↑↑点击图片进入专题↑↑

亲爱的读者朋友，您的意见对我们非常重要！为了更好地了解您的需求，提升文章内容质量，诚邀您花几分钟参与本次有奖问卷调研。参与者有机会获得精美奖品！

点击填写问卷调研

• 上期回顾

• 鼓楼领学⑭|超声内镜引导下细针穿刺（EUS-FNA）下门脉血CTC液体活检联合内镜在胰腺癌筛查中的运用

在胰腺疾病的EUS诊断中，AI已被广泛应用于良性及恶性病变的辅助识别。

针对良性病变，Marya等基于ResNet50 V2构建了自身免疫性胰腺炎（AIP）诊断模型，能够在正常胰腺、胰腺癌及慢性胰腺炎中准确识别AIP，敏感性可达90%–99%，特异性71%~98%。

Nguon等利用ResNet50开发了胰腺黏液性囊性肿瘤与浆液性囊性肿瘤的鉴别模型，准确率82.75%，与资深内镜医师相当。

Vilas-Boas等基于Xception架构建立了胰腺黏液性囊性病变识别模型，准确率98.5%。

在潜在恶性病变的鉴别中，Kuwahara等基于ResNet50构建了胰腺导管内乳头状黏液性肿瘤（IPMN）良恶性识别模型，诊断恶性IPMN的敏感性和特异性分别为95.7%和92.6%，明显优于临床医生水平。这些结果提示，AI在EUS下对胰腺良性病变的精准鉴别具有重要临床价值。

在恶性病变的EUS诊断方面，AI同样展现出优异表现。早期研究已证明神经网络可基于图像灰度和亮度特征实现80%的诊断准确率。

Zhang等利用支持向量机（SVM）结合29个特征构建胰腺癌诊断模型，准确率高达97.98%；

Udristoiu等融合灰度、多普勒、造影及弹性成像，基于卷积神经网络（CNN）与长短期记忆网络（LSTM）的模型实现了97.61%的准确率。

在病理辅助诊断中，EUS引导下的细针穿刺（FNA）和细针活检（FNB）是胰腺肿块诊断的金标准，AI的引入可进一步提高病理学诊断效率和一致性。

Momeni-Boroujeni等将多层感知机（MLP）用于EUS-FNA细胞病理图像的分析，敏感性80%、特异性75%；

Naito等基于EfficientNet检测FNB病理切片癌灶，准确率94.17%。

在实时病理评估（ROSE）环节，Zhang等基于UNet的CNN模型在胰腺癌识别中的表现与病理医师相当，优于经过培训的内镜医师，有助于降低对现场病理专家的依赖。

AI还被应用于EUS规范化扫查与培训。

Zhang等开发的“BP MASTER”系统基于ResNet算法，可准确识别EUS扫查中的关键站点，内部与外部验证准确率分别为94.2%和82.4%，显著提高了新手医生的诊断水平并缩短学习曲线。

Bonmati等则利用语音标注替代手工图像标注，建立包含五个解剖位点的识别模型，准确率76%，提高了标注效率，加速了EUS的学习过程。

在胆管狭窄的诊断中，AI的引入同样具有重要意义。

临床上，约70%~80%的胆管狭窄为恶性，且大部分患者确诊时已处于晚期。

尽管ERCP联合细胞刷检或活检在诊断胆管癌时特异度接近0.99，但敏感度不足0.50。

新兴的FISH、胆管内超声（IDUS）和二代测序（NGS）虽有一定补充作用，但技术门槛和成本限制了其推广。

相比之下，DSOC通过直接观察病变并在直视下活检，敏感度和特异度均优于ERCP，但视觉印象诊断（VI）的特异度不稳定，且观察者间差异明显，制约了其临床普及。

近年来的研究表明，深度学习可显著提升DSOC图像分析效率与一致性。

Saraiva等利用卷积神经网络分析11,855张DSOC图像，诊断良恶性狭窄的准确率94.9%，AUC 0.988；

Marya等利用238万余张图像开发的CNN模型，在视频分析中准确率90.6%，明显优于ERCP刷检与活检的62.5%和60.9%。

进一步的可解释性分析显示，AI模型识别恶性胆管狭窄时的高权重区域与分枝状黏膜突起、纤维化变化、新生血管、腔不规则及出血等特征高度一致。

Zhang等基于数据高效图像转换器（DeiT）构建了质控与胆管癌识别一体化模型，在多组验证中的AUC最高可达0.999，在前瞻性视频中准确识别92.3%的胆管癌病例，并将风险预测与结节、脆性、隆起性病变及异常血管等特征定量关联，其结果与内镜医生的观察高度一致。

点击图片返回专题