人工智能在胰腺癌精准诊疗中的应用进展总结2026

人工智能在胰腺癌精准诊疗中的应用进展总结2026胰腺癌（pancreaticductaladenocarcinoma，PDAC）是恶性程度最高的消化道肿瘤之一，因其发病隐匿、多数患者确诊时已为中晚期，预后极差［1-2］。传统影像与血清学标志物在PDAC早期诊断中准确性不足。此外，PDAC具有高度异质性和侵袭性、术后易复发转移、且常出现治疗耐药，这些因素共同制约临床治疗效果［3-4］。传统的PDAC诊疗及预后评估主要依据TNM分期、血管侵犯等临床影像和病理特征，存在显著局限性。病理活检为有创检查且难以体现肿瘤异质性；传统模型难以全面刻画肿瘤微环境特征；预后评估结果易受人为主观影响，导致临床决策不一致［5-6］。近年来以深度学习（deeplearning，DL）和机器学习（machinelearning，ML）为代表的人工智能（artificialintelligence，AI）技术在医学领域快速发展，为解决PDAC精准诊疗中的关键难题提供了机遇［7-8］。AI能从海量、高维度的影像和病理数据中自动挖掘人眼难以察觉的复杂特征与模式，构建优于传统方法的预测模型。在胰腺癌领域，其应用主要体现在几个关键环节：基于CT、MRI等的影像组学技术，可将肿瘤异质性、微环境特征转化为定量信息，辅助实现PDAC的早期诊断、可切除性评估及复发预测［9］。通过整合数字病理、基因组、转录组等数据，有助于揭示免疫微环境特征及潜在的耐药机制，为分子分型与靶向治疗提供依据［10］。同时，与图像配准技术的结合，可实现术中实时导航，显著提升肿瘤识别与手术操作的精准性［11］。此外，通过多模态数据融合技术，整合临床、影像与病理组学信息，有利于构建更全面、更稳健的预后评估与疗效预测模型，推动诊疗决策从经验依赖向数据驱动转变［12］。这些技术通过自动化、定量化的分析，有效减少了主观偏差，为实现更精准、更个性化的临床诊疗策略提供了强大的工具。本文从临床诊断、治疗决策、多模态AI模型等方面系统总结近年来PDAC诊疗领域中的研究进展，并对当前所面临的挑战及未来发展方向进行讨论与展望，以期推动AI在PDAC临床实践中的应用。一、AI与临床诊断影像学与病理学是PDAC临床诊断中的两大核心。影像学数据易获得且数据量庞大，是AI模型训练与应用最广泛的领域；病理学作为PDAC诊断“金标准”，其全视野数字化切片（wholeslideimage，WSI）为AI辅助分析肿瘤特征、指导治疗决策提供坚实基础。（一）影像诊断胰腺癌缺乏可靠的早期筛查工具，AI模型可利用体检或急诊的常规CT平扫识别早期胰腺肿瘤。代表性研究如PANDA模型（pancreaticcancerdetectionwithAI），通过分割网络定位胰腺、多任务卷积神经网络（convolutionalneuralnetwork，CNN）检测病灶，并结合双通道Transformer区分胰腺癌与其他病变，在包含3208例手术病例的训练集和全球多中心验证中，灵敏度达90.1%，特异性达95.7%［13］。该研究验证了AI从常规胰腺平扫CT中提取有效诊断信息的可行性，为PDAC大规模筛查提供了良好技术路径。然而，如何将此类高水平研究转化为普适、可靠的临床诊断工具，仍依赖于前瞻性、多场景的临床效能验证以及与之匹配的诊疗流程重塑。在MRI影像分析领域，AI技术通过整合影像组学与临床数据构建早期诊断模型。基于MRI影像组学特征建立的模型，在检测胰腺癌肝转移的验证队列中灵敏度达75.0%，特异度达82.2%，提高了胰腺癌肝转移早期筛查的效率［14］。这并非简单提升读片效率，而是对常规MRI图像进行“深度解码”，通过获得超越人眼感知的定量特征，间接反映肿瘤的生物学行为与微环境变化。超声内镜（EUS）是胰腺癌诊断的另一重要工具，Cheng团队［15］开发的多模态AI模型（Joint-AI），通过整合EUS图像与临床数据，在区分胰腺癌与非癌性病变的任务中准确率达98%，且在前瞻性试验中，能将新手医师的诊断准确率从69%提升至90%。此外，该多模态AI系统通过融合EUS模式图像及临床指标（如CA19-9），将诊断准确率提升至94%以上，其准确性显著优于单模态模型或临床医师。然而，将其转化为广泛应用的临床现实仍面临系统性挑战。未来需从前瞻性、多中心临床试验中获取更高级别的证据，验证模型的泛化能力与临床获益。（二）病理诊断病理大模型基于大规模全切片图像与多模态数据训练，构建出具有强大泛化能力的视觉模型。