2024人工智能在胰腺炎中的研究进展与应用

network,DNN)和卷积神经网络(convol在1993年首次通过ANN分析血清胰酶活性诊断AP,发现脂肪酶是AP合应用脂肪酶和淀粉酶(P<0.05)。Pofahl等在1998年首次使用AI预测analysis,LDA)性能相当(P=0.530),并优于Ranson(P<0.020)和建立了ANN与逻辑回归(logisticregression,LR)两种模型，对234例SAP患者的回顾性数据集进行测试，并在另外6住院死亡的最佳预测模型是包含4个变量(年龄、初次入院后60~72h内的最高血清肌酐值、是否机械通气和慢性健康状态)的LR模型Ranson、Imrie评分。Pearce等采用核逻辑回归(kernellogisticAP严重程度发现该模型预测AP严重程度的能力明显优于入院APAⅡ评分(AUC值分别为0.82、0.74,P=0.004)。该研究表明机器学习可综合征(multiorgand分别为92.5%、94.1%和97.5%,ANN较APACHEⅡ和格拉斯哥评分能更准确地预测SAP、MODS的发生及死亡(P值均<0.05),该研究首次和入院48h的Ranson评分更准确地预测了ABP患者的严重程度tree,CART)模型早期识别SAP高风险(79.03%)和低风险(7.80%)患者，其预测效能优于APACHEⅡ评分(AUC值分别为0.84、0.68,训练组预测SAP的灵敏度和特异度分别为80.9%和90.0%,测试组分别为88.6%和90.4%。Choi等也建立了由APACHEⅡ、BISAP评分和评分(AUC=0.84)、EPIC评分(AUC=0.74)、BalthazarCT分级 (AUC=0.70),特异度为100%,准确度为94.8%;在验证队列中，该模个基于11项静脉血标志物的AP严重程度分层模型，该模型在24h内对AP进行分类，AUC值为0.74±0.04。随后该模型在568例AP患者中得到进一步验证(AUC=0.73),预测效能与Ranson评分neuralnetwork,MPL-ANN)和偏最小二乘判别(partialleast指标，结果显示，中性粒细胞/淋巴细胞比是最具价值的预测指标(AUC=0.99,95%CI0.984~0.997,灵敏度94.3%,特异度98.6%)。与PLS-DA模型(AUC=0.91,95%CI0.853~0.971,灵敏度87.8%,特异度84.4%,准确度84.8%)相比，MPL-ANN模型在SAP患者的诊敏度92.7%,特异度93.3%,准确度93.0%)。Ding等首次使用美国大发现ANN(AUC=0.77)性能优于LR模型(AUC=0.61)、Ranson评分该模型在训练和测试队列中的AUC值分别为灵敏度为81.3%,特异度为98.9%,准确度为96.2%,且预测效能显著高于LR模型或APACHEⅡ评分(P值均<0.001)。Langmead等开发了包含5个血清细胞因子的RF模型，结果显示其AUC值为0.91,准确度为89%,阳性预测值为0.89,阴性预测值为0.90,优于单个细胞因子、实损伤的风险，结果显示预测灵敏度为87.5%,特异度为83.3%,准确度为84.43%,且ANN的预测性能显著优于LR模型(P=0.012)。2019年，著优于LR模型(P<0.05),与柏林标准的ARD61.5%、82.8%,总准确度为73.1%。该团队还运用AI预测了AP相关门静脉血栓的发生，其中3项研究采用ANN模型，1项研究采用CART模型成功预测了55.8%的AKI患者和90.2%的随后需要透析的患者。Qu等发现XGBoost对AP患者AKI的预测效果最好(AUC=0.92),且明显优的算法建立AP并发AKI的预测模型，各模型AUC值在0.73(95%CI0.223~1.227)至0.90(95%CI0.400~1.403)之间,其中RF模型预测效果neuralnetwork,RNN)的时间感知相干长短期记忆(time-awareRAP组、功能性腹痛组和CP组的AUC值分别为0.88、0.79和0.90,总体预测准确度为82.1%。本，该模型在训练集中的灵敏度为91%,特异度为87%,在测试集的灵比较，3种方式鉴别CP与胰腺癌的准确度分别为80%、85%和83%,首算法的模型具有更好