醫學影像人工智能在胰腺癌精準診療中的研究進展

諸露冰?汪建華

編者按：人工智能是近年來的研究熱點，其在醫學領域具有廣泛的應用前景和巨大的潛力，智能醫學也是未來醫學發展的一大趨勢。為了幫助醫學工作者深入了解人工智能在醫學各學科的最新應用進展，本刊緊跟醫學發展前沿策劃了人工智能系列專題，本期的專題涉及人工智能在胰腺癌、單光子計算機斷層顯像、眩暈相關疾病、宮頸鱗癌、急性穿支動脈閉塞性腦梗死中的應用情況。衷心感謝向本刊供稿的專家學者們。

通信作者簡介：汪建華，主任醫師，教授，博士生導師。省級衛生創新人才，省級臨床重點專科建設單位學科帶頭人。擔任中華醫學會放射學分會及核醫學分會人工智能（AI）工作委員會委員、中國抗癌協會放射醫學專委會常委、中國醫師協會放射醫師分會運動創傷專委會委員、核醫學醫師分會青年委員、中國阿爾茨海默病防治協會影像專業委員會常務委員、浙江省醫學會放射學分會常務委員兼AI大數據工作委員會主任委員。擔任國家自然科學基金及多個省級基金、科技獎項的評審專家；擔任《Molecular Neurobiology》《iRadiology》《中華放射學雜志》《中國畢業后繼續教育》等期刊編委或審稿專家。主攻腫瘤AI與分子影像學研究，主持或參與國家重點研發項目、國家自然科學基金、省部級重大項目等課題10余項。第一或通訊作者發表高質量論文100多篇，主編教材專著6部；獲得科技進步獎3項；授權專利及計算機軟件著作權6項，其中肺結節智能靶重建結構化報告系統、冠狀動脈CT血管造影及冠狀動脈血流儲備分數一體化智能報告系統實現轉化，取得良好的社會效益，得到《中國日報》主流媒體報道。

【摘要】胰腺癌是一種惡性程度極高的消化道惡性腫瘤，其精準診療是臨床面臨的重大難題。隨著科技的發展，通過人工智能對于一些疾病的早期診斷、治療及預后預測的探索層出不窮，并且擁有較高的臨床價值，醫學影像學是對人體健康狀況進行評價的一門學科，包括醫學成像系統和醫學圖像處理兩個相對獨立的方向，以醫學影像學為基礎的人工智能在胰腺癌臨床診療中發揮著重要的作用。

【關鍵詞】胰腺癌；人工智能；醫學影像；診療；評估；研究進展

Research progress on medical imaging-based artificial intelligence in precision diagnosis and treatment of pancreatic cancerZhu Lubing，Wang Jianhua. Health Science Center， Ningbo University， Ningbo? 315000， China

Corresponding author， Wang Jianhua， E-mail： wangjianhua@nbu.edu.cn

【Abstract】Pancreatic cancer is a highly malignant tumor of the digestive tract， and its precision diagnosis and treatment is a major challenge in clinical practice. With the development of science and technology， artificial intelligence has been applied in the early diagnosis， treatment and prognosis prediction of some diseases， which has high clinical value. Medical imaging is a disciplie to evaluate human health， which consists of two relatively independent directions of medical imaging system and medical image processing. Artificial intelligence based on medical imaging plays an important role in the clinical diagnosis and treatment of pancreatic cancer. In this article， research progress in the application of artificial intelligence in precision diagnosis and treatment of pancreatic cancer was reviewed from the aspects of imaging diagnosis， efficacy evaluation， survival prediction and radiogenomics， etc.

【Key words】Pancreatic cancer； Artificial intelligence； Medical imaging； Diagnosis and treatment； Evaluation；

Research progress

胰腺癌是一種發病隱匿，進展迅速，治療效果及預后極差的消化道惡性腫瘤，5年生存率低于10%［1］。近年來，胰腺癌的發病率在國內外均呈明顯的上升趨勢。對于如何精準地診斷胰腺癌，選擇治療策略、評估治療效果以及預后的預測，專家學者們進行了大量的探索。人工智能（AI）泛指為執行以前只能由人類智能完成的任務而創建的算法，其包括了放射組學、深度學習模型等，放射組學提供了一種將圖像轉換為統計上可解釋和可量化的數據的方法，而深度學習是另一種類型的機器學習，通過學習樣本數據的內在規律和表示層次，使機器能像人一樣具有分析學習能力，能最大限度地減少人類輸入［2］。目前，醫學影像AI在疾病診療中發揮著重要的作用。本綜述將從影像診斷、療效評估、生存期預測及放射基因組學等多方面對AI在胰腺癌精準診療中的研究進展進行講述。

