基于深度学习的胰腺神经内分泌肿瘤诊断研究综述

基于深度学习的胰腺神经内分泌肿瘤诊断研究综述胰腺神经内分泌肿瘤（pancreaticneuroendocrineneoplasms，pNENs）是一类起源于胰腺神经内分泌细胞的异质性肿瘤，占所有胰腺肿瘤的1%~2%，近年来其发病率呈逐年上升趋势。与胰腺导管腺癌相比，pNENs的生物学行为、治疗方案及预后存在显著差异，约60%的pNENs患者在确诊时已出现局部进展或远处转移，而早期诊断的患者5年生存率可达80%以上。目前临床pNENs的诊断高度依赖医学影像检查与病理活检，但传统影像诊断受医师经验影响较大，病理活检属于有创操作且存在取样误差，因此亟需高效、无创、精准的辅助诊断手段。深度学习技术凭借强大的特征自动提取能力，在医学影像分析、病理图像识别、多模态数据融合等领域展现出巨大应用潜力，为pNENs的全流程诊断提供了新的解决方案。一、深度学习在pNENs影像诊断中的应用影像检查是pNENs术前诊断的核心手段，常用的影像模态包括计算机断层扫描（CT）、磁共振成像（MRI）、超声内镜（EUS）以及正电子发射断层显像（PET）等。深度学习算法能够从海量影像数据中挖掘人类肉眼难以识别的定量特征，实现肿瘤的检出、定位、分级与分期预测。在CT影像诊断方向，增强CT是pNENs首选的影像学检查方法，典型pNENs在动脉期呈现明显强化，门静脉期和延迟期强化程度逐渐下降，但约20%的无功能pNENs强化模式不典型，易与胰腺囊性肿瘤、胰腺癌混淆。卷积神经网络（CNN）是CT影像分析中最常用的深度学习模型，2021年一项研究构建了基于增强CT动脉期和门静脉期图像的三维CNN模型，在1200例pNENs与胰腺癌的鉴别诊断任务中，模型AUC达到0.92，准确率为87%，显著高于高年资放射科医师的平均诊断准确率（79%）。另一项纳入850例经病理证实的pNENs患者的多中心研究，开发了包含肿瘤区域、瘤周胰腺实质及胰周血管特征的多区域CNN模型，该模型对pNENs病理分级（G1/G2/G3）的预测准确率达到82%，其中对G3级pNENs的识别灵敏度达到89%，能够为术前治疗方案制定提供重要参考。此外，针对pNENs淋巴结转移的预测问题，研究人员提出了融合CT影像特征与临床特征的混合深度学习模型，模型对淋巴结转移的预测AUC为0.85，优于传统的基于肿瘤大小、部位等临床特征的预测模型（AUC=0.71）。MRI在pNENs的诊断中具有更高的软组织分辨率，尤其对小病灶的检出和囊性变、坏死的识别优于CT。基于MRI的深度学习模型在pNENs诊断中也取得了重要进展，2022年一项研究利用T1加权、T2加权及扩散加权成像（DWI）序列的多参数MRI数据，构建了基于Transformer的深度学习模型，该模型对直径<2cm的pNENs的检出灵敏度达到86%，显著高于常规影像诊断的65%。针对pNENs肝转移的早期预测问题，有团队开发了结合术前MRI影像组学特征与深度学习特征的融合模型，在720例pNENs患者的验证集中，模型对术后1年、3年、5年肝转移的预测AUC分别为0.89、0.86、0.83，能够帮助临床医师识别高复发风险患者，制定术后随访方案。超声内镜是pNENs诊断和术前评估的重要工具，不仅可以清晰显示胰腺病灶的形态、边界、内部回声，还可以同时进行细针穿刺活检。基于EUS影像的深度学习模型主要聚焦于pNENs的良恶性鉴别与细针穿刺的辅助引导，2023年一项多中心研究纳入了1500例胰腺局灶性病变的EUS影像数据，其中包括380例pNENs，构建的CNN模型对pNENs与其他胰腺实性病变（胰腺癌、实性假乳头状瘤等）的鉴别诊断AUC达到0.94，准确率为88%，且模型的诊断性能在不同中心的外部验证集中保持稳定。此外，研究人员还开发了基于EUS视频的实时病灶检测模型，能够在超声内镜操作过程中自动识别并框定pNENs病灶，提示穿刺位点，将细针穿刺的活检阳性率从传统的78%提升至92%，减少了不必要的重复穿刺。二、深度学习在pNENs病理诊断中的应用病理诊断是pNENs诊断的金标准，主要包括组织形态学观察、免疫组化染色评估以及Ki-67增殖指数计数，其中Ki-67指数是pNENs病理分级的核心指标，直接决定患者的治疗策略和预后。但传统病理诊断依赖病理医师的人工判读，存在耗时长、观察者间一致性差等问题，尤其是Ki-67指数计数需要在高倍镜下计数至少500个肿瘤细胞，工作量大且易产生误差。深度学习技术在病理全切片图像（WSI）分析领域的快速发展，为pNENs的病理诊断自动化和标准化提供了可能。在Ki-67指数自动计数方向，研究人员开发了针对pNENs病理切片的细胞核分割与分类模型，首先通过U-Net等分割模型实现WSI中所有细胞核的精准分割，再利用CNN模型对分割得到的细胞核进行分类，区分Ki-67阳性细胞和阴性细胞，自动计算Ki-67指数。2020年一项研究纳入了420例pNENs患者的Ki-67免疫组化切片，构建的深度学习计数模型与病理医师人工计数结果的组内相关系数（ICC）达到0.96，显著优于传统的图像分析软件（ICC=0.83），且模型的计数速度是人工计数的20倍以上。