人工智能與醫療大數據在胰腺疾病中的應用

劉雨 趙勝兵 李兆申

海軍軍醫大學附屬長海醫院消化內科，上海 200433

【提要】 隨著計算機科學技術的發展，人工智能和大數據在各個領域都有了關鍵性突破，醫療衛生領域也受到巨大影響。盡管胰腺疾病診斷及治療相對困難，監測及管理也較為棘手，但近年來人工智能和醫療大數據在胰腺疾病的診療和管理方面也有了較多的拓展應用，并體現出明顯的應用優勢及發展潛能。

隨著電子計算機技術的飛速發展，人工智能和大數據技術如雨后春筍般興起并沖擊著各個行業，其中，醫療衛生領域也受到影響。人工智能和醫療大數據在疾病的診治及監測與管理中逐漸顯現出重要地位。胰腺疾病是消化病中診斷及治療相對較為復雜的疾病，胰腺疾病的復雜性為人工智能與醫療大數據的應用帶來一定的挑戰，同時也帶來巨大的發展空間和應用前景。

一、人工智能與醫療大數據相關概念

1956年約翰·麥卡錫將機器智能命名為“人工智能”[1]，麥卡錫與尼爾斯·尼爾森后來解釋人工智能為智能的自動化，即知識的自動化[2]，指讓計算機模擬人的思維信息進行傳統意義上的依賴人的智力才能進行的復雜工作，其中涉及計算機科學、心理學、統計學等多學科。機器學習是人工智能的重要方法之一，是一系列通過任務處理累積經驗，進而自動調整參數、提高效能的算法。近幾年，源于機器學習的人工神經網絡和深度學習頗受關注。人工神經網絡是仿照人類神經元的連接方式，建立多層“神經元”結構，每層“神經元”從上層接收數據并進行計算，再將輸出值傳遞給下層“神經元”；深度學習則是在人工神經網絡的基礎上進一步優化形成，有更多的隱藏層，可憑借這些分層發掘更高級別的數據特征[3]。目前，人工智能已被廣泛應用于疾病的診斷治療、預后評估等多個方面。

大數據(big data)一詞早在20世紀80年代就已經出現，但當時多與計算機學科相關，未對計算機以外的領域產生明顯影響。2008年《Nature》雜志出版“Big Data”專刊，介紹了大數據在多學科的機遇與挑戰。3年后《Science》又推出專刊強調大數據在科學研究中巨大潛在價值。同年在達沃斯世界經濟論壇發布了以大數據為主題的《big data, big impact》報告，大數據正式登上科學研究的舞臺，迅速成為各領域的研究熱點[4]。

大數據又稱為巨量數據、海量數據等，指涉及的數據信息規模巨大，不能通過人工在合理時間內獲取、處理、管理、加工、分析、整理成為人類所能理解和解讀的信息。醫療大數據指在醫療衛生領域產生的數據，其類型和規模以前所未有的速度增長，故僅靠現有的工具和軟件，很難在合理的時間內獲取、管理并整合成能夠供醫療服務參考或能為醫療決策提供指導的信息[5]。醫療大數據主要來源于4個方面，一是來源于與生命科學研究和藥物研發生產等相關的機構和企業，這些單位常常存儲著規模龐大的健康醫療信息；二是來源于醫療機構臨床診治和科學研究的相關信息數據，覆蓋面廣泛，從就診患者的基本信息資料到診療過程、輔助檢查結果(如檢驗、影像檢查等)所有的醫療機構的數據；三是來源于醫療保險的運營管理信息和醫患行為的交互信息；四是來源于患者健康管理咨詢、網絡醫療咨詢、疾病穿戴式監測設備、家用醫療監測設備等個人健康信息數據。隨著科學技術的進步及互聯網的普及，這方面的數據規模迅速增長，其數據量未來可能無法估計[6]。

人工智能與醫療大數據在醫學領域的應用密不可分，二者相互結合，在胰腺疾病的診斷、治療、監測及管理中都有了較多的應用，體現出巨大的潛力。

二、人工智能與醫療大數據在胰腺疾病診斷及治療中的應用

胰腺位于腹上區和左季肋區，胃和腹膜后約平第一腰椎椎體處，橫臥于腹后壁。由于解剖位置相對深，胰腺疾病在早期癥狀不典型，且簡便的檢查如腹部B超等對其病變的檢出率較低，故大部分胰腺疾病(急性胰腺炎、慢性胰腺炎、胰腺良惡性腫瘤等)的診斷都必須依靠胰腺CT或MRI等影像學檢查或超聲內鏡等侵入性檢查。傳統影像學檢查需要人工讀片，工作繁瑣，耗費時間，對胰腺不典型病變的檢出很大程度上依賴影像學醫師臨床經驗的積累。由于人工智能和大數據技術分析處理速度快，效率高，故人工智能和醫療大數據技術的應用在胰腺疾病的診斷(如胰腺病理的識圖、胰腺影像的閱片、胰腺疾病易感基因的明確等)方面有廣闊的應用空間。

