本文是由Zhiyao Chen、Yi Wang、Huiling Zhang、Hongkun Yin、Cheng Hu、Zixing Huang、Qingyuan Tan、Bin Song、Lihui Deng和Qing Xia等作者共同完成的一项原创性研究，发表于2023年1月的《Pancreas》期刊上。该研究的主要目标是开发和验证基于深度学习（Deep Learning, DL）的模型，利用腹部非增强计算机断层扫描（Computed Tomography, CT）图像来预测急性胰腺炎（Acute Pancreatitis, AP）的严重程度。研究团队来自四川大学华西医院胰腺炎中心、放射科以及北京推想医疗科技有限公司。

研究背景

急性胰腺炎是一种常见的消化系统疾病，全球发病率约为每10万人中34例。虽然大多数患者的病情较轻且具有自限性，但约20%的患者会发展为重症急性胰腺炎（Severe Acute Pancreatitis, SAP），其死亡率高达20%至50%。因此，早期准确预测AP的严重程度对于降低死亡率至关重要。目前，临床上常用的预测方法包括生化指标、临床评分系统和影像学评分系统，但这些方法的准确性有限，尤其是在疾病早期阶段。近年来，深度学习技术在医学影像分析中取得了显著进展，尤其是在自动诊断和分类方面。然而，尚未有研究将深度学习应用于AP的早期严重程度预测。

研究方法

研究回顾性分析了978名在发病72小时内入院并接受腹部CT扫描的AP患者数据。研究分为训练集（783名患者）和验证集（195名患者）。研究团队开发了三种模型：基于临床数据的模型、基于CT图像的深度学习模型以及结合临床数据和CT图像的联合模型。深度学习模型采用卷积神经网络（Convolutional Neural Networks, CNN）架构，特别是基于MobilenetV2的改进版本，适用于3D图像分析。为了增加样本量并减少过拟合风险，研究团队对CT图像进行了数据增强处理，包括缩放、旋转和翻转等操作。

研究流程

1. 数据收集与预处理：研究团队从四川大学华西医院的电子健康信息系统中收集了患者的临床数据和CT图像。CT图像通过128层螺旋CT扫描仪获取，并使用ITK-SNAP软件进行图像分割，生成包含胰腺及其周围组织的3D图像块。
2. 临床模型开发：通过单变量和多变量逻辑回归分析，确定了与AP严重程度相关的独立风险因素，并基于这些因素构建了决策树分类器。
3. 图像深度学习模型开发：研究团队对CT图像进行了数据增强，并通过迁移学习方法对卷积神经网络进行预训练。改进后的MobilenetV2模型用于对AP的严重程度进行分类。
4. 联合模型开发：结合临床数据和CT图像特征，研究团队开发了联合深度学习模型，通过全连接层将临床风险因素转换为向量，并与CT图像特征结合进行预测。
5. 模型训练与验证：模型通过最大化AP严重程度预测性能并最小化分类交叉熵损失进行训练。训练过程中使用了Adam优化器，并在独立的验证集上对模型性能进行了评估。

研究结果

研究结果显示，联合模型在预测轻度、中度和重度AP方面的准确率分别为90.0%、32.4%和74.2%。联合模型在预测轻度AP时的AUC（Area Under the Curve）为0.820，敏感性为84.76%，特异性为66.67%；在预测重度AP时的AUC为0.920，敏感性为90.32%，特异性为82.93%。与单独的临床模型和图像模型相比，联合模型表现出更高的预测准确性。

结论

研究表明，基于深度学习的联合模型能够有效利用非增强CT图像和临床数据，为AP的早期严重程度预测提供了一种新的工具。该模型在预测轻度AP和重度AP方面表现出较高的准确性，尤其是在结合临床数据和影像学特征后，预测性能显著提升。尽管在中度AP的预测上表现不佳，但该研究为AP的早期分层研究提供了新的方法。

研究亮点

1. 创新性：这是首次将深度学习技术应用于AP的早期严重程度预测，尤其是结合了非增强CT图像和临床数据。
2. 高准确性：联合模型在预测重度AP时表现出较高的敏感性和特异性，优于传统的临床评分系统和单独的影像学模型。
3. 临床应用价值：该模型可以为临床医生提供更可靠的早期预测工具，帮助制定个体化治疗方案，从而改善患者预后。

研究局限性

1. 样本选择偏差：研究排除了未在发病72小时内进行CT扫描的患者，可能影响模型的泛化能力。
2. 种族差异：研究基于亚洲患者数据，可能不适用于其他种族群体，需进一步验证。
3. 外部验证不足：尽管研究在内部验证中取得了良好结果，但仍缺乏外部验证数据。

总结

该研究通过深度学习技术，成功开发了一种基于非增强CT图像和临床数据的联合模型，能够有效预测AP的早期严重程度。这一成果为AP的早期诊断和分层治疗提供了新的工具，具有重要的临床应用价值。未来的研究应进一步优化算法，扩大样本量，并进行多中心的外部验证，以推动该技术在临床中的广泛应用。