据统计，胰腺癌（PC）的5年生存率在癌症中最低，预计到2030年将成为美国癌症死亡的第二大原因。因为一旦肿瘤超过2厘米，预后就会急剧恶化，所以早期检测是改善胰腺癌糟糕预后的最有效策略。CT是检测及诊断PC的主要成像方式，但其对小肿瘤的敏感性不高，大约40%的小于2厘米的肿瘤会被漏诊。此外，CT的诊断性能取决于阅读者的经验，并可能受到放射科医生专业知识差异的影响。

现阶段，深度学习（DL）的最新进展在医学图像分析中显示出巨大的前景。在之前的单中心概念验证研究中，本项研究表明卷积神经网络（CNN）可以准确区分PC和非癌性胰腺。然而在该研究中，用于CNN分析的胰腺分割（即胰腺的识别）是由放射科医生手动完成的。一个临床上适用的计算机辅助检测（CAD）工具能够进行图像的自动分割和分类（即预测是否存在PC），且只需最少的人工辅助。

近日，发表在Radiology杂志的一项研究开发并验证了一个基于DL的用来检测CT中胰腺癌存在的CAD工具，为临床快速识别及诊断胰腺癌提供了技术支持。

本项研究将2006年1月至2018年7月期间被诊断为胰腺癌患者的增强CT研究与2004年1月至2019年12月期间获得的正常胰腺个体（对照组）的CT研究进行了比较。开发了一个由分割卷积神经网络（CNN）和集合五个CNN的分类器组成的端到端工具，并在内部测试集和来自全国范围医院内的验证集中进行了验证。使用McNemar检验比较了计算机辅助检测（CAD）工具和放射科医生判析的敏感性。
共有546名胰腺癌患者（平均年龄65岁±12[SD]，297名男性）和733名对照组被随机分为训练、验证和测试组。在内部测试集中，DL工具达到了89.9%（109人中的98人；95% CI：82.7，94.9）的灵敏度和95.9%（147人中的141人；95% CI：91.3，98.5）的特异性（AUC，0.96；95% CI：0.94，0.99），与原始放射医师报告（96.1%[102人中的98]；95% CI：90.3，98.9）相比，灵敏度没有显著差异（P=.11）。在来自全台湾各机构的1473份CT扫描（669份恶性，804份对照）的测试集中，DL工具在胰腺癌和对照组的鉴别上具有89.7%（669份中的600份；95%CI：87. 1，91.9）的敏感性和92.8%的特异性（804份中的746份；95%CI：90.8，94.5）（AUC，0.95；95%CI：0.94，0.96），对小于2厘米的恶性肿瘤有74.7%（91份中的68份；95%CI：64.5，83.3）的敏感性。

 

表 计算机辅助检测工具和基于原始报告的放射科医生在区分胰腺癌和非胰腺癌的CT检查中的表现

 

本研究开发了一个基于深度学习的端到端计算机辅助检测（CAD）工具，可以在增强CT扫描中稳定且准确地检测胰腺癌（PC）的存在，为放射科医生的工作减轻了负担并增加了诊断信心。

 

原文出处：

Po-Ting Chen,Tinghui Wu,Pochuan Wang,et al.Pancreatic Cancer Detection on CT Scans with Deep Learning: A Nationwide Population-based Study.DOI:10.1148/radiol.220152

Tags： Radiology：基于深度学习的胰腺癌CT检测