細針穿刺活檢是診斷胰腺腫塊良惡性的準確方法，但對于部分非典型病例，診斷其良惡性仍然是個挑戰。一種人工智能的多層感知神經網絡系統可通過檢測胰腺腫塊活檢病理切片，鑒別胰腺腫塊的良惡性，對非典型病例良惡性的預測準確率達到77%，可幫助臨床醫師與患者做出最佳治療方案選擇[7]。慢性胰腺炎和胰腺癌的鑒別診斷是臨床胰腺疾病診斷中的一大難題，多項研究證實人工智能在慢性胰腺炎與胰腺癌的鑒別診斷中有重要價值，可做出快速而準確的診斷[8-11]。復旦大學團隊研發了一套計算機輔助診斷胰腺漿液性囊性腫瘤與其他胰腺囊性腫瘤的鑒別診斷方案，該方案是一個包含24個漿液性囊性腫瘤臨床及影像學特征和385個高通量篩選特征的放射組學系統，經過與經驗豐富的放射學醫師評估的結果對比驗證后，證實該計算機輔助診斷方案準確可靠，可用于對患者的術前評估，提高術前診斷的準確性，幫助臨床醫師做出準確的治療決策[12]。Ikeda等[13]使用從放射學圖像數據庫中提取的數據區分腫塊性胰腺炎和胰腺導管腺癌，也發現人工神經網絡評估結果與經驗豐富的放射學醫師評估結果相當。Kuwahara等[14]將3 970例行胰腺切除術的術前內鏡超聲圖像進行人工智能的深度學習后，發現人工智能診斷惡性導管內乳頭狀黏液性腫瘤(intraductal papillary mucinous neoplasms，IPMN)的靈敏度、特異度和準確率都達到92%以上，人工智能診斷IPMN可能比人類專家診斷更準確、更客觀。Li等[15]建立的基于PET/CT圖像的胰腺癌計算機輔助診斷模型，在鑒別診斷胰腺癌的準確率、靈敏度和特異度方面均超過95%。Kurita等[16]利用基本臨床資料，如血癌胚抗原、糖類抗原CA19-9和CA125、囊液淀粉酶、囊腫位置等進行機器深度學習，構建了囊性病變良惡性鑒別的模型，發現人工智能可提高胰腺囊性病變的良惡性鑒別能力。也有學者構建了通過多種血清標志物診斷胰腺癌的神經網絡模型，發現其診斷準確率優于應用單一腫瘤標志物和logistic模型的準確率[17]。總之，人工智能和大數據技術憑借在胰腺影像閱片、病理圖片識別、輔助診斷模型構建等方面的優勢，在胰腺疾病的良惡性鑒別診斷及胰腺腫瘤的定性診斷中有廣闊的應用前景。

胰腺疾病病因復雜，許多病變機制不清。有研究指出腸道微生物在急性胰腺炎、慢性胰腺炎、胰腺癌等胰腺疾病的發生發展中扮演著重要角色[18]，但腸道微生物失調的原因和后果，以及不同菌群數量的變化在胰腺疾病發生發展中所起的作用仍須探索。遺傳因素在胰腺疾病的發生發展中扮演著重要角色，SPINK1、CFTR、PRSS1、CTRC等基因均被證明能促進胰腺炎癥或纖維化進程，且近年來不斷有新的易感基因被報道。東西方人種在遺傳背景方面的差異較大，不同致病突變類型對胰腺疾病的臨床病程影響不同，但尚無確切的研究揭示各種基因突變在胰腺疾病病理生理機制中的作用[19-20]。基因測序是檢測基因突變的良好工具，然而目前通過基因測序能明確分析的數據量僅占冰山一角，大量的信息尚未被挖掘。綜上所述，未來在胃腸道微生物組及其代謝效應、胰腺疾病遺傳基因突變測序方面，若能積極利用人工智能結合大數據分析，將有助于發現和明確胰腺疾病新的潛在病因。

人工智能不僅可以用于良惡性腫瘤的鑒別診斷，而且可以用于區分腫瘤的邊界。Niazi等[21]提出了一種基于Ki67染色活檢圖像的深度學習方法來自動區分胰腺神經內分泌腫瘤的邊界，證實基于深度學習的人工智能模型將在很大程度上減少病理學者的工作量，可以較好地區分腫瘤邊界，為臨床醫師的治療決策提供一定指導。Fu等[22]利用深度學習胰腺影像的胰腺分段解剖，建立了檢測胰腺癌邊界的模型，可用于指導手術的范圍。胰腺癌的立體定向放射治療需要在向腫瘤提供消融劑量的同時保護敏感的周圍組織(十二指腸、胃、小腸)。為了解決這個難題，有研究者開發了基于專業知識的人工神經網絡劑量模型來預測特定治療部位的放射劑量分布，該模型經過檢驗具有良好的準確性，可用于預測特定治療部位所需的合適劑量，從而避免過大劑量導致的周圍器官損傷[23]。