一、醫學影像AI的應用現狀及進展

目前，AI已經廣泛應用于醫學領域，如影像診斷、病理分型、治療方案選擇、預后療效分析等， 在大數據和機器學習的技術支持下，基于AI的各種臨床決策支持系統應運而生［3］。在腫瘤的影像圖像輔助診斷方面，由人工輸入反復精準訓練得出的機器運算模型用于臨床診療的研究過程已經日趨成熟。影像組學和深度學習是AI輔助醫學影像診療的重要研究方法，它們可以依據事先標記好的數據進行訓練，以此對未標記的醫學影像數據進行分類和預測，在影像精準診斷及圖像分割中體現了重要的價值。深度學習還可以通過結合患者的個人病史、家族史、既往影像報告和基因組學等來預測個體患癌癥的風險［4］。

此外，在醫學圖像質量方面，AI也發揮了巨大的作用，李剛等［5］利用以深度學習為基礎的AI輔助壓縮感知技術聯合3種常規T2加權成像（T2WI）壓脂技術均縮短了成像時間，并且擁有較高的圖像質量。與此同時，基于影像圖像對于腫瘤預后、分型等預測模型的構建也日益從基于單期影像轉變為多期、多序列影像，甚至應用PET/CT、MR圖像聯合其他參數來構建多模態模型。Attiyeh等［6］利用糖類抗原19-9（CA19-9）值和CT組學特征建立第一個模型，而將CA19-9、CT組學特征和Brennan評分（復合病理評分）結合成第二個模型，以預測胰腺癌患者的生存期，得出第二個模型的C指數較高，這體現了多模態模型的優勢。在其他腫瘤中，Li等（2023年）在預測膠質瘤預后中，構建了包括影像組學特征、病理指標、基因等多參數的組合模型，該模型具有最佳預測性能，體現了在腫瘤診療過程中多模態模型構建的必要性。

此外，免疫檢查點療法是新型的腫瘤治療方式，在黑色素瘤、非小細胞肺癌中已展示出了較好的療效，其相關免疫檢測點的預測及免疫治療后評估是AI的另一個有前景的應用，Yoon等（2020年）驗證了CT放射組學在預測晚期肺腺癌中細胞程序性死亡-配體1（PD-L1）表達的價值，但該領域目前仍處于起步探索階段。對于胰腺癌患者來說，基于醫學影像的AI精準診療顯得格外重要。

二、基于AI的胰腺癌多模態影像診斷研究進展

1. 超聲檢查

超聲檢查因簡便易行、無創無輻射、可多軸面觀察等特點，是胰腺癌診斷的初篩檢查方法。AI輔助內窺鏡超聲（EUS）模型被譽為胰腺癌早期檢測的突破，超聲內鏡在胰腺癌診斷中具有重要作用［7］。Seo等［8］通過對150例被診斷為胰腺癌的患者超聲圖像進行分割建模，提出的使用具有深度注意力特征的神經網絡模型的深度學習方法為使用EUS圖像的胰腺癌提供了卓越的分割性能，其在受試者操作特征曲線下面積（AUC）、靈敏度、特異度等方面表現出優異的分割性能，預計所提出的精確的分割方法可以為胰腺癌的手術治療規劃提供有效的幫助。Tong等［9］基于558例胰腺病變患者的超聲造影（CEUS）圖像建立的鑒別胰腺導管腺癌（PDAC）和慢性胰腺炎深度學習放射組學模型AUC高達0.986，是超聲技術在胰腺癌診療中的較大的進展，為臨床診斷提供了新思路。

