Radiology：人工智能预测胰管腺癌的CT淋巴结转移

据预测，到2030年，胰腺导管腺癌（PDAC）将成为癌症相关死亡的第二大原因，在高达80%的PDAC患者中发现胰周淋巴结（LNs）阳性。

术前对LN状态的评估是至关重要的。就预后而言，LN转移是PDAC生存率的独立预测因素，没有病理证实的淋巴结转移（pN0）的患者5年生存率为40%，而病理证实的转移性累及增加的患者（pN1和pN2）的生存率为10%。为了早期发现，特别是对于小于或等于2厘米大小的肿瘤，识别LN状态并进一步对1期PDAC（T1N0M0）患者进行分层至关重要。与标准的手术切除相比，包括切除LNs在内的扩大切除范围会导致生活质量的下降。到目前为止，美国国家综合癌症网络（NCCN）关于LN剥离的最佳范围指南还没有实现。

然而，术前对LN转移的预测是具有挑战性的。CT被推荐为评估PDAC的LN转移的一线影像方式。然而，一项荟萃分析显示，使用CT评估胰腺癌和胆囊周围癌的区域外LN转移，其敏感性为25%，阳性预测值为28%。最近，放射组学在预测PDAC患者的LN转移方面显示出一定的前景，但这种技术需要通过手工操作，并且受到小样本量（n , 250）的限制、缺乏可重复性以及在现实世界环境中实施的挑战。

最近，人们对应用深度学习进行癌症成像数据的LN转移预测越来越感兴趣。与上述放射组学研究类似，对人工划定肿瘤的依赖和未能考虑到LN特征限制了这些方法的临床转化。

近日，发表在Radiology杂志的一项研究开发和验证了一个基于深度学习的全自动术前人工智能工具，用于CT成像的肿瘤和LN分割并预测PDAC患者的LN转移，为临床上早期识别LN的存在及状态提供了影像学技术支持。

本项回顾性研究于2015年1月至2020年4月期间，对本机构经手术切除、病理证实的PDAC患者进行了多排CT检查。建立了三个模型，包括AI模型、临床模型和放射组学模型。CT确定的LN转移是由放射科医生诊断的。进行多变量逻辑回归分析以建立临床和放射组学模型。其中，这些模型的性能是根据其鉴别力和临床效用来确定的。使用Kaplan-Meier曲线、log-rank检验或Cox回归进行生存分析。

共纳入734名患者（平均年龄，62岁±9[SD]；453名男性）。所有患者被分成训练组（n = 545）和验证组（n = 189）。734名患者中，有LN转移的患者（LN阳性组）占340名（46%）。在训练集中，人工智能模型在预测LN转移方面显示出最高的诊断性能（接收器操作特征曲线下的面积[AUC]，0.91），而放射科医生和临床及放射组学模型的AUC分别为0.58、0.76和0.71。在验证集中，人工智能模型在预测LN转移方面表现出最高的性能（AUC，0.92），而放射科医生和临床及放射组学模型的AUC分别为0.65、0.77和0.68（P＜0.001）。AI模型预测的LN转移阳性与较差的生存率有关（危险比，1.46；95% CI：1.13，1.89；P = .004）。

图 淋巴结（LN）阳性组的78岁男性胰腺导管腺癌患者图像。(A）苏木精-伊红染色显示一个阳性LN（红色箭头）和三个阴性LN（黑色箭头）位于瘤周区域（苏木精-伊红染色；放大率，31），虚线表示肿瘤周边。(B)图形显示位于瘤周区的三个阴性LN（绿色箭头）和一个阳性LN（红色箭头）以及位于胰腺体的肿瘤（蓝色箭头）经人工智能（AI）分割和诊断。 (C)经AI模型分割的门脉期CT扫描显示位于胰腺颈部的一个阳性LN（箭头）。(D)经AI分割的门脉期CT扫描显示位于胰腺体内的一个阴性LN（箭头）。(E) 门脉期CT扫描显示位于胰腺体的浸润性低密度肿块（箭头）

本项研究表明，人工智能（AI）模型是一种结合了淋巴结（LN）和肿瘤图像特征的全自动无创工具，在预测胰腺导管腺癌（PDAC）患者CT下的LN转移方面显示出良好的准确性。其中，人工智能模型的表现优于放射科医生、一个临床模型和一个放射组学模型，可以进一步为PDAC患者的个性化诊断和治疗提供临床上的有益信息。

原文出处：

Yun Bian,Zhilin Zheng,Xu Fang,et al.Artificial Intelligence to Predict Lymph Node Metastasis at CT in Pancreatic Ductal Adenocarcinoma.DOI:10.1148/radiol.220329