【Nature Medicine解读】平扫CT+AI攻克胰腺癌早筛难题：达摩院PANDA模型实现"癌王"早期检测
阿里达摩院联合上海市胰腺疾病研究所等国内外多家医疗机构，在《Nature Medicine》发表突破性研究。基于平扫CT和深度学习构建的PANDA模型，实现了胰腺癌的大规模早期检测，AUC高达0.996，敏感性达94.9%，特异性达100%，为"癌王"的早期筛查提供了全新解决方案。
一、研究背景
胰腺癌被称为"癌中之王"，是全球最致命的恶性肿瘤之一。其早期症状隐匿，且胰腺位置深、早期病变微小，导致超过80%的患者在确诊时已处于晚期阶段，五年生存率不足10%。据统计，胰腺癌的发病率逐年上升，预计到2030年将成为全球癌症死亡的第二大原因。
目前，胰腺癌的筛查手段主要包括增强CT、MRI和超声内镜等。然而，这些方法存在明显局限：增强CT需要注射造影剂，费用较高且存在过敏风险；MRI检查时间长、费用昂贵；超声内镜则属于侵入性检查，患者接受度低。更重要的是，这些检查手段难以实现大规模人群筛查。
平扫CT（非增强CT）作为一种无创、快速、低成本的影像学检查，在体检和门诊中广泛应用。然而，由于平扫CT的软组织对比度较低，早期胰腺癌的细微病变在影像上难以被肉眼识别，传统上认为其不适用于胰腺癌筛查。
人工智能技术的快速发展为这一困境提供了全新解决方案。深度学习在医学影像分析领域展现出强大的特征提取和模式识别能力，能够从海量影像数据中捕捉人眼难以察觉的细微特征。利用AI技术分析平扫CT影像，有望突破胰腺癌早期筛查的技术瓶颈，实现大规模人群的低成本筛查。
二、研究创新点
2023年11月20日，阿里达摩院医疗AI团队联合上海市胰腺疾病研究所、浙江大学医学院附属第一医院等国内外多家医疗机构，在《Nature Medicine》（IF=58.7）发表了题为"Large-scale pancreatic cancer detection via non-contrast CT and deep learning"的研究论文。该研究的核心创新点包括：
1. 平扫CT+AI的创新筛查模式
研究团队首次证明了平扫CT联合AI技术可以实现胰腺癌的大规模早期检测。这一模式突破了传统认知，将原本被认为"不适用"的平扫CT转化为高效的筛查工具，为胰腺癌筛查提供了低成本、高效率的全新路径。
2. 多阶段深度学习架构PANDA
研究团队构建了三阶段深度学习模型PANDA（Pancreatic Cancer Detection with AI）：第一阶段使用nnU-Net进行胰腺分割定位；第二阶段采用卷积神经网络检测异常病变；第三阶段利用双通道Transformer进行病变分类。这种分阶段设计模拟了放射科医生的诊断流程，从定位到检测再到分类，逐步精细化。
3. 辅助记忆Transformer机制
模型创新性地引入辅助记忆Transformer，自动编码胰腺病变的特征原型，包括局部纹理、位置和胰腺形状等多维特征。这种机制使模型能够学习并记忆不同病变类型的典型特征模式，显著提升了细粒度分类的准确性。
4. 大规模多中心验证
研究不仅进行了内部验证，还开展了涉及中国、中国台湾和捷克共和国等9个中心的外部多中心验证，以及两轮共20,000余例患者的真实世界研究，充分验证了模型的泛化能力和临床实用性。
三、技术原理
PANDA模型的技术架构可概括为以下三个核心阶段：
1. 胰腺分割定位（Stage 1）
基于nnU-Net模型，自动在CT影像中定位并分割胰腺区域。nnU-Net是一种自适应的深度学习分割框架，能够根据数据集特点自动调整网络拓扑结构，在医学影像分割任务中表现优异。这一阶段为后续的病变检测提供了精确的解剖定位。
2. 病变检测（Stage 2）
采用卷积神经网络（CNN）及分类头，检测胰腺区域内的异常病变。模型通过分析平扫CT中胰腺病变的细微纹理变化，区分正常组织与病变组织。为了减少假阳性率，研究团队不断优化模型，使病变检测在交叉验证训练集中达到99%的特异性。
3. 病变分类（Stage 3）
