European Radiology:通过多模态深度学习进行胰腺癌的端到端预后评估

胰腺导管腺癌（PDAC）的五年生存率仅 5%，仍是全球致死率最高的恶性肿瘤之一，给患者、临床医生和研究人员带来巨大挑战。影像学在 PDAC 患者的分期适配治疗分层中至关重要，其中增强 CT（CECT）是主要的成像方式。癌症分期的临床标准是 TNM 系统，该系统考虑肿瘤范围（T）、区域淋巴结转移（N）和远处转移（M）。这一分期系统旨在将患者群体划分为不同生存亚组（IA、IB、IIA、IIB、III、IV 期），目前用于指导 PDAC 的治疗策略。仅 20% 的患者（I-III 期）符合根治性切除条件，因此手术切除联合辅助 / 新辅助治疗是他们获得长期生存或治愈的主要希望。超过 90% 接受根治性切除的 PDAC 患者会出现局部复发、远处复发或转移。此外，相同 TNM 分期的患者总生存率差异显著。这种变异性反映在 TNM 分期的预后效能上，可通过一致性指数（c-index）量化 —— 该指标衡量模型对不同生存结局患者的区分能力。c-index 为 0.5 表示区分能力与随机无异，1 则代表完美的预后准确性。据报道，可切除和不可切除患者的 TNM 分期 c-index 分别低至 0.57 和 0.611。显然，TNM 分期缺乏预后准确性，与总生存率无显著相关性，且在指导治疗决策时不可靠。

鉴于传统 TNM 分期的局限性，迫切需要更优的 PDAC 分层系统。人工智能（AI）目前广泛应用于医学图像分析和癌症研究，在预测喉癌、乳腺癌、肾癌、结直肠癌和胰腺癌等多种癌症的患者预后方面显示出良好效果。尽管临床医生通常使用多种数据来源指导决策（例如，将放射影像与临床或实验室结果及组织病理学评估结合，若可用），但绝大多数基于影像的 PDAC 预后 AI 研究仅依赖单一数据类型。多模态 AI 算法可从多种数据来源和类型中提取并整合信息，以做出更全面的决策，模拟临床医生目前用于解决癌症预后等复杂临床问题的输入条件。

最近，发表在European Radiology 上的一篇文章探究了人工智能（AI）如何通过整合多源数据提升胰腺癌预后准确性。

研究纳入荷兰中心（2004-2023 年）经组织病理学和 / 或影像 / 随访证实的胰腺导管腺癌（PDAC）患者作为开发队列，另选取荷兰和西班牙中心的两个 PDAC 队列用于外部验证。构建包含临床变量、增强 CT 影像及两者结合的预后模型，以预测高风险短期生存。所有模型采用五折交叉验证训练，并通过时间依赖性受试者工作特征曲线下面积（AUC）评估。

开发队列包含 401 例患者（203 例女性，198 例男性，中位总生存期（OS）347 天，IQR：171-585），其中 98 例（24.4%）为短期生存者（OS < 230 天），303 例（75.6%）为长期生存者。外部验证队列含 361 例患者（165 例女性，138 例男性，中位 OS 404 天，IQR：173-736），110 例（30.5%）短期生存者和 251 例（69.5%）长期生存者。内部验证中，多模态模型预测短期与长期生存的 AUC 最佳（0.637，95% CI：0.500-0.774），外部验证 AUC 分别为 0.571（95% CI：0.453-0.689）和 0.675（95% CI：0.593-0.757）。

图 在“CENTER 1：验证集”、“CENTER 2”以及“CENTER 3”中所确定的短期存活者和长期存活者的患者实例

研究表明，多模态 AI 可预测 PDAC 患者的长短期生存，有望成为临床决策中的预后评估工具。

原文出处：

Megan Schuurmans,Anindo Saha,Natália Alves,et al.End-to-end prognostication in pancreatic cancer by multimodal deep learning: a retrospective, multicenter study.DOI:10.1007/s00330-025-11694-y