10月28日，在美国胃肠病学会（ACG）2024年科学会议上，来自葡萄牙波尔图圣约翰大学医院的米格尔·马斯卡伦哈斯博士（Miguel Mascarenhas, MD, PhD）介绍了一种由葡萄牙、西班牙、美国和巴西的研究人员共同开发的人工智能（AI）工具，该工具能够在内镜超声（EUS）检查中高精度检测和区分囊性和实性胰腺病变。
马斯卡伦哈斯指出，胰腺囊性病变（PCLs）在影像检查中较为常见，主要分为黏液性PCLs（M-PCLs）和非黏液性PCLs（NM-PCLs）。恶性风险几乎仅限于具有黏液表型的PCLs。胰腺实性病变也很普遍，但其鉴别诊断具有挑战性。胰腺导管腺癌（P-DAC）是最常见的胰腺实性病变，由于诊断时多为晚期，预后较差。胰腺神经内分泌肿瘤（P-NETs）虽然较少见，但也具有潜在的恶性风险。
内镜超声被认为是评估胰腺病变的“金标准”，但其诊断准确性尤其是对于小于10毫米的病变并不理想。为了提高诊断准确性，他和他的同事开发了一个卷积神经网络，用于检测和区分囊性（M-PCL和NM-PCL）和实性（P-DAC和P-NET）胰腺病变。
他们利用了378次EUS检查中的126,000张静态图像，包括19,528张M-PCL图像、8,175张NM-PCL图像、64,286张P-DAC图像、29,153张P-NET图像和4,858张正常胰腺图像。该AI工具在识别正常胰腺组织方面的准确率为99.1%，在M-PCL和NM-PCL的识别准确率分别为99%和99.8%。对于胰腺实性病变，P-DAC和P-NET的区分准确率为94%，其中P-DAC的敏感性为98.7%，P-NET的敏感性为83.6%。
马斯卡伦哈斯告诉与会者：“AI在整个医学领域展现出令人鼓舞的结果，尤其是在胃肠病学领域，这是AI研究最富成果的领域之一。这主要得益于深度学习模型的应用，尤其是卷积神经网络，它们在图像分析方面非常高效。”这是世界上首个能够检测和区分囊性和实性胰腺病变的卷积神经网络。使用来自两大洲四个中心的大型数据集有助于最小化人口统计偏差的影响。
该研究基于静态图像，而不是完整的视频。下一步，团队将进行一项多中心研究，旨在在EUS过程中进行实时临床验证。“AI有潜力提高内镜超声的诊断准确性。我们才刚刚开始挖掘AI的潜力，欢迎所有有兴趣的研究团队加入我们的研究。”马斯卡伦哈斯表示。
未参与该研究的洛杉矶西达赛奈医疗中心健康服务研究主任布伦南·斯皮格尔博士（Brennan Spiegel, MD, MSHS）对AI的新兴应用持乐观态度。“AI在胃肠病学领域展现出巨大的前景，特别是在早期准确区分复杂的胰腺病变方面，这可以挽救生命。”斯皮格尔在接受采访时说，“该研究在不同数据集上的高准确率令人鼓舞；然而，作为回顾性分析，它仍需通过前瞻性研究来证明其在实时临床环境中的影响。”
斯皮格尔补充道：“更广泛地说，AI正在迅速改变胃肠病学，通过提高我们检测、区分和监测疾病的能力，达到了前所未有的精确度。从改善早期癌症检测到指导复杂的诊断程序，AI有望成为一种不可或缺的工具，补充临床专业知识。随着这些技术的不断完善，AI在提高胃肠病学诊断准确性和患者预后方面的潜力确实令人惊叹。”
该研究没有特定的资金支持。马斯卡伦哈斯和斯皮格尔均声明没有利益冲突。
(全文结束)
