人工智能在胰腺疾病诊断及治疗中的应用及展望

郭秀鏐 丁莺 徐秋萍

[摘要] 人工智能是计算机科学的一个分支，是一门新的技术科学。以强大的计算和学习能力而广泛应用于临床实践的各个领域。本文回顾了人工智能在胰腺疾病诊断及治疗中的应用，特别是在急性胰腺炎的严重程度及预后评估、胰腺癌的诊断和预后等方面。然而人工智能是以“大数据”为基础的，多中心数据库的建立仍需要我们进一步努力。此外，随着人工胰腺在糖尿病应用中的普及，人机关系在医疗实践中占的比重也会越来越大。人工智能技术将会给临床诊疗活动带来更多的便利。

[关键词] 人工智能;胰腺疾病;人工神经网络;胰腺炎;胰腺癌;机器学习

[中图分类号] R57;R-05          [文献标识码] A          [文章编号] 1673-9701（2020）17-0188-05

Application and prospect of artificial intelligence in diagnosis and treatment of pancreatic diseases

GUO Xiuliu    DING Ying    XU Qiuping

Zhejiang University School of Medicine，Hangzhou   310020，China

[Abstract] Artificial intelligence is a branch of computer science and a new technical science. It is widely used in various fields of clinical practice with strong computing and learning capabilities. This article reviews the application of artificial intelligence in the diagnosis and treatment of pancreatic diseases， especially in the assessment of the severity and prognosis of acute pancreatitis， and the diagnosis and prognosis of pancreatic cancer. However， artificial intelligence is based on "big data"， and the establishment of a multi-center database still requires our further efforts. In addition， with the popularization of artificial pancreas in the application of diabetes， human-machine relationship will also become more and more important in medical practice. Artificial intelligence technology will bring more convenience to clinical diagnosis and treatment activities.

[Key words] Artificial intelligence;Pancreatic diseases;Artificial neural network;Pancreatitis; Pancreatic cancer;Machine learning

人工智能（Artificial intelligence，AI）是一門新的技术科学，主要研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术和应用系统。21世纪人工智能得到了飞速发展，在医疗、军事、化学工业、地质勘探等各个领域都取得了惊人的成果。早在20世纪50年代后期，人工智能就在医疗领域有了研究，在医学诊断中有了初步的探索[1]。70余年来，在经历了曲折的发展之后，目前人工智能在我国临床诊断、治疗，病原学检测，疾病预后预测及医疗影像等方面应用广泛，为我国的医疗事业做出巨大贡献[2]。其中在胰腺疾病的诊断及治疗方面，已经有多种人工智能技术在应用，如胰腺炎的诊断及预测、胰腺恶性肿瘤的诊断及鉴别诊断、人工胰岛的应用等。本文就人工智能在胰腺疾病诊断及治疗中的应用及展望作出综述。现报道如下。

1 人工智能在医学研究中的主要方法

1956年，在由一些心理学、神经生理学、计算机学等学科参加的达特茅斯会议中，“人工智能”的概念首次被提出，并希望可以用计算机来构造拥有与人类智慧同样本质特性的机器。人工智能研究领域范围很广，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。其中机器学习与医学研究关系最为密切。机器学习（Machine learning，ML）其实是一种实现人工智能的方法[3]。简而言之就是使用算法来解析已有的临床数据，从中学习，然后对临床事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。传统的机器学习算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等。从学习方法上来分，机器学习算法可以分为监督学习（如分类问题）、无监督学习（如聚类问题）、半监督学习、集成学习、深度学习和强化学习等。目前，深度学习（Deep learning，DL）[4]方法在医学研究中应用最为广泛。由于医疗数据具有庞大、复杂、无序的特殊性，传统的机器学习方法并不能胜任这样繁杂的任务。而深度学习采用了深度神经网络（DNN）、卷积神经网络（CNN）等方法，与传统计算机回归分析的单层结构不同，神经网络是复杂的多层感知模型，包括了输入层、模拟神经元层、输出层三个部分。其在数据处理能力上可以分析传统的回归分析所无法处理的非线性数据。只要选择合适的输入层与输出层，通过网络模型对大量临床数据的学习和调试，就能找到一个输入层与输出层的函数关系，一个无限靠近现实真相的关联关系。使用训练成功的网络模型，对临床工作具有巨大的推动作用。