2. CT檢查

CT檢查具有較好的空間和時間分辨率，是目前檢查胰腺最佳的無創影像檢查方法，主要用于胰腺癌的診斷、分期及療效評價。Chu等（2019年）通過對190例PDAC患者和190例健康者的胰腺動脈期和靜脈期圖像進行分割、特征提取，得出從胰腺中提取的放射組學特征可用于區分PDAC患者的CT圖像和健康對照受試者的CT圖像，該算法有可能與自動器官分割算法相結合以檢測PDAC，為手術評估奠定較好的基礎。Alves等［10］提出了一種全自動、基于深度學習的框架，可以識別患者是否患有PDAC，并在增強CT掃描中精確定位腫瘤，其所提出的模型在整個外部測試集中達到了最大AUC，高達0.914，對于小于2 cm的腫瘤亞組AUC為0.876，這表明先進的深度學習模型能夠識別小的PDAC病變，有助于放射科醫師早期診斷PDAC。Khdhir等（2023年）開發了一種Antlion優化-卷積神經網絡-門控循環單元模型，基于深度學習和CT圖像對胰腺腫瘤進行分割和分類，該模型準確率高達99.92%。越來越多的模型的建立，為胰腺癌的診斷及圖像精準分割提供了便捷。Cao等［11］構建了模型PANDA，他們使用來自單個中心的3 208例患者的數據集進行訓練，之后進行6 239例患者的多中心驗證，得出PANDA檢測的病灶AUC達0.986～0.996。在由20 530例患者組成的多場景驗證中，該模型病變檢測的靈敏度為92.9%，特異度為99.9%，這項研究在使用非造影CT作為輸入的PANDA在檢測胰腺病變方面實現了高靈敏度和特異度，其準確率明顯高于放射科醫師在非增強CT檢查中的表現水平，該模型擁有較大的樣本量，有多中心的外部驗證，是胰腺病變精準診療中的重大突破，該模型預計擁有較高的臨床價值。

胰腺癌患者的淋巴及血管侵犯關系到治療方案，Bian等［12］對225例經病理證實的胰腺癌患者術前動脈期圖像進行特征提取，并選擇與淋巴結狀態相關的特征，使用多變量邏輯回歸分析來開發預測模型，個性化預測列線圖在訓練隊列中顯示出良好的區分度。此外，Rigiroli等（2021年）利用基于腫瘤相關和血管周圍CT放射組學特征的模型改進了PDAC患者腸系膜上動脈受累的檢測，該模型的靈敏度、特異度較好。因此術前影像也能較好地預測淋巴轉移及血管侵犯情況，更好地為下一步的臨床診療計劃提供方向。

3. MRI檢查

MR成像對胰腺導管腺癌的評估具有重要作用，其優越的軟組織對比度可用于微小的、非輪廓變形的腫瘤的檢測，可用于胰腺CT不確定征象的定性。MRgART（10 Gy×5次）是一種新興的放射治療模式，Choi等［13］通過對21例接受 MRgART治療的胰腺癌患者的MRI圖像進行分割，內容包括腫瘤大體體積、十二指腸等，表現最好的模型是SwinUNETR模型，為胰腺癌患者 MRgART工作流程帶來了便捷，使患者更大程度地受益于MRgART。

在鑒別診斷中，Malagi等［14］采用體素內非一致運動擴散峭度成像（IVIM-DKI）和基于機器學習的紋理分析來區分胰腺腫塊，如PDAC、實體假乳頭狀上皮瘤和腫塊型慢性胰腺炎等。在PDAC與非PDAC的織構分析中，灌注分數（f）和IVIM-DKI聯合參數的模型準確度較高，該研究總共納入了48例患者，由于樣本較少，其效能有待驗證，值得進一步研究。

4. PET/CT及PET/MRI顯像

在過去的幾十年里，PET-CT/MRI對PDAC臨床管理影響的研究越來越多。PET/MRI是正電子發射計算機斷層顯像儀（PET）和核磁共振成像術（MRI）兩強結合一體化組合成的大型功能代謝與分子影像診斷設備， 實現了人體解剖、生理代謝與生物學功能信息的多方面融合。對于局部和可切除的胰腺癌，PET/CT的作用仍存在爭議，國內指南不建議常規使用。盡管如此，PET可能在評估胰腺癌分期和分級以及新輔助治療后潛在的可切除性方面發揮作用。

Zhang等［15］利用病灶分割模型獲得的病灶區域計算出的特征和患者的關鍵臨床特征，開發了胰腺癌病理分級的預測模型以及基于PET/CT的PDAC腫瘤分割模型。此外，Zhang等（2019年）對18F-FDG PET/CT圖像進行放射組學分析并評估其在111例患者中區分自身免疫性胰腺炎和PDAC的能力，證明18F-FDG PET/CT圖像的量化放射組學分析可以改進PDAC和自身免疫性胰腺炎之間的無創區分，胰腺癌的早期精準診斷是診療過程中重要的一環，早期診斷能讓患者臨床獲益更多。