此类模型可统一完成病灶分割、分子亚型预测及肿瘤微环境空间解析等多层次任务，实现了对病理图像的深度挖掘。在胰腺癌领域，病理大模型不仅能提升诊断的客观性与效率，更通过整合基因组信息与微环境特征，为精准诊疗提供全新视角，标志着病理诊断正迈向可解释、可预测的智能化新阶段。Fu等［16］开发了一种适用于胰腺病理全景图像数据集的CNN架构，该模型通过自动化分割模块，在WSI层面实现了对胰腺癌的精准识别，诊断准确率极高，并能通过生物信息学热图可视化关键诊断区域（如异常腺体结构、核异型程度等）。该研究显示，融合病理影像资料可成为辅助诊断系统的关键方向，而模型的可解释性输出若能与临床诊疗路径深度整合，将推动胰腺癌从鉴别诊断向预后预测的跨越。Xu等［17］开发的病理基础模型（如GigaPath），采用基于Transformer的架构与自监督预训练策略，该模型能够高效处理超大规模病理图像数据集，并可将病理图像与报告中的文字描述进行跨模态数据分析，其在胰腺癌相关任务中的表现优于传统深度学习方法，且微调时仅需少量标注数据，降低了对高质量注释数据的需求。此外，利用AI模型分析转移性淋巴结内肿瘤细胞在整个淋巴结的占比（即肿瘤区域/转移性淋巴结面积比，T/MLN），可作为新的疾病诊断及预后评估指标，在转移淋巴结个数相同的患者中，T/MLN值越高，患者预后越差，这对N1期患者的风险分层效应更为明显［18］。其最终临床价值不仅取决于技术性能，更取决于模型能否深入融合病理形态与分子机制，真正转化为可指导精准治疗的知识系统。综上所述，AI通过自动化分割、分子亚型识别、微环境量化及多模态信息整合，深度参与胰腺癌病理诊断的全流程，为提升诊断精准度、揭示疾病异质性和指导个体化治疗提供了强有力的支持。二、AI与临床治疗决策PDAC高度异质性使个体化精准策略的制定面临挑战，靶向和免疫治疗仅对约30%患者显效，且缺乏明确的疗效预测标志物。AI通过整合临床、影像及病理等多维度数据，为评价预后状态、预测治疗反应、分析复发风险及引导手术治疗提供了新途径，有力推动了PDAC的精准治疗发展。（一）术中导航与实时辅助AI在胰腺癌术中导航与实时辅助领域的应用，正推动外科手术向精准化、智能化方向深刻变革。其核心在于通过多模态数据融合与实时计算，提升外科医生的感知与决策能力。目前，该技术主要沿几个路径发展：首先，基于术前CT/MRI数据的三维重建与增强现实（AR）技术结合，生成患者特异性解剖模型并叠加于真实术野，为医生提供视觉引导，助力重要血管辨识与肿瘤边界的判定［19］。在腹腔镜胰十二指肠切除术中，辅助导航系统可减少术中出血并降低术后胰瘘等并发症发生率。其次，基于计算机视觉的算法能实时分析手术过程，自动识别关键结构损伤（如胰管）或危险事件发生（如术中出血），并及时预警干预［20］。此外，在胰头癌术前利用三维可视化技术进行胰腺全系膜切除规划，通过优化方案减少了手术时间与术中出血［21］。然而，该领域仍面临动态配准精度有限、系统实时性要求高、多中心数据标准缺失等挑战。未来的发展将更侧重于生物力学模型与实时超声等动态信息融合，以提升AI导航的鲁棒性，推动AI在术中决策中的应用，使其从被动工具向主动顾问演进。（二）生存分析与预后评估AI凭借其处理高维、复杂生物信息数据的能力，已成为评估PDAC患者预后的重要工具。该类模型的核心优势在于能够整合多组学数据与临床信息，揭示传统分期系统无法捕捉的生物学异质性。Liu等［22］采用深度学习框架提取病理全切片图像形态学特征，并结合临床信息构建预后模型，成功识别出具有显著生存差异的患者亚型（P<0.001），在独立验证队列中表现出稳健的预测性能（C指数>0.65），揭示了与肿瘤微环境结构及细胞空间分布相关的预后特征。该研究将病理学诊断从传统的主观形态描述，推向了一个客观、定量的新阶段，为发现与预后直接相关的隐匿性形态学模式提供了可能。另一项影像组学研究则通过提取CT图像中的高通量定量特征，采用LASSO-Cox回归筛选出与预后密切相关的影像组学标签，该标签能够将患者准确划分为高风险和低风险组，两组间的总生存期存在显著差异（P<0.001），表明影像特征可非侵入性地反映肿瘤的异质性［23］。这种非侵入性方法便于在治疗前后重复评估，对于指导初始治疗决策和动态监测病情演变具有独特的临床转化潜力。基于影像学或病理学信息的AI模型在预测术后复发和转移方面也展现出强大能力。Yamashita等［24］证实了基于病理组织学切片AI算法预测PDAC术后复发的能力，凸显了AI在挖掘单一数据源（如HE染色切片）最大预后价值方面的能力，其预测模型可能整合了诸如肿瘤前沿侵袭模式、间质反应特征等多项人眼难以精确定量的因素，为术后辅助治疗的精准化选择提供了更直接的依据。