2 人工智能在胰腺疾病诊断及治疗中的应用

2.1人工智能与胰腺炎

急性胰腺炎是一种常见的急腹症，其发病率与死亡率均较高[5-6]。自从人工智能发展以来，其在急性胰腺炎预测方面就有了不少研究与探索。上世纪九十年代，Pofahl WE等[7]对神经网络在预测急性胰腺炎患者住院时间（Length of stay，LOS）中的作用展开了研究。他们建立了一种反向传播神经网络，并对195例急性胰腺炎患者的病例资料进行回顾，其中156例用于对神经网络模型的训练，在剩余39例中进行测试。结果表明，相比于其他方法，神经网络模型在预测LOS>7 d中具有最高的灵敏度（75%）。尽管该研究并未涉及急性胰腺炎发病早期的预测，但也证实了人工智能在急性胰腺炎领域拥有广阔的研究前景。之后Keogan MT[8]团队也利用人工智能对急性胰腺炎患者的预后进行预测。他们建立的人工神经网络模型（ANN）利用CT和实验室数据对92例急性胰腺炎患者的预后进行预测。输入节点为CT、实验室数据，输出节点为患者住院时间。最后ANN成功地預测了患者有无超过平均住院时间（Az=0.83±0.05）。相比于Ranson分级（Az=0.68±0.06，P<0.02）和Balthazar分级（Az=0.62±0.06，P<0.003），他们建立的人工神经网络模型有着明显优势。但与线性判别分析（Az=0.82±0.05，P=0.53）相比，其结果不具有差异。此外，对于急性胰腺炎严重程度的预测，有研究者建立了一个神经网络预后模型[9]。该模型经增强CT扫描证实其敏感性为100%，入院时特异性为70%。Pearce CB等[10]利用机器学习来提高APACHEⅡ评分和C反应蛋白的入院值对急性胰腺炎严重程度的预测作用。选取了256例患者作为研究对象，采用年龄、CRP、呼吸频率、空气中PO2、动脉pH、血肌酐、白细胞计数和GCS评分这8个项目作为输入节点，其受试者-操作特征曲线（AUC）下的面积为0.82（SD 0.01），预测严重程度的最佳临界值为0.87，特异度为0.71。预测结果明显优于入院APACHE Ⅱ评分（AUC 0.74）和历史入院APACHE Ⅱ数据（AUC 0.68～0.75）（P=0.0036）。表明机器学习技术显著改善了入院后首次观察值的预测性能，并减少了预测因素的数量。另一项研究[11]将神经网络预测急性胰腺炎严重程度的准确性与APACHE Ⅱ和GCS评分进行比较，结果显示ANN在预测严重病程进展（P<0.05和P< 0.01）、预测多器官功能障碍综合征的发展（P<0.05和P<0.01）以及预测AP死亡（P<0.05）方面优于APACHE Ⅱ或GS评分系统，其灵敏度和特异度分别达到89%、96%。急性胰腺炎是一种很复杂的疾病，根据之前的研究可以得出，想要利用人工智能预测急性胰腺炎的严重程度，危险因素的选择十分关键[12]。Andersson B等[13]设计的人工神经网络模型，首次将疼痛持续时间作为危险变量提出。然而，Hong WD等[14]指出该研究的几个局限性：样本量小，缺少数据点，急性胰腺炎发病和数据收集之间的时间间隔不清楚，所以该研究结果有待进一步阐明。急性胰腺炎症状出现后第一周内持续的器官衰竭一个致命结局的标志，Hong WD等[14]认为，这可以作为使用人工神经网络分析急性胰腺炎患者持续性器官衰竭的预测因素之一。同时，他们也提到了该研究的一些局限性，如数据是回顾性的，样本量较小，可能会造成结果的一些偏差。另有一篇综述[15]表示，与当前的评分系统相比，神经网络预测疾病严重程度的准确性更高，需要的变量更少，并且能更早地作出评估。但是van den Heever M等[15]也发现，现有的大部分研究，其数据来源的数据库大多是为管理目的而设计的，对临床或研究人员价值有限，希望未来能建立智能数据库，促进多中心数据收集。