利用双通道Transformer架构，整合辅助记忆机制，对检测到的病变进行细粒度分类。辅助记忆Transformer自动编码胰腺病变的特征原型，包括局部纹理特征、空间位置特征和胰腺整体形状特征。这种多维度特征融合使模型能够准确区分胰腺癌（PDAC）和七种非PDAC病变亚型。
PANDA模型可检测和诊断的病变类型包括：
- 胰腺导管腺癌（PDAC）
- 胰腺神经内分泌瘤（PNET）
- 实性假乳头状瘤（SPT）
- 胰腺导管内乳头状粘液性肿瘤（IPMN）
- 粘液性囊性肿瘤（MCN）
- 浆液性囊性肿瘤（SCN）
- 慢性胰腺炎
- 其他病变
四、实验结果
研究团队开展了系统性的模型验证，包括内部评估、外部多中心验证、真实世界研究和阅片者实验：
1. 独立内部评估
利用上海市胰腺疾病研究所的291例患者进行独立内部评估（108例PDAC、67例非PDAC、116例正常对照）：
- 胰腺病变检测：AUC = 0.996，敏感性 = 94.9%，特异性 = 100%
- PDAC亚组 ：总体敏感性 = 97.2%
- I期PDAC敏感性 = 97.1%（n=35）
- II期PDAC敏感性 = 96.2%（n=52）
- 小病灶PDAC（直径<2cm）敏感性 = 85.7%（n=14）
2. 外部多中心验证
来自中国、中国台湾和捷克共和国9个中心的5,337例患者进行外部验证（2,737例PDAC、932例非PDAC、1,668例正常对照）：
- 胰腺病变检测：AUC = 0.984，敏感性 = 93.3%，特异性 = 98.8%
- PDAC亚组 ：总体检出率 = 96.5%
- I期PDAC = 95.6%
- II期PDAC = 96.5%
- 小病灶PDAC（直径<2cm）敏感性 = 92.2%
- PDAC诊断：敏感性 = 90.1%，特异性 = 95.7%
3. 真实世界研究
两轮真实世界研究共纳入20,530例患者：
- 第一轮 （16,420例患者）：
- 胰腺病变检出敏感性 = 84.6%，特异性 = 99.5%
- PDAC敏感性 = 95.5%，特异性 = 99.9%
- 第二轮 （4,110例患者，PANDA-plus升级版本）：
- 假阳性率降低超过80%
- 胰腺病变检出和PDAC特异性均达到99.9%
- 急性胰腺炎检测敏感性 = 90.0%
在两轮真实世界研究中，PANDA发现了31例临床漏诊病例，其中2例早期胰腺癌患者已完成手术治愈。
4. 阅片者实验
- 第一阶段 （PANDA vs 医生阅片）：
- PANDA在胰腺病变检测方面，敏感性较医生高出14.7%（P=0.0002），特异性高出6.8%（P=0.0002）
- 在PDAC鉴别诊断方面，敏感性高出34.1%（P=0.0002），特异性高出6.3%（P=0.0002）
- AI辅助后，医生阅片水平进一步提高
- 第二阶段 （PANDA vs 胰腺影像专家读增强CT）：
- PANDA在胰腺病变检测方面，敏感性高出2.9%（P=0.0002），特异性高出2.1%（P=0.0002）
- 在PDAC鉴别方面，敏感性高出13.0%（P=0.0002）
五、技术优势
PANDA相比现有胰腺癌筛查方法具有以下显著优势：
1. 无创且低成本
基于平扫CT的筛查模式无需注射造影剂，避免了造影剂过敏风险，检查费用显著低于增强CT和MRI，适合大规模人群筛查。
2. 高准确性
内部验证AUC达0.996，外部验证AUC达0.984，PDAC检测敏感性超过90%，特异性超过95%，性能超越三甲医院医生平均水平。
3. 早期病变检出能力
对I期PDAC的检出率达95.6%，对小病灶（直径<2cm）PDAC的敏感性达92.2%，实现了真正意义上的早期检测。
4. 多病变类型识别
不仅能检测PDAC，还能识别七种非PDAC病变亚型，为临床鉴别诊断提供全面信息。
5. 真实世界有效性
经过20,000余例患者的真实世界验证，发现并纠正了31例临床漏诊，证明了模型在实际临床环境中的可靠性和实用性。
六、应用前景
PANDA的研究成果具有广阔的临床应用前景：
1. 大规模人群筛查