Jiang等［16］建立了基于18F-FDG PET/CT放射組學特征和臨床病理參數的預測模型，用于術前識別PDAC患者預后不良的重要預測指標如微血管侵犯和神經周圍侵犯，對于微血管侵犯預測，該模型在18F-FDG PET/CT放射組學特征和臨床病理參數的融合子集上表現最佳，通過模型預測血管及神經的侵犯，為胰腺癌患者預后預測提供了良好的依據，但由于PET/CT在臨床應用的局限性，納入患者數量有限，其利用價值有待評估。

對于PET/MRI，由于臨床樣本量有限，正在進行的研究較少，基于PET/MRI影像的AI的胰腺癌診斷模型仍待開發，但同時Zhang等［17］仍通過對30例胰腺癌患者的一般影像數據分析得出68Ga-FAPI-04 PET上原發腫瘤的原始最大攝取（標準化SUVmax）高于18F-FDG，且能檢測到更多轉移淋巴結，這也體現了PET/MRI的優越性，為日后更多學者進一步的探究奠定了基礎。

三、基于影像學的胰腺癌療效評價研究進展

1. 常規療法

胰腺癌內科藥物治療可應用于各個期的患者，包括可切除和臨界可切除患者的術前新輔助（NAT）/轉化治療、根治術后患者的輔助治療以及局部晚期或轉移復發患者的治療。藥物治療療效評估是臨床一大難題，通過AI能夠較好地幫助臨床確定其療效，并指導下一步治療。Shao等［18］

提出了一種基于深度學習的策略來分析CEUS視頻以預測胰腺癌新輔助化學治療的預后，采用預訓練的深度學習模型，建立了兩個新模型，證明了基于化學治療前CEUS視頻的深度學習模型在預測胰腺癌新輔助化學治療療效方面的可行性和潛力。Li等［19］通過對84例接受一線化學治療的晚期胰腺癌患者影像及臨床信息分析，基于包含放射組學特征和CA19-9的多元邏輯回歸模型開發列線圖，在訓練和驗證隊列中顯示出良好的療效區分能力。此外，Panda等（2021年）發現NAT前后基于PET/MRI測量的根據血清葡萄糖水平校正的最大標準攝取值變化率在最佳閾值下評估療效的靈敏度及AUC值高于基于CT測量的腫瘤體積相對變化率。可見以影像為基礎的AI對于胰腺癌患者的化學治療效果評估會給臨床提供巨大的價值。

2. 其他療法

與常規治療相比，光動力療法（PDT）具有微創、時空選擇性高、療效確切的優點，PDT在不可切除的胰腺腫瘤中提供局部消融，而治療區周圍的組織則接受較低的光劑量，稱為光動力啟動。Vincent等（2021年）研究指出CT圖像中提取的紋理特征可用于胰腺腫瘤中PDT和光動力啟動效果的臨床診斷預測和評估。聚焦超聲消融手術（FUAS）是使用高強度聚焦超聲消融設備治療各類實體腫瘤，對于手術無法切除的胰腺癌是較好的選擇，Yang等［20］強調了使用MRI和CT圖像對接受FUAS的不可切除PDAC患者進行能量效率因素預測的價值，在測試模型中發現加入MRI特征建立的能量效率因素預測模型對不可切除胰腺癌的FUAS治療具有更好的預測效果。基于療效預測模型，可以制定更準確的治療方案，為進一步優化不可切除胰腺癌患者的FUAS治療手段以及評估手術的療效提供有價值的參考。

四、基于智能影像的胰腺癌生存期預測研究進展

胰腺癌生存期的預測也是重要的研究方向，通過AI對患者的影像信息進行分析建模，可以較好地評估預后。Cen等（2021年）通過對經病理證實為PDAC且進行增強CT檢查的135例患者進行研究，從動脈期或門靜脈期圖像中提取放射組學特征，使用多變量邏輯回歸分析來構建放射組學特征和組合列線圖模型，通過預測胰腺癌分期來預測其預后，其中動脈期+門靜脈期放射組學特征是三種放射組學特征中最好的性能，可見放射組學在胰腺癌生存期預測方面存在重要的價值。Park等（2021年）根據153例胰腺癌術后的生存時間將患者分為低風險組和高風險組，通過隨機生存森林算法估計生存狀態和時間，證實在臨床參數如CA19-9、腫瘤大小等參數中添加CT放射組學特征的模型C指數明顯提高，可見多參數融合能提高模型的預測能力。Lee等（2021年）開發了臨床數據庫機器學習模型和基于CT數據的深度學習模型，并利用集成學習將兩種模型結合起來預測2年總生存期和1年無復發生存期，集成模型預測1年無復發生存期效能最好。通過對胰腺癌患者術后生存期的分層，能較精準地預測其生存期。對于晚期胰腺癌患者，Keyl

