特异度泛化评测。
Discussion讨论
05
研究结果证明REDMOD能够在胰腺癌形成肉眼可见肿块之前,敏锐捕捉到微观间质异质性与细胞构架紊乱所引起的亚视觉影像改变。与肺癌低剂量CT或乳腺钼靶筛查基于可见结节的传统路径不同,REDMOD开辟了对肉眼完全隐匿病灶的计算识别新途径。针对临床场景,模型预设阈值具备免重训动态校准特性,可在高危人群中根据侵入性检查风险高低灵活权衡敏感度与特异度,并支持对边界病例实施观察复测的临床随访策略。当前全器官风险评分的设计契合了肿瘤早期弥漫性场效应的病理特征,适合作为高危个体的前置初筛工具,为后续成纤维细胞活化蛋白靶向分子PET成像精确定位及新兴全身抗肿瘤纳米疫苗的免疫阻断拦截争取关键时间窗。尽管尚需前瞻性临床试验评估筛查偏倚与远期生存获益,该成果展现了前沿AI技术重塑致命恶性肿瘤早筛范式的巨大潜能。
Conclusion结论
06
REDMOD成功构建并验证了一个端到端全自动、基于生物学病理机制、具备高纵向稳定性和多中心泛化能力的下一代AI检测框架。该框架有效突破了常规影像无法肉眼识别超早期胰腺导管腺癌的医学瓶颈,性能大幅超越资深专科医生,为将散发性胰腺癌的诊疗范式从晚期对症姑息转移至临床前主动拦截奠定了坚实的技术基础。
Figure图
08

图1.
展示了研究队列的筛选流程与数据集切分。研究从病理确诊患者中回顾性提取确诊前3至36个月且经放射科专家双重确认无可见肿块的219例临床前CT扫描,按提前诊断时间细分为3至12个月、12至24个月与24至36个月三组;对照组纳入1243例随访3年以上无癌的CT,两者按约1比6的比例划分为训练集(969例)与独立测试集(493例)。

图2.
展示了REDMOD的整体端到端架构。流程首先利用三维nnU-Net执行全自动胰腺体积分割,继而提取968个原始及多尺度小波和拉普拉斯高斯滤波放射组学特征,通过mRMR特征优选算法精炼出40个核心特征,最后结合SMOTE样本平衡策略输入逻辑回归、随机森林和XGBoost构成的异构集成模型中,经软投票机制输出最终诊断概率。

图3.
展示了一例在临床确诊前2.4年被常规诊断报告为正常的患者CT随访案例。子图A为确诊前2.4年的肉眼隐匿期CT,子图B为2.4年后确诊时出现的明显胰腺肿瘤,子图C通过REDMOD特征热图清晰展示出早在确诊前2.4年,小波滤波纹理特征的高表达区域就精准重叠在未来原发肿瘤生长的位置,直观证实了模型对亚视觉组织紊乱的定位捕捉能力。

图4.
汇总了三项核心方法学验证结果。子图A显示小波与拉普拉斯高斯多尺度滤波纹理特征在预测效能上显著优于原始未滤波特征;子图B表明软投票异构集成模型相比单一分类算法在敏感度上取得明显优势;子图C证实使用AI全自动分割与专家手动微调分割所提取的放射组学特征在诊断准确率与AUC上完全等效,证明了全自动流水线的极高稳健性。

图5:
展示了在493例独立测试集上REDMOD与两位资深腹部放射科专家的受试者工作特征曲线对比。REDMOD取得了0.82的AUC和73.0%的敏感度,显著超越了专家的综合表现(AUC 0.69,敏感度38.9%),证明了AI系统在识别人眼无法察觉的微观早期恶变信号上的显著优势。