平扫CT+AI的模式成本低廉、操作简便，可集成至常规体检流程中，实现对高危人群的大规模胰腺癌筛查，提高早期检出率。
2. 门诊辅助诊断
在门诊场景中，PANDA可为放射科医生提供辅助诊断建议，特别是对于经验不足的医生，AI辅助可显著提升诊断准确性。
3. 基层医疗赋能
通过AI赋能，基层医院可以获得专家级别的胰腺影像诊断能力，缩小城乡医疗差距，提升整体医疗服务质量。
4. 多癌种扩展潜力
PANDA的技术框架具有良好的通用性，未来可扩展至肝癌、胃癌、结直肠癌等其他消化系统肿瘤的筛查。
5. 全球推广应用
该模型已在多国多中心验证中证明了泛化能力，具备在全球范围内推广应用的潜力，特别是医疗资源匮乏地区。
七、研究局限性与未来方向
尽管PANDA取得了突破性进展，研究团队也客观指出了当前存在的局限性：
1. 训练数据规模
虽然研究纳入了数千例患者，但相对于深度学习模型的数据需求，某些罕见病变类型的样本量仍然有限。
2. 种族与地域差异
当前数据主要来自亚洲人群，模型在不同种族、不同地域人群中的适用性需要进一步验证。
3. 设备与参数差异
不同CT设备、扫描参数可能对模型性能产生影响，需要在更多样化的设备环境中验证。
未来研究方向包括：
- 扩大训练数据集，纳入更多种族和地域的患者数据
- 开展前瞻性随机对照试验，评估AI辅助筛查对患者预后的实际改善效果
- 探索模型在其他癌种筛查中的应用潜力
- 开发实时诊断系统，实现检查过程中的即时辅助诊断
- 结合液体活检等其他筛查手段，构建多模态联合筛查体系
八、结论
阿里达摩院联合上海市胰腺疾病研究所等国内外多家医疗机构开发的PANDA模型，通过平扫CT联合深度学习技术，首次实现了胰腺癌的大规模早期检测。该模型在内部验证中AUC达0.996，外部多中心验证AUC达0.984，PDAC检测敏感性超过90%，并在20,000余例患者的真实世界研究中发现了31例临床漏诊病例。
PANDA的研究突破了传统认知，证明了平扫CT在胰腺癌筛查中的巨大潜力，为"癌王"的早期检测提供了低成本、高效率的全新解决方案。这一成果标志着AI在医学影像领域的重要里程碑，也为全球胰腺癌防治事业贡献了中国智慧。
鉴于该研究的重要突破，PANDA模型已于2024年2月获得美国FDA"突破性医疗器械"认定，成为首个获得该认定的国产医疗AI模型，彰显了中国医疗AI技术的国际领先水平。
参考文献
- Cao K, Xia Y, Yao J, et al. Large-scale pancreatic cancer detection via non-contrast CT and deep learning. Nature Medicine. 2023;29(12):3033-3043. DOI: 10.1038/s41591-023-02640-w
- Siegel RL, Miller KD, Jemal A. Cancer statistics, 2023. CA: A Cancer Journal for Clinicians. 2023;73(1):17-48.
- Rahib L, Smith BD, Aizenberg R, et al. Projecting cancer incidence and deaths to 2030: the unexpected burden of thyroid, liver, and pancreas cancers in the United States. Cancer Research. 2014;74(11):2913-2921.
论文信息
- 标题：Large-scale pancreatic cancer detection via non-contrast CT and deep learning
- 期刊：Nature Medicine（IF=58.7）
- 发表时间：2023年11月20日
- 通讯作者：曹凯（阿里达摩院）、夏勇（上海市胰腺疾病研究所）
- DOI：10.1038/s41591-023-02640-w
- 突破性认定：2024年2月获美国FDA"突破性医疗器械"认定