等［21］使用機器學習對晚期胰腺癌進行多模式生存預測，納入KRAS p.G12D突變狀態可以進一步改善預測，證明癌癥基因組學數據對生存預測的重要性。由此可見，基于放射組學聯合多模態的AI預測模型擁有較高的效能，這是目前研究的熱點，有較好的研究前景，也為臨床胰腺癌患者風險分層及隨訪診療提供良好的思路。

五、基于影像學的胰腺癌免疫浸潤、基因表達及亞型預測

胰腺癌免疫抑制的微環境使臨床一些常見的治療手段對之作用甚微，解添淞等（2022年）研究發現CD8+ T淋巴細胞高浸潤組胰腺癌的預后優于低浸潤組，通過對150例胰腺癌患者的影像圖像的特征提取并構建模型預測CD8+ T淋巴細胞的浸潤情況，得出極端隨機樹模型有最好的效能。近年來，免疫檢測點如PD-1、PD-L1發現給腫瘤治療帶去了希望，免疫檢查點療法在治療多種實體瘤方面顯示出巨大的潛力［22］。但在胰腺癌患者中，臨床應用的免疫抑制劑并沒有帶去可觀的效果。然而，絕大多數的PDAC患者有p53突變，是胰腺癌發生發展過程中的重要原因［23］。Iwatate等（2020年）對107例診斷為PDAC的患者進行研究，發現p53和PD-L1是獨立預后因素，并從CT圖像中提取特征，構建了有較好性能的p53和PD-L1狀態的機器學習預測模型。Gao等（2021年）通過對57例接受術前MRI檢查的胰腺癌患者進行多期動態對比增強T1加權成像（T1WI）、T2WI等多序列的圖像特征提取，構建了預測TP53狀態的支持向量機模型，結果證實3D ADC-ap-DWI-T2WI模型在區分TP53狀態方面產生了最佳性能，體現出放射基因組學在臨床應用的可行性，通過準確預測基因及相關的預測，為胰腺癌患者選擇個體化治療，提高胰腺癌患者的生存率。在PDAC患者中分別對不同類型的組學（例如基因組學、蛋白質組學等）進行分類，可能會導致患者分類高度不一致的亞型，Ju等（2021年）提出了用于預后相關亞型分析的多組學深度學習，以識別PDAC亞型并預測患者的預后，這是多組學融合的重大突破。

六、小 結

綜上所述，醫學影像AI技術在胰腺癌精準診療中發揮著重要作用，為胰腺癌患者的精準診斷、療效評價、風險預測、預后判斷以及影像組學與病理學相關性等提供了強大的技術支持。但是目前構建的大部分模型仍存在一些不足，樣本數過少或者缺乏外部驗證等使模型的可行性仍待評估，臨床及各種外在因素的存在，使模型仍待完善，所以建立穩定的數據庫以及多模態的信息融合的高效能模型將是我們未來研究的方向。利用好AI技術，將充分挖掘影像學信息，為胰腺癌患者提供更多精準診療信息，進一步提高患者診療效果。

參 考 文 獻

［1］ Siegel R L， Miller K D， Wagle N S， et al. Cancer statistics， 2023［J］. CA Cancer J Clin， 2023， 73（1）： 17-48.

［2］ Dercle L， McGale J， Sun S， et al. Artificial intelligence and radiomics： fundamentals， applications， and challenges in immunotherapy［J］. J Immunother Cancer， 2022， 10（9）： e005292.

［3］ Wang L， Chen X， Zhang L， et al. Artificial intelligence in clinical decision support systems for oncology［J］. Int J Med Sci， 2023， 20（1）： 79-86.

［4］ Chakrabarty N， Mahajan A. Imaging analytics using artificial intelligence in oncology： a comprehensive review［J］. Clin Oncol， 2023

［5］ 李剛， 黃錦彬， 汪昕榮， 等. 人工智能輔助壓縮感知技術結合三種T2WI壓脂技術的應用研究［J］. 新醫學， 2023， 54（10）： 717-722.

Li G， Huang J B， Wang X R， et al. Application of artificial intelligence-assisted compressed sensing combined with three types of fat-suppressed T2WI techniques［J］. J New Med， 2023， 54（10）： 717-722.