（三）治疗反应评价与决策优化影像组学分析新辅助治疗前后CT图像的特征变化，可提前预测病理学反应。Ikuta等［25］基于86例接受新辅助治疗的胰腺癌患者CT影像，利用LightGBM机器学习算法构建的预测模型，在测试集中区分显著病理学反应，其曲线下面积（AUC）达0.923。这种整合策略更全面地捕捉了肿瘤的生物学行为，提升了预测的稳健性与临床实用性，为构建跨维度、多参数的治疗反应评估体系提供了范式。同时，Watson等［26］结合术前CT影像与CA19-9水平变化构建的CNN模型，预测新辅助治疗反应的AUC提升至0.785（P<0.001），显示出AI在PDAC治疗反应评价方面的实用性。通过量化这些改变，AI模型能够在手术前无创地识别治疗应答者，为调整新辅助治疗或手术方案提供决策支持，进而优化治疗路径［27］。同时，AI量化肿瘤免疫微环境的空间结构特征，为精准筛选免疫治疗获益人群提供了关键工具。Cheng等［28］在一项前瞻性临床试验（Ⅰb/Ⅱ期）中，将多色免疫荧光染色技术与人工智能空间分析结合，发现治疗前肿瘤组织中“树突状细胞-T辅助细胞-细胞毒性T淋巴细胞（DC-Th-CTLs）”免疫功能域的空间聚集程度，可预测晚期胰腺癌患者对GnP化疗联合PD-1抑制剂的疗效。该研究超越从“空间关系”这一全新维度揭示了免疫效应对功能的关键作用，该空间特征模型的预测能力显著优于PD-L1表达等传统生物标志物，其鉴定的特定亚组客观缓解率（ORR）提升至33.3%，为破解胰腺癌免疫治疗低应答难题提供了新的生物标志物和筛选策略。此外，基于CT或MRI的影像组学模型（如CD8+T细胞浸润预测模型）可识别出“免疫抑制型”和“免疫激活型”等不同亚群，将常规影像提升为评估全身性肿瘤免疫状态的窗口，使得在治疗前无创、全域性地评估肿瘤免疫微环境成为可能，为预测患者对免疫检查点抑制剂等系统性治疗的反应提供了重要依据。三、多模态AI模型通过整合影像、病理、基因组学及临床数据，多模态AI模型会显著提升对PDAC的理解与诊疗精度，其效能普遍优于单一数据模型。在此基础上，智能体（AIAgents）作为一种具备自主感知、决策与执行能力的系统性AI框架，正在为多模态PDAC分析赋予更强的动态交互与闭环优化能力。此类模型能够全面捕捉肿瘤的异质性、微环境演变特征及临床资料，为精准诊断、预后预测及治疗决策提供更全面的支持。在处理胰腺癌数据时，Transformer能够将影像中的肿瘤形态特征与基因组学中的特定基因突变（如KRAS）或免疫微环境特征进行关联，从而更深刻地揭示表型与基因型之间的联系［29］。而基于智能体的系统可进一步动态协调多个异构模型（如序列分析模型与临床推理模型），实现多模态信息的高效融合与迭代推理，从而在复杂临床场景中提供可解释、可干预的决策路径。此外，电子健康记录、医学影像数据库、生物样本库的日益丰富，以及基因组测序成本的大幅降低，为构建高质量的多模态PDAC数据集奠定了基础，也使得面向PDAC的医学智能体能够在持续的数据流与环境反馈中进行自我优化与适应性学习。多项研究验证了多模态AI模型在PDAC诊疗中的临床价值：Li等［30］开发的PORCELAIN模型整合了增强CT的影像特征与临床参数（如N分期、CA19-9），实现了对肿瘤免疫微环境中中性粒细胞与T细胞比例（NTR）的无创评估。NTR被证实是胰腺癌总生存期和无复发生存期的独立预测因子，该模型在外部验证中AUC达到0.90，能有效预测患者对化疗的反应性，为个体化治疗策略的制定提供了强有力的工具。在此类模型基础上，智能体可扮演“临床协作者”角色，不仅输出预测结果，还能依据实时输入的患者随访数据、治疗反应及新出现的生物标志物，动态调整预后判断并生成治疗调整建议，从而实现诊疗过程的持续个性化管理。Sheng等［31］的研究则进一步体现了多模态整合的深度，通过融合放射组学特征与多组学数据（基因组、转录组、蛋白质组）构建的预测模型在预测化疗反应和患者预后方面显示出显著优势，精度超过95%。此外，Liu等［32］开发的多组学随机森林框架，通过融合基因组、微生物组等特征，预测胰腺癌复发风险的AUC达0.815，显著优于单一组学模型。这些进展凸显AI在解析肿瘤异质性、指导靶向治疗（如BRCA突变患者对铂类药物的敏感性）方面的潜力，而智能体框架则能进一步将静态模型转化为可执行的工作流程，例如自动匹配临床试验、推荐分子靶点验证方案或协调多学科会诊，从而在真实临床环境中推动精准医疗的闭环实施。