三、人工智能與醫療大數據在胰腺疾病監測及管理中的應用

人工智能與醫療大數據還可用于胰腺疾病嚴重程度的預測[24-25]。既往研究發現，人工神經網絡對急性胰腺炎的嚴重程度預測能力優于廣泛應用的急性生理與慢性健康評分(APACHEⅡ評分)、修正的Glasgow評分[26-28]。與臨床評分系統相比，人工神經網絡模型可以使用更少的變量、更早地完成急性胰腺炎患者嚴重程度的評估，患者入院6 h內即可完成評估，有利于醫護人員為患者制定更合適的治療、護理策略。Mofidi等[26]將人工神經網絡模型與修正的Glasgow評分和APACHEⅡ評分就預測疾病嚴重程度方面進行了比較，發現人工神經網絡模型的靈敏度(0.89)和特異度(0.96)都為最優；該研究還比較了3種評分系統預測患者住院第1周內發生多器官功能障礙綜合征概率和住院期間病死率的準確性，也發現人工神經網絡模型在這兩方面都優于Glasgow和APACHEⅡ評分。Halonen等[27]開發了一個預測急性胰腺炎嚴重程度的模型，受試者工作特征(ROC)曲線下面積(AUC)為0.847，大大優于Ranson評分(AUC為0.656)、原始Glasgow評分(AUC為0.536)、APACHEⅡ評分(AUC為0.817)和多器官功能障礙評分(AUC為0.781)。除了人工神經網絡以外，其他機器學習算法也被用來預測急性胰腺炎的嚴重程度。例如，Pearce等[25]使用Kernel邏輯回歸模型預測急性胰腺炎的嚴重程度，發現使用入院時的臨床和實驗室檢查結果預測急性胰腺炎的嚴重程度時，Kernel邏輯回歸模型比APACHEⅡ有更高的靈敏度和特異度。在預測急性胰腺炎患者住院時間方面，人工智能與大數據技術也有良好的應用前景[29]。Keogan等[30]使用影像學和實驗室檢查數據，發現人工神經網絡模型預測準確率優于Balthazar和Ranson評分。Pofahl等[29]建立的人工神經網絡模型能夠使用入院時即可收集的數據預測患者的住院天數是否會超過7 d，而傳統的評分系統需要等待至少48 h。

重癥急性胰腺炎(SAP)病情變化較快，需要早期監測病情變化。Vistisen等[31]通過自動化的持續微創監測結合機器學習算法，可以早期識別生命體征的細微變化，從而幫助指導早期治療，預防血流動力學災難性事件，確保患者安全，改善預后。有研究者收集217例SAP患者的臨床和實驗室資料，通過胰腺壞死程度、乳酸脫氫酶、血紅蛋白氧飽和度等基本資料即可建立神經網絡模型，預測SAP合并急性肺損傷的風險，以便對高風險人群早期制定對策預防急性肺損傷的發生[32]。預測急性胰腺炎后門靜脈、脾靜脈、腸系膜靜脈血栓的發生是一項較困難的工作。有研究者構建了人工神經網絡預測門靜脈-腸系膜靜脈血栓的發生，證實了與傳統的logistic回歸預測模型比較，人工神經網絡總體預測能力優于logistic回歸模型，可更好地幫助指導患者管理及并發癥預防[33]。Walczak等[34]研究了人工神經網絡預測胰腺癌患者生存期的方法，該人工神經網絡模型能準確預測胰腺癌患者7個月的生存率，為醫師和患者制定最佳的治療方案提供依據，幫助患者最大限度減少遺憾并提高生活質量。Ansari等[35]也構建了基于淋巴結轉移、腫瘤分化程度、體重指數、年齡等臨床參數的人工神經網絡模型，預測胰腺導管腺癌根治術后患者的長期生存時間，發現該模型Harrell′s一致性指數為0.79，提示該模型可較好用于預測患者術后的長期生存時間。

南京大學團隊利用大數據挖掘技術分析了江蘇省2014年至2016年間急性胰腺炎的流行病學特征，發現未婚人群中發生SAP的人數較多，且SAP患者中AB型或B型血占比較高，江蘇北部比南部發生急性胰腺炎的患者更多，這可能為江蘇急性胰腺炎的預防管理提供一定參考[36]。

除上述對于患者的在院管理外，人工智能與醫療大數據技術在慢性病患者的長期管理、遠程管理方面也將有很大潛力[37-39]。利用智能穿戴設備、家用血糖監測儀等設備，慢性病患者(如慢性胰腺炎病情穩定的患者、胰腺良性腫瘤術后穩定的患者等)可在家中自己監測生命體征及其他常規健康指標，利用互聯網平臺將數據實時反饋給醫師，便于醫師對患者的長期管理及隨訪。這種管理模式不僅節約了醫療資源，而且減少了就醫次數，方便了患者。

四、小結

盡管目前仍有很多胰腺疾病的發病機制不清，治療措施有限，大多數僅能對癥治療，無法阻斷甚至逆轉胰腺病變的發展，但伴隨著人工智能和醫療大數據的研究深入，胰腺疾病的智能化診斷、治療、監測、預后判斷和疾病管理等方面都取得了長足的進展，胰腺疾病的病因與診斷實現了進一步明確。相信在不遠的將來，阻斷甚至逆轉胰腺病變的方法也有望在智能化診療的輔助下成為現實。

利益沖突所有作者均聲明不存在利益沖突