［6］ Attiyeh M A， Chakraborty J， Doussot A， et al. Survival prediction in pancreatic ductal adenocarcinoma by quantitative computed tomography image analysis. Ann Surg Oncol，2018，25（4）： 1034-1042.

［7］ Dahiya D S， Al-Haddad M， Chandan S， et al. Artificial intelligence in endoscopic ultrasound for pancreatic cancer： where are we now and what does the future entail［J］. J Clin Med， 2022， 11（24）： 7476.

［8］ Seo K， Lim J H， Seo J， et al. Semantic segmentation of pancreatic cancer in endoscopic ultrasound images using deep learning approach. Cancers （Basel）， 2022， 14（20）： 5111.

［9］ Tong T， Gu J， Xu D， et al. Deep learning radiomics based on contrast-enhanced ultrasound images for assisted diagnosis of pancreatic ductal adenocarcinoma and chronic pancreatitis［J］. BMC Med， 2022， 20（1）： 74.

［10］ Alves N， Schuurmans M， Litjens G， et al. Fully automatic deep learning framework for pancreatic ductal adenocarcinoma detection on computed tomography［J］. Cancers， 2022， 14（2）： 376.

［11］ Cao K， Xia Y， Yao J， et al. Large-scale pancreatic cancer detection via non-contrast CT and deep learning［J］. Nat Med， 2023， 29（12）： 3033-3043.

［12］ Bian Y， Guo S， Jiang H， et al. Radiomics nomogram for the preoperative prediction of lymph node metastasis in pancreatic ductal adenocarcinoma［J］. Cancer Imaging， 2022， 22（1）： 4.

［13］ Choi W， Nourzadeh H， Chen Y， et al. Novel deep learning segmentation models for accurate GTV and OAR segmentation in MR-guided adaptive radiotherapy for pancreatic cancer patients［J］. Int J Radiat Oncol， 2023， 117（2）： e462.

［14］ Malagi A V， Shivaji S， Kandasamy D， et al. Pancreatic mass characterization using IVIM-DKI MRI and machine learning-based multi-parametric texture analysis［J］. Bioengineering（Basel）， 2023， 10（1）： 83.

［15］ Zhang G， Bao C， Liu Y， et al. 18F-FDG-PET/CT-based deep learning model for fully automated prediction of pathological grading for pancreatic ductal adenocarcinoma before surgery［J］. EJNMMI Res， 2023， 13（1）： 49.

［16］ Jiang C， Yuan Y， Gu B， et al. Preoperative prediction of microvascular invasion and perineural invasion in pancreatic ductal adenocarcinoma with 18F-FDG PET/CT radiomics analysis［J］. Clin Radiol， 2023， 78（9）： 687-696.

［17］ Zhang Z， Jia G， Pan G， et al. Comparison of the diagnostic efficacy of Ga-FAPI-04 PET/MR and 18F-FDG PET/CT in patients with pancreatic cancer［J］. Eur J Nucl Med Mol Imaging， 2022， 49（8）： 2877-2888.

［18］ Shao Y， Dang Y， Cheng Y， et al. Predicting the efficacy of neoadjuvant chemotherapy for pancreatic cancer using deep learning of contrast-enhanced ultrasound videos［J］. Diagnostics， 2023， 13（13）： 2183.

［19］ Li J， Du J， Li Y， et al. A nomogram based on CT texture features to predict the response of patients with advanced pancreatic cancer treated with chemotherapy［J］. BMC Gastroenterol， 2023， 23（1）： 274.

［20］ Yang C， Guo J， Chen L， et al. The dose of focused ultrasound ablation surgery （FUAS） for unresectable pancreatic cancer is predictable： a multicenter retrospective study［J］. Medicine， 2023， 102（38）： e34684.

［21］ Keyl J， Kasper S， Wiesweg M， et al. Multimodal survival prediction in advanced pancreatic cancer using machine learning［J］. ESMO Open， 2022， 7（5）： 100555.

［22］ Loch F N， Kamphues C， Beyer K， et al. The immune checkpoint landscape in tumor cells of pancreatic ductal adenocarcinoma ［J］. Int J Mol Sci， 2023， 24（3）： 2160.

［23］ Mello S S， Flowers B M， Mazur P K， et al. Multifaceted role for p53 in pancreatic cancer suppression［J］. Proc Natl Acad Sci U S A， 2023， 120（10）： e2211937120.

（收稿日期：2023-12-28）

（本文編輯：楊江瑜）