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IF29.5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DOI10.1148/radiol.253122PMID42301012— — —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CTCECT和平扫CTNCCT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2.5GHz8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影像征象CECT AUCNCCT AUC胰腺肿块0.940.88实质萎缩0.900.88MPD扩张0.940.95MPD狭窄0.940.93DL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数据集DL模型 AUC6名医生平均 AUCP值CECT0.990.99.84NCCT0.930.91.03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 0.91P.03[10]。小胰腺癌≤20mm检出灵敏度——核心亮点数据集DL模型灵敏度6名医生平均灵敏度P值CECT97.7%82.6%.001NCCT86.0%41.1%.001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.