四、总结与展望尽管人工智能在PDAC诊疗领域取得显著进展，但其临床应用仍面临多重挑战。首先，优质模型的训练依赖于大规模、高质量的多模态数据（如影像、病理、基因信息和临床资料），然而胰腺癌发病率相对较低，且同一患者的完整多模态数据获取困难，数据分散且整合耗时［33］；其次，胰腺癌的高度异质性为AI精准诊疗带来难题。其分子亚型多样（实质可分为“基底样型”与“经典型”，间质可进一步划分为“激活态”与“未激活态”）［34］；这使得开发能应用于不同亚型的AI模型难度大增，对模型的精确性和泛化能力提出了更高要求。第三，以深度学习模型为代表的AI模型，常被视为“黑箱”，其决策过程缺乏透明度和可解释性，这影响了临床医生对AI结果的信任和采纳；同时，多模态融合虽是提升性能的关键方向，但目前仍受限于数据模态不全、数据集完整性不足以及跨模态关联分析的复杂性［35］。最后，临床转化环节存在瓶颈，当前许多研究仍处于回顾性分析阶段，前瞻性临床试验验证AI模型的准确性仍有待加强，且模型的鲁棒性需在多样化的临床环境中进一步验证。为了推动AI在PDAC诊疗中的广泛应用，以下方向至关重要：①建立标准化的高质量胰腺癌专病数据集，推动多中心协作与数据共享，同时需要利用技术手段保障数据安全与隐私。②探索如Transformer和自监督学习等先进技术在多模态数据（如影像、病理、基因组学及临床文本）整合中的应用，开发可解释AI以增强模型透明度。③开展前瞻性、多中心的临床研究以验证AI模型的效能。构建临床决策支持系统，将AI工具无缝整合到临床工作流中，并重点关注其在基层医院的推广和适用性。通过解决数据标准化、模型可解释性、多模态融合以及临床验证等关键问题，AI有望在胰腺癌诊疗中实现更广泛的临床转化，为患者提供更精准的医疗服务。参考文献[1]杨尹默,李宝毅,马永蔌.胰腺癌免疫治疗现状与进展[J].中华普通外科杂志,2023,38(5):321-325.DOI:10.3760/113855-20230322-00141.[2]WuJ,XuX,ZhangQ,etal.Cell-freeDNAtestingforthedetectionandprognosispredictionofpancreaticcancer[J].NatCommun,2025,16(1):6645.DOI:10.1038/s41467-025-61890-z.[3]QianY,GongY,FanZ,etal.Molecularalterationsandtargetedtherapyinpancreaticductaladenocarcinoma[J].JHematolOncol,2020,13(1):130.DOI:10.1186/s13045-020-00958-3.[4]田孝东,邓永琪,杨尹默.胰腺癌新辅助及转化治疗热点聚焦[J].中华普通外科杂志,2025,40(1):23-27.DOI:10.3760/113855-20241210-00764.[5]NtalaC,DebernardiS,FeakinsRM,etal.Demographic,clinical,andpathologicalfeaturesofearlyonsetpancreaticcancerpatients[J].BMCGastroenterol,2018,18(1):139.DOI:10.1186/s12876-018-0866-z.[6]SuJ,WangY,ShaoH,etal.Valueofmulti-detectorcomputedtomographycombinedwithserumtumormarkersindiagnosis,preoperative,andprognosticevaluationofpancreaticcancer[J].WorldJSurgOncol,2022,20(1):323.DOI:10.1186/s12957-022-02785-x.[7]YuanL,YangL,ZhangS,etal.Developmentofatongueimage-basedmachinelearningtoolforthediagnosisofgastriccancer:aprospectivemulticentreclinicalcohortstudy[J].EClinicalMedicine,2023,57:101834.DOI:10.1016/j.eclinm.2023.101834.[8]张雨怡,孙豪庭,钦伦秀.