急性胰腺炎本身病程十分复杂，在疾病发展过程中会出现各种各样的并发症[16]。Fei Y等[17]的一项研究利用人工神经网络模型来预测门脾静脉血栓形成的能力，并与传统Logistic回归进行比较。结果显示所建立的人工神经网络模型灵敏度为80%，特异度为85.7%，阳性预测值为77.6%，阴性预测值为90.7%。准确率为83.3%。综合性能优于Logistic回归模型。如果能加入更多的临床因素或生物标志，该模型的预测能力也许会进一步提高。于是Fei Y等[18]改进了研究方法，采用径向基函数（RBF）人工神经网络（ANN）模型预测AP诱发PVT的风险，结果得出RBF神经网络模型预测PVT的敏感性、特异性和准确性分别为76.2%、92.0%和88.1%。该研究证明RBF神经网络模型是预测AP后PVT风险的有效工具，并且提出AMY、D-二聚体、PT和HCT是AP诱发PVT的重要预测因子。以同样的方法，Fei Y等[19]人对重症急性胰腺炎（SAP）并发急性肺损伤（ALI）的危险性也做了相关探索，并得到阳性结果。最近还有一项研究[20]表明基于CECT的放射组学模型在预测AP复发方面效果良好。这可能为一些复发患者就预防措施方面提供重要帮助。

慢性胰腺炎是各种病因引起胰腺组织和功能不可逆改变的慢性炎症性疾病，终末期有严重的并发症，包括内外分泌功能不全和胰管腺癌。慢性胰腺炎是胰管腺癌的危险因素之一[21]，人工智能在慢性胰腺炎领域尚未做深入研究，现有研究主要利用人工智能相关算法鉴别诊断胰腺癌与慢性胰腺炎[22-25]。目前主要采用的方法是利用实时内镜超声（EUS）弹性成像提供关于胰腺病变特征的附加信息，再通过人工神经网络分析，最后使用计算机辅助诊断来评估实时EUS弹性成像在胰腺局灶性病变中的准确性。其中一项研究[26]中神经网络计算方法的敏感性为87.59%，特异性为82.94%，阳性预测值为96.25%，阴性预测值为57.22%，说明使用人工智能方法可以提供快速准确的诊断。自身免疫性胰腺炎（AIP）是慢性胰腺炎的一个独特亚型，其临床表现与胰腺导管腺癌（PDA）有许多相似之处。Zhang Y等[27]利用多种特征提取算法对CT和PET图像进行纹理特征提取，结果显示病灶纹理分析有助于准确区分AIP和PDA。

[5] 急性胰腺炎協作组.中国6223例急性胰腺炎病因及病死率分析[J]. 胰腺病学2006，6（6）：321-325.

[6] Koutroumpakis E，Slivka A，Furlan A，et al. Management and outcomes of acute pancreatitis patients over the last decade： A US tertiary-center experience[J]. Pancreatology：official journal of the International Association of Pancreatology （IAP），2017，17（1）： 32-40.

[7] Pofahl WE，Walczak SM，Rhone E，et al. Use of an artificial neural network to predict length of stay in acute pancreatitis[J]. Am Surg，1998，64（9）：868-872.