针对不同实验室染色差异导致的模型泛化性问题，有团队提出了基于染色归一化和领域自适应的深度学习框架，在3个不同中心的外部验证集中，模型Ki-67计数的ICC仍保持在0.92以上，解决了不同中心病理切片染色异质性的难题。在pNENs组织学分类与分级预测方向，基于HE染色WSI的深度学习模型能够直接从组织形态学特征中预测pNENs的病理分级和分子亚型，无需额外的免疫组化染色。2022年发表在《JournalofPathology》的一项研究，利用1100例pNENs的HE染色WSI数据，开发了弱监督深度学习模型，该模型无需对肿瘤区域进行人工标注，能够自动学习与pNENs分级相关的形态学特征，对G1/G2/G3级pNENs的分类准确率达到84%，对神经内分泌瘤（NET）和神经内分泌癌（NEC）的鉴别AUC达到0.95。更重要的是，研究发现模型关注的形态学特征不仅包括传统的核异型性、核分裂象等，还包含肿瘤微环境中免疫细胞浸润、基质纤维化等人类病理医师容易忽略的特征，为pNENs的病理机制研究提供了新的视角。此外，针对pNENs分子亚型的预测问题，有团队构建了基于HE染色WSI的深度学习模型，能够预测pNENs的DAXX/ATRX基因突变状态，预测AUC达到0.81，为pNENs的分子分型提供了快速、低成本的检测方法。在pNENs转移风险预测方向，深度学习模型能够整合病理形态特征与临床特征，实现患者预后的精准预测。2023年一项研究纳入了980例手术切除的pNENs患者的病理WSI和临床随访数据，构建的多模态深度学习预后预测模型，能够将患者分为低危、中危、高危三个风险组，三组患者的5年总生存率分别为94%、72%、41%，组间差异具有统计学意义（P<0.001），且该模型的预后预测性能优于传统的TNM分期系统和病理分级系统，能够为术后辅助治疗的选择提供依据。三、深度学习在pNENs多模态诊断中的应用单模态数据往往只能提供疾病某一方面的信息，而pNENs的发生发展是多因素共同作用的结果，单一影像或病理模态的诊断性能存在瓶颈。多模态深度学习技术能够整合影像、病理、临床、检验、分子生物学等多源数据，实现不同模态信息的优势互补，进一步提升pNENs的诊断准确性。在影像与临床数据融合方向，研究人员构建了融合CT/MRI影像特征、患者年龄、性别、肿瘤标志物（如嗜铬粒蛋白A、神经元特异性烯醇化酶）等临床信息的多模态深度学习模型。2021年一项多中心研究纳入了1350例pNENs患者，对比了单CT模型、单临床特征模型以及多模态融合模型的诊断性能，结果显示多模态模型对pNENs术前分级的预测AUC达到0.90，显著高于单CT模型（0.83）和单临床模型（0.75）。另一项针对pNENs可切除性评估的研究，融合了增强CT影像特征、胰周血管受累情况以及患者肝功能、凝血功能等临床指标，构建的多模态深度学习模型对pNENs可切除性的预测准确率达到89%，为术前手术方案的制定提供了可靠依据。在影像与病理数据融合方向，术前影像特征与术后病理特征的关联分析能够实现“无创病理诊断”的目标。2022年一项研究提出了影像-病理关联学习的深度学习框架，首先利用病理WSI数据训练得到pNENs分级预测模型，再通过跨模态特征对齐方法，将CT影像特征与病理特征映射到同一特征空间，最终构建的基于术前CT的pNENs分级预测模型AUC达到0.87，比传统基于影像组学的模型提升了9%。该类模型能够在术前无创地预测pNENs的病理分级和分子特征，对于无法进行手术或穿刺活检的患者具有重要的临床价值。在多组学数据融合方向，随着基因组学、转录组学、蛋白质组学等多组学技术的发展，整合多组学数据与临床影像数据的深度学习模型成为pNENs精准诊断的新方向。2023年一项研究整合了260例pNENs患者的基因组数据、CT影像数据和临床数据，构建了基于多组学的深度学习分类模型，该模型能够将pNENs分为3个具有不同预后和治疗响应的分子亚型，对靶向药物治疗响应的预测AUC达到0.84，为pNENs的个体化精准治疗提供了支撑。四、当前挑战与未来发展方向尽管深度学习技术在pNENs诊断领域已经取得了一系列重要进展，但目前大部分研究仍处于临床前阶段，要实现广泛的临床转化应用仍面临诸多挑战。首先是数据质量与标注问题，深度学习模型的性能高度依赖大规模高质量的标注数据，但pNENs属于罕见病，多中心、大样本的数据收集难度大，且医学影像和病理数据的标注需要专业医师完成，标注成本高、周期长。其次是模型的可解释性问题，深度学习模型通常被认为是“黑箱”，其决策过程难以被临床医师理解和信任，如何构建可解释的深度学习模型，明确模型决策所依据的医学特征，是临床转化的关键。第三是模型的泛化性问题，不同中心的影像设备、扫描参数、病理染色流程存在差异，导致模型在单一中心表现优异，但在外部验证集上性能下降明显，如何提升模型的跨中心泛化能力是亟需解决的问题。未来pNENs深度学习诊断的发展方向主要包括四个方面：一是构建大规模多中心标准化的pNENs数据库，建立统一的数据采集、标注和预处理规范，为模型训练提供高质量的数据基础。二是发展小样本学习、弱监督学习、自监督学习等新的深度学习范式，降低模型对大规模标注数据的依赖，解决罕见病数据不足的问题。三是开发可解释、可信任的深度学习模型，通过注意力机制可视化、特征重