学术报告：基于深度学习的急性胰腺炎智能诊断模型研究

作者及研究机构

本研究由Chi Zhang、Jin Peng、Lu Wang、Yu Wang、Wei Chen、Ming-wei Sun和Hua Jiang等研究者完成，其中通讯作者为Hua Jiang（电子邮件：jianghua@uestc.edu.cn）。他们分别隶属于University of Electronic Science and Technology of China、Sichuan Provincial People’s Hospital等机构。该研究发表于2024年《BMC Medical Imaging》期刊（DOI: https://doi.org/10.1186/s12880-024-01339-9）。

研究背景

急性胰腺炎是一种常见的需要紧急处理的疾病，其特征是局部和全身性的炎症反应。临床上急性胰腺炎的症状往往与其他胃肠道疾病相似，包括胆囊炎、急性胃肠炎等，可能导致误诊或延误诊断。此外，传统的生化指标（如血清淀粉酶和脂肪酶）虽然常用于确诊急性胰腺炎，但其特异性并不高。影像学评估（如Balthazar CT评分、MCTSI评分）虽然被广泛使用，但在疾病早期，胰腺的形态学改变可能并不明显，也导致对疾病严重程度的低估。

现有急性胰腺炎的临床评分系统如BISAP和APACHE II评分，虽然可以在入院第一天给出评估，但预测准确性和敏感性仍有待提高。此外，约20%的患者可能发展为急性重症胰腺炎，且其死亡率可达30%。因此，早期准确识别疾病并评估其严重性，对于制定治疗方案和改善患者预后具有重要意义。

近年来，人工智能技术，特别是深度学习（Deep Learning, DL）的发展，为医学诊断提供了新的解决方案。在医学影像中，DL模型如U-Net网络等表现出在图像分割和语义解析方面的显著优势。本研究旨在开发一个基于深度学习的急性胰腺炎诊断模型，并验证其在影像诊断和疾病严重性评估中的有效性。

研究方法

总体设计与数据收集

本研究为回顾性研究，研究对象来源于四川省人民医院急诊中心，时间跨度为2020年1月至2021年12月。研究共纳入190名急性胰腺炎患者，并收集了同期体检中心的健康对照样本。纳入该研究的急诊患者均进行了腹部CT检查，排除标准包括：胃肠道肿瘤病史、胰腺手术史、CT图像质量较差等。

数据收集包括两个部分： 1. 临床与实验室数据：患者入院时采集的性别、年龄、高血压、糖尿病病史，以及血常规、肝肾功能、炎症指标、凝血功能等参数。 2. 影像数据：腹部CT图像由两名放射科医生独立筛选，再通过高级放射科医生复核，确保标注的图像质量。

模型构建

模型采用两个关键模块： 1. 急性胰腺炎分类器模块（Acute Pancreatitis Classifier Module）： - 使用百度的EasyDL平台训练分类器模型。 - 将急性胰腺炎病例和健康样本的CT图像上传，经过网络优化后获得最终分类模型。 - 使用未参与训练的数据进行外部验证。

1. 胰腺病灶分割模块（Pancreatitis Lesion Segmentation Module）：
   • 基于U-Net网络，进行胰腺及关联病灶（如胰腺肿胀、胰周炎症性渗出、胰周积液、胰周脓肿坏死）的图像分割。
   • 使用开放源代码工具Genie Annotation Assistant进行像素级病灶分割，由两名放射科医生首先标注后，由高级放射科医生审核。

模型训练和验证中，数据集按8:2的比例随机分为训练集和验证集。模型评估指标包括精确率（Precision）、召回率（Recall Rate）、F1分数（F1-Score）、AUC值、损失率（Loss Rate）、加权精度（FWAVACC）和平均交并比（MIOU）。

研究结果

分类器模块的表现

急性胰腺炎分类器模块在区分急性胰腺炎病例与健康对象方面表现出色： - 验证集的AUC值为0.993，灵敏度为100%，特异度为98.59%。 - 外部验证集的AUC值为0.850，灵敏度为80.85%，特异度为89.13%。

热度图（Heatmap）的分析显示，分类器主要关注胰腺周围区域，并利用这些区域的高权重信息进行分类。

分割模块的表现

分割模块在处理四类胰腺病灶（胰腺肿胀、胰周炎症性渗出、胰周积液、胰周脓肿坏死）时，显著提高了图像分割效率： 1. 胰腺分割： - 验证集MIOU值为86.02%，分割表现良好。 2. 胰周炎症性渗出： - MIOU值为61.81%。尽管MIOU值相对较低，但模块能够识别出一些人工标注难以察觉的弥散性病灶。 3. 胰周积液： - MIOU值为57.73%。类似胰周炎症性渗出，分割结果显示模型学习到了更多细微特征。 4. 胰周脓肿坏死： - MIOU值为66.36%。由于样本量较少，分割性能略有不足，但总体来说效果尚可。

研究结论

本研究成功开发了一个基于深度学习的急性胰腺炎智能诊断模型，具有以下特点： 1. 高效的诊断能力：分类模块表现卓越，能够快速准确地区分胰腺炎病例，为临床诊断提供有效支持。 2. 精准的病灶分割：分割模块可实现精准的胰腺及其相关病灶的影像分割。特别是在炎症性渗出和积液的识别方面，展现了超越人工标注的潜力。 3. 临床应用潜力：该模型可用于基层医院的影像诊断工作，减少误诊率，提升患者治疗成功率。

研究亮点

• 创新性：首个基于深度学习技术开发的急性胰腺炎诊断与病灶分割模型。
• 方法先进：结合U-Net网络和百度EasyDL平台，保证了分类和分割任务的高效性。
• 模块集成：诊断模块和分割模块的结合，使得模型不仅能够识别疾病，还能直接评估疾病严重性。

局限性与未来展望

本研究的局限性主要包括： 1. 数据来源于单中心，可能存在样本偏倚。 2. 局部病灶数据（如胰周脓肿样本量）较少，影响了部分分割模块的表现。

未来研究将继续优化模型结构，并整合实验室数据，构建更综合的预测模型。这一研究为基于人工智能技术的医学影像诊断提供了重要启发，具有广泛的科研与临床价值。