[8] Keogan MT，Lo JY，Freed KS，et al. Outcome analysis of patients with acute pancreatitis by using an artificial neural network[J]. Acad Radiol，2002，9（4）：410-419.

[9] Nazarenko GI，Sidorenko VI，Lebedev DS. Prognosis of the severity of acute pancreatitis by the neural network method[J]. Vestn Khir Im I I Grek，2005，164（1）：50-54.

[10] Pearce CB，Gunn SR，Ahmed A，et al. Machine learning can improve prediction of severity in acute pancreatitis using admission values of APACHE Ⅱ score and C-reactive protein[J]. Pancreatology，2006，6（1-2）：123-131.

[11] Mofidi R，Duff MD，Madhavan KK，et al. Identification of severe acute pancreatitis using an artificial neural network[J]. Surgery，2007，141（1）：59-66.

[12] Bartosch-Harlid A，Andersson B，Aho U，et al. Artificial neural networks in pancreatic disease[J]. Br J Surg，2008， 95（7）：817-826.

[13] Andersson B，Andersson R，Ohlsson M，et al. Prediction of severe acute pancreatitis at admission to hospital using artificial neural networks[J]. Pancreatology，2011，11（3）：328-335.

[14] Hong WD，Chen XR，Jin SQ，et al. Use of an artificial neural network to predict persistent organ failure in patients with acute pancreatitis[J]. Clinics（Sao Paulo），2013， 68（1）：27-31.

[15] Yan den Heever M，Mittal A，Haydock M，et al. The use of intelligent database systems in acute pancreatitis--a systematic review[J]. Pancreatology，2014，14（1）：9-16.

[16] Hines OJ，Pandol SJ. Management of severe acute pancreatitis[J]. BMJ （Clinical research ed），2019，367：6227.

[17] Fei Y，Hu J，Li WQ，et al. Artificial neural networks predict the incidence of portosplenomesenteric venous thrombosis in patients with acute pancreatitis[J]. J Thromb Haemost，2017，15（3）：439-445.

[18] Fei Y，Hu J，Gao K，et al. Risk prediction for portal vein thrombosis in acute pancreatitis using radial basis function[J]. Ann Vasc Surg，2018，47：78-84.

[19] Fei Y，Gao K，Li WQ. Artificial neural network algorithm model as powerful tool to predict acute lung injury following to severe acute pancreatitis[J]. Pancreatology，2018， 18（8）： 892-899.

[20] Chen Y，Chen TW，Wu CQ，et al. Radiomics model of contrast-enhanced computed tomography for predicting the recurrence of acute pancreatitis[J]. Eur Radiol，2019， 29（8）： 4408-4417.

[21] Huang CT，Lin CK，Lee TH，et al. Pancreatic fibrosis and chronic pancreatitis： Mini-review of non-histologic diagnosis for clinical applications[J]. Diagnostics （Basel，Switzerland），2020，10（2）：87.

[22] Yeaton P，Sears RJ，Ledent T，et al. Discrimination between chronic pancreatitis and pancreatic adenocarcinoma using artificial intelligence-related algorithms based on image cytometry-generated variables[J]. Cytometry，1998，32（4）：309-316.

[23] Norton ID，Zheng Y，Wiersema MS，et al. Neural network analysis of EUS images to differentiate between pancreatic malignancy and pancreatitis[J]. Gastrointest Endos，2001，54（5）： 625-629.

[24] Saftoiu A，Vilmann P，Gorunescu F，et al. Neural network analysis of dynamic sequences of EUS elastography used for the differential diagnosis of chronic pancreatitis and pancreatic cancer[J]. Gastrointest Endosc，2008，68（6）：1086-1094.

[25] Zhu M，Xu C，Yu J，et al. Differentiation of pancreatic cancer and chronic pancreatitis using computer-aided diagnosis of endoscopic ultrasound （EUS） images：A diagnostic test[J]. PLoS One，2013，8（5）：e63820.