人工智能在消化系统肿瘤外科诊疗中的应用与挑战[J].中华普通外科杂志,2025,40(5):338-346.DOI:10.3760/113855-20250311-00134.[9]PodinăN,GheorgheEC,ConstantinA,etal.Artificialintelligenceinpancreaticimaging:asystematicreview[J].UnitedEuropeanGastroenterolJ,2025,13(1):55-77.DOI:10.1002/ueg2.12723.[10]Elosua-BayesM,NietoP,MereuE,etal.SPOTlight:seededNMFregressiontodeconvolutespatialtranscriptomicsspotswithsingle-celltranscriptomes[J].NucleicAcidsRes,2021,49(9):e50.DOI:10.1093/nar/gkab043.[11]BereskaJI,JanssenBV,NioCY,etal.ArtificialintelligenceforassessmentofvascularinvolvementandtumorresectabilityonCTinpatientswithpancreaticcancer[J].EurRadiolExp,2024,8(1):18.DOI:10.1186/s41747-023-00419-9.[12]KeylJ,KasperS,WieswegM,etal.Multimodalsurvivalpredictioninadvancedpancreaticcancerusingmachinelearning[J].ESMOOpen,2022,7(5):100555.DOI:10.1016/j.esmoop.2022.100555.[13]CaoK,XiaY,YaoJ,etal.Large-scalepancreaticcancerdetectionvianon-contrastCTanddeeplearning[J].NatMed,2023,29(12):3033-3043.DOI:10.1038/s41591-023-02640-w.[14]陈颖,于观贞,满晓华.人工智能在胰腺癌诊断和治疗中的应用[J].中华胰腺病杂志,2024,24(5):326-331.DOI:10.3760/115667-20240911-00147.[15]CuiH,ZhaoY,XiongS,etal.Diagnosingsolidlesionsinthepancreaswithmultimodalartificialintelligence:arandomizedcrossovertrial[J].JAMANetwOpen,2024,7(7):e2422454.DOI:10.1001/jamanetworkopen.2024.22454.[16]FuH,MiW,PanB,etal.Automaticpancreaticductaladenocarcinomadetectioninwholeslideimagesusingdeepconvolutionalneuralnetworks[J].FrontOncol,2021,11:665929.DOI:10.3389/fonc.2021.665929.[17]XuH,UsuyamaN,BaggaJ,etal.Awhole-slidefoundationmodelfordigitalpathologyfromreal-worlddata[J].Nature,2024,630(8015):181-188.DOI:10.1038/s41586-024-07441-w.[18]WangX,ChenY,GaoY,etal.Predictinggastriccanceroutcomefromresectedlymphnodehistopathologyimagesusingdeeplearning[J].NatCommun,2021,12(1):1637.DOI:10.1038/s41467-021-21674-7.[19]OkamotoT,OndaS,YasudaJ,etal.Navigationsurgeryusinganaugmentedrealityforpancreatectomy[J].DigSurg,2015,32(2):117-123.DOI:10.1159/000371860.