《Nature Medicine | 通过平扫CT 和深度学习进行大规模胰腺癌检测》

  • 来源专题:战略生物资源
  • 编译者: 李康音
  • 发布时间:2023-12-04
  • 本文内容转载自“生物世界”微信公众号。原文链接:https://mp.weixin.qq.com/s/5Ttk4kioV_iCMy42slGoow

    2023年11月20日,上海市胰腺疾病研究所陆建平教授、邵成伟教授、曹凯医生等联合阿里达摩院、浙江大学医学院附属第一医院、中国医科大学附属盛京医院、复旦大学附属肿瘤医院、布拉格查理大学第一附属医院、上海交通大学医学院附属新华医院、约翰霍普金斯大学等顶尖机构的研究人员在国际顶尖医学期刊 Nature Medicine 上发表了题为Large-scale pancreatic cancer detection via non-contrast CT and deep learning 的研究论文。该研究首次提出以“平扫CT联合人工智能”(平扫CT+AI)进行大规模的胰腺癌早期筛查,在真实世界中的敏感性达92.9%(判断存在胰腺肿瘤的准确率)、特异性达99.9%(判断无肿瘤的准确率)。

    平扫CT在低资源地区的体检中心和医院中广泛应用。与增强CT(诊断胰腺癌的主要影像学方法)相比,平扫CT使患者接受更低的辐射剂量,并消除了患者对于对比剂产生不良反应的风险。除了急诊科和社区医院常规使用的腹部平扫CT外,胸部平扫CT也可以完全或部分扫描胰腺部位,并在多种临床场景中是最常进行的CT检查。但即使是经验丰富的放射科医生也难以使用平扫CT来识别胰腺导管腺癌(PDAC)。

    在这项研究中,研究团队开发并训练了一种基于人工智能的胰腺癌早期筛查模型——PANDA(Pancreatic Cancer Detection with AI),利用AI放大并识别平扫CT图像中肉眼难以识别的细微的病灶特征,实现高效、安全的早期胰腺癌检测,并克服了过往筛查手段假阳性偏高的难题。PANDA能够在平扫CT上准确地检测和诊断PDAC和非PDAC病变,并可随时用于大规模无症状患者群体的机会性筛查。这将导致对被标准护理诊断技术漏诊的早期恶性肿瘤的安全和有效检测,并在某些情况下使及时治疗成为可能。

    截至目前,PANDA模型已在医院、体检等场景被调用超过50万次,每1000次只出现一次假阳性,该研究为胰腺癌筛查的诊疗指南改变提供新的证据支持,有望对未来胰腺肿瘤的诊疗流程、治疗决策、治疗费用等产生积极深刻的影响。除了用于胰腺癌诊断筛查意外,达摩院医疗AI团队正在联合全球多家顶尖医疗机构,利用AI技术探索低廉、高效的多癌筛查新方法,以期通过一次平扫CT就查出多种早期癌症。目前已经在胰腺癌、食管癌、肺癌、乳腺癌、肝癌、胃癌、结直肠癌等七种高发癌症上取得一系列进展。

相关报告
  • 《Nature | 单细胞3D重构揭示人类胰腺癌前病变的多发性》

    • 编译者:李康音
    • 发布时间:2024-05-06
    • 2024年5月1日,约翰·霍普金斯大学医学院等机构在期刊Nature上发表了题为3D genomic mapping reveals multifocality of human pancreatic precancers的文章。 胰腺导管内上皮瘤(PanINs)是胰腺癌最常见的前体,但由于它们在人类中的小尺寸和难以接近性,研究它们非常具有挑战性。关键地,人类PanINs的数量、尺寸和连通性在很大程度上仍然未知,这阻碍了对早期癌症发展的深入理解。 该研究通过分析46个大的表面上看起来正常的人类胰腺样本,并使用机器学习流程进行单细胞分辨率的定量3D组织学重建,提供了人类PanINs的微观解剖学调查。为了阐明PanINs之间以及PanINs内部的遗传关系,研究人员开发了一个工作流程,其中3D建模指导了多区域显微切割以及针对性和全外显子组测序。从这些样本中,研究人员计算出平均每立方厘米有13个PanINs,并且推断出正常完整的成人胰腺中藏有数百个PanINs,几乎所有的PanINs都带有致癌的KRAS热点突变。 研究人员发现大多数PanINs起源于具有独特体细胞突变特征的独立克隆。一些空间上连续的PanINs被发现含有多种KRAS突变;计算和原位分析表明,这些肿瘤内的不同KRAS突变定位于不同的细胞亚群,表明它们的多克隆起源。PanINs的广泛多发性和遗传异质性引发了关于驱动前癌症起始和在人类胰腺中赋予不同进展风险的机制的重要问题。这种详细的3D基因组图谱为人类PanINs中的分子改变提供了实证基础,为胰腺癌的早期检测和合理干预提供了基础。
  • 《胰腺导管腺癌的自动预后模型》

    • 来源专题:重大慢性病
    • 编译者:李永洁
    • 发布时间:2023-10-31
    • 尽管检测和治疗方法取得了进步,但胰腺导管腺癌(PDAC)仍然是癌症相关死亡的主要原因。 虽然计算机断层扫描 (CT) 是当前 PDAC 初步评估的金标准,但其预后价值仍然有限,因为它依赖于包括肿瘤大小、淋巴结受累和转移在内的诊断分期参数。 放射组学最近在预测 PDAC 患者术后生存方面显示出了希望。 然而,他们依赖于临床医生的手动胰腺和肿瘤勾画。 在这项研究中,我们收集了 40 名 PDAC 患者的术前 CT 扫描数据集,以评估用于生存预测的全自动流程。 利用在外部数据集上训练的 nnU-Net,我们生成了自动化的胰腺和肿瘤分割。 随后,我们从每个分割中提取了 854 个放射组学特征,并通过特征选择将其范围缩小到 29 个。 然后,我们将这些特征与肿瘤、淋巴结、转移 (TNM) 系统分期参数以及患者的年龄相结合。 我们训练了一个随机生存森林模型来执行随时间推移的总体生存预测,以及一个随机森林分类器来对两年生存进行二元分类,并使用重复交叉验证进行评估。 我们的结果显示出希望,生存模型的平均 C 指数为 0.731,两年生存预测的平均准确度为 0.76,为 PDAC 预测的全自动流程的可行性和潜在功效提供了证据。 通过消除劳动密集型的手动分割过程,我们简化的流程展示了高效、准确的预测过程,为未来的研究工作奠定了基础。