[26] Saftoiu A，Vilmann P，Gorunescu F，et al. Efficacy of an artificial neural network-based approach to endoscopic ultrasound elastography in diagnosis of focal pancreatic masses[J]. Clin Gastroenterol Hepatol，2012，10（1）：84-90.

[27] Zhang Y，Cheng C，Liu Z，et al. Differentiation of autoimmune pancreatitis and pancreatic ductal adenocarcinoma based on multi-modality texture features in （18）F-FDG PET/CT[J]. Sheng Wu Yi Xue Gong Cheng Xue Za Zhi，2019，36（5）：755-762.

[28] Exarchakou A，Papacleovoulou G，Rous B，et al. Pancreatic cancer incidence and survival and the role of specialist centres in resection rates in England，2000 to 2014：A population-based study[J]. Pancreatology，https：//doi.org/10.1016/j.pan.2020.01.012.

[29] O'Reilly D，Fou L，Hasler E，et al. Diagnosis and management of pancreatic cancer in adults： A summary of guidelines from the UK National Institute for Health and Care Excellence[J]. Pancreatology：official journal of the International Association of Pancreatology（IAP）[et al]，2018，18（8）： 962-970.

[30] Okon K，Tomaszewska R，Nowak K，et al. Application of neural networks to the classification of pancreatic intraductal proliferative lesions[J]. Anal Cell Pathol，2001， 23 （3-4）： 129-136.

[31] Xing F，Su H，Neltner J，et al. Automatic Ki-67 counting using robust cell detection and online dictionary learning[J].IEEE Trans Biomed Eng，2014，61（3）：859-870.

[32] Momeni-Boroujeni A，Yousefi E，Somma J. Computer-assisted cytologic diagnosis in pancreatic FNA：An application of neural networks to image analysis[J]. Cancer Cytopathol，2017，125（12）：926-933.

[33] Kuwahara T，Hara K，Mizuno N，et al. Usefulness of deep learning analysis for the diagnosis of malignancy in intraductal papillary mucinous neoplasms of the pancreas[J].Clin Transl Gastroenterol，2019，10（5）：1-8.

[34] Li S，Jiang H，Wang Z，et al. An effective computer aided diagnosis model for pancreas cancer on PET/CT images[J].Comput Methods Programs Biomed，2018，165：205-214.

[35] Chung WY，Correa E，Yoshimura K，et al. Using probe electrospray ionization mass spectrometry and machine learning for detecting pancreatic cancer with high performance[J]. American Journal of Translational Research，2020，12（1）：171-179.

[36] Turksoy K，Cinar A. Adaptive control of artificial pancreas systems-a review[J]. J Healthc Eng，2014，5（1）：1-22.

[37] Boughton CK，Hovorka R. Advances in artificial pancreas systems[J]. Science Translational Medicine，2019，11（484）：4949.

[38] Thamprajamchit S，Ongphiphadhanakul B，Krittiyawong S，et al. A simple prediction rule and a neural network model to predict pancreatic beta-cell reserve in young adults with diabetes mellitus[J]. J Med Assoc Thai，2001， 84（3）：332-338.

[39] El-Jabali AK. Neural network modeling and control of type 1 diabetes mellitus[J]. Bioprocess Biosyst Eng，2005， 27（2）：75-79.

[40] Zecchin C，Facchinetti A，Sparacino G，et al. Jump neural network for real-time prediction of glucose concentration[J]. Methods Mol Biol，2015，1260：245-259.

[41] Samadi S，Turksoy K，Hajizadeh I，et al. Meal detection and carbohydrate estimation using continuous glucose sensor data[J]. IEEE J Biomed Health Inform，2017，21（3）：619-627.

[42] Asadi S，Nekoukar V. Adaptive fuzzy integral sliding mode control of blood glucose level in patients with type 1 diabetes：In silico studies[J]. Math Biosci，2018，305：122-132.

（收稿日期：2020-03-03）