[20]WuX,WangD,XiangN,etal.Augmentedreality-assistednavigationsystemcontributestobetterintraoperativeandshort-timeoutcomesoflaparoscopicpancreaticoduodenectomy:aretrospectivecohortstudy[J].IntJSurg,2023,109(9):2598-2607.DOI:10.1097/JS9.0000000000000536.[21]李冬瑞,李佳璇,张斌,等.三维可视化融合成像导航系统在腹腔镜胰腺手术中的应用价值[J].中华消化外科杂志,2022,21(4):537-542.DOI:10.3760/115610-20220303-00116.[22]LiuX,RenB,FangY,etal.Comprehensiveanalysisofbulkandsingle-celltranscriptomicdatarevealsanovelsignatureassociatedwithendoplasmicreticulumstress,lipidmetabolism,andlivermetastasisinpancreaticcancer[J].JTranslMed,2024,22(1):393.DOI:10.1186/s12967-024-05158-y.[23]李文嘉,杜岩,李昕,等.基于胰腺癌糖酵解异常构建LASSO-Cox预后模型[J].兰州大学学报(医学版),2025,51(3):21-29.DOI:10.13885/j.issn.1000-2812.2025.03.004.[24]HayashiH,UemuraN,MatsumuraK,etal.Recentadvancesinartificialintelligenceforpancreaticductaladenocarcinoma[J].WorldJGastroenterol,2021,27(43):7480-7496.DOI:10.3748/wjg.v27.i43.7480.[25]IkutaS,AiharaT,NakajimaT,etal.Predictingpathologicalresponsetopreoperativechemotherapyinpancreaticductaladenocarcinomausingpost-chemotherapycomputedtomographyradiomics[J].Cureus,2024,16(1):e52193.DOI:10.7759/cureus.52193.[26]WatsonMD,Baimas-GeorgeMR,MurphyKJ,etal.Pureandhybriddeeplearningmodelscanpredictpathologictumorresponsetoneoadjuvanttherapyinpancreaticadenocarcinoma:apilotstudy[J].AmSurg,2021,87(12):1901-1909.DOI:10.1177/0003134820982557.[27]沈素雅,李晶晶,程浩,等.患者源性类器官作为评估胰腺癌治疗反应预测模型的临床研究[J].中华普通外科杂志,2023,38(9):655-661.DOI:10.3760/113855-20230502-00217.[28]ChengK,LiX,LvW,etal.Spatialinteractionsofimmunecellsaspotentialpredictorstoefficacyoftoripalimabpluschemotherapyinlocallyadvancedormetastaticpancreaticductaladenocarcinoma:aphaseIb/IItrial[J].SignalTransductTargetTher,2024,9(1):321.DOI:10.1038/s41392-024-02031-8.[29]JeeJ,FongC,PichottaK,etal.Automatedreal-worlddataintegrationimprovescanceroutcomeprediction[J].Nature,2024,636(8043):728-736.DOI:10.1038/s41586-024-08167-5.[