人工智能在胰腺囊性病變影像領(lǐng)域應(yīng)用進(jìn)展

鄧文祎 謝飛揚(yáng) 薛華丹

摘要：胰腺囊性病變（PCL）的檢出率逐年升高，人工智能（AI）技術(shù)在PCL影像檢查工作流程中的應(yīng)用研究取得了突破性進(jìn)展，包括圖像后處理、病灶檢出、分割、鑒別和診斷。基于AI的圖像后處理技術(shù)能夠優(yōu)化醫(yī)學(xué)影像圖像質(zhì)量，AI輔助的病灶檢出、分割、鑒別和診斷模型可顯著提升醫(yī)生工作效率。本文對目前AI在PCL影像領(lǐng)域的應(yīng)用進(jìn)展進(jìn)行綜述，并對今后的研究方向做出展望。

關(guān)鍵詞：胰腺囊性病變；人工智能；圖像后處理；檢出；分割；診斷；鑒別診斷

中圖分類號： R735；R-1文獻(xiàn)標(biāo)識碼： A文章編號：1000-503X（2024）02-0275-06

DOI：10.3881/j.issn.1000-503X.15633

Applications of Artificial Intelligence in Pancreatic Cystic Lesion Imaging

DENG Wenyi，XIE Feiyang，XUE Huadan

Department of Radiology，PUMC Hospital，Translational Medical Center，CAMS and PUMC，Beijing 100730，China

Corresponding author：XUE Huadan Tel：13146115223，E-mail：bjdanna95@163.com

ABSTRACT：As the detection rate of pancreatic cystic lesions（PCL）increases，artificial intelligence（AI）has made breakthroughs in the imaging workflow of PCL，including image post-processing，lesion detection，segmentation，diagnosis and differential diagnosis.AI-based image post-processing can optimize the quality of medical images and AI-assisted models for lesion detection，segmentation，diagnosis and differential diagnosis significantly enhance the work efficiency of radiologists.This article reviews the application progress of AI in PCL imaging and provides prospects for future research directions.

Key words：pancreatic cystic lesions；artificial intelligence；image post-processing；detection；segmentation；diagnosis；differential diagnosis

Acta Acad Med Sin，2024，46（2）：275-280

隨著醫(yī)學(xué)成像技術(shù)的不斷進(jìn)步和影像檢查數(shù)量的增加，偶發(fā)胰腺囊性病變（pancreatic cystic lesions，PCL）逐年增加，2018年一項基于人群的流行病學(xué)研究表明磁共振膽胰管成像（magnetic resonance cholangiopancreaticography，MRCP）發(fā)現(xiàn)的PCL患病率高達(dá)49.1%^［1］。

人工智能（artificial intelligence，AI）通過計算機(jī)系統(tǒng)模擬人類的認(rèn)識規(guī)律和學(xué)習(xí)過程，從而達(dá)到自動學(xué)習(xí)特定知識和技能的目的^［2］。機(jī)器學(xué)習(xí)（machine learning，ML）是AI的一個分支，通過經(jīng)專家定義和標(biāo)注的特征來執(zhí)行任務(wù)，常見的ML模型包括支持向量機(jī)、隨機(jī)森林和神經(jīng)網(wǎng)絡(luò)等^［2-4］。神經(jīng)網(wǎng)絡(luò)包含更多的參數(shù)和更大的運(yùn)算量，是傳統(tǒng)基于統(tǒng)計理論的ML方法過渡到深度學(xué)習(xí)（deep learning，DL）的重要節(jié)點(diǎn)。DL是ML領(lǐng)域新發(fā)展的先進(jìn)技術(shù)，是包含多個隱藏層的多層神經(jīng)網(wǎng)絡(luò)，不需要經(jīng)專家定義和標(biāo)注的特征即可執(zhí)行任務(wù)，避免了特征測量產(chǎn)生的誤差和主觀偏倚，但具有運(yùn)算量巨大和過擬合等缺點(diǎn)^［5］。卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）是目前醫(yī)學(xué)影像領(lǐng)域廣為使用的DL算法，其結(jié)構(gòu)主要包括卷積層、池化層和全連接層，其中卷積層實現(xiàn)特征提取和參數(shù)共享，池化層進(jìn)一步縮小數(shù)據(jù)處理量和參數(shù)量，全連接層整合提取到的特征并最終輸出分類或回歸等結(jié)果，可在一定程度上解決早期DL運(yùn)算量巨大和過擬合等問題^［5-6］。目前殘差神經(jīng)網(wǎng)絡(luò)、U型網(wǎng)絡(luò)（U-network，U-Net）、密集連接網(wǎng)絡(luò)等常見高性能DL模型都是以CNN為基礎(chǔ)。影像組學(xué)也是AI的一個分支，可以挖掘圖像中大量預(yù)定義的定量特征，包括形狀、強(qiáng)度和紋理等，常與ML相結(jié)合建立診斷或鑒別診斷模型，近來開始與DL相結(jié)合，從示例圖像中自動學(xué)習(xí)特征^［2，7］。

隨著現(xiàn)代醫(yī)學(xué)成像設(shè)備的發(fā)展與數(shù)字化的患者圖像管理，AI在醫(yī)學(xué)影像領(lǐng)域的應(yīng)用取得了突破性的進(jìn)展，可用于圖像采集、重建和分析（包括病灶檢出、分割、診斷、鑒別診斷等）^［8-14］。基于AI的圖像采集和重建具有速度快、所獲圖像質(zhì)量優(yōu)等特點(diǎn)，AI有望逐步取代傳統(tǒng)圖像采集和重建工作。人工閱片給醫(yī)生帶來繁重負(fù)擔(dān)，且對醫(yī)生經(jīng)驗依賴性高，AI輔助的圖像分析不僅能夠顯著提升醫(yī)生閱片效率，還能夠提取更為客觀的定量特征，識別人肉眼難以觀察到的像素改變^［12］。

現(xiàn)有綜述主要關(guān)注AI在醫(yī)學(xué)影像和胰腺影像等專業(yè)領(lǐng)域的總體應(yīng)用進(jìn)展或僅關(guān)注PCL的良惡性診斷，而本文從PCL的影像檢查流程角度出發(fā)，總結(jié)AI在圖像后處理、病灶檢出、分割、鑒別和診斷方面的應(yīng)用進(jìn)展、所使用模型和應(yīng)用效果，以推動AI更好地為PCL患者服務(wù)^{［2-3，5，7，15-16］}。

1 AI在PCL影像領(lǐng)域的應(yīng)用

1.1 圖像后處理

AI輔助的圖像后處理軟件已發(fā)展成規(guī)模并實現(xiàn)了商品化。MRCP能顯示胰管走行，常用于評估PCL與胰管的連通關(guān)系^［17］。然而，胰管在不擴(kuò)張的情況下非常纖細(xì)，為清晰顯示病灶與胰管是否相通，臨床對MRCP圖像質(zhì)量要求較高。傳統(tǒng)并行成像獲得的MRCP圖像采集時間長，導(dǎo)致檢查效率低且患者體驗差，壓縮感知技術(shù)雖然能顯著縮短采集時間，但是圖像信噪比較低，難以清晰顯示PCL與胰管間的關(guān)系^［18］。Matsuyama等^［9］分析了32例導(dǎo)管內(nèi)乳頭狀黏液瘤（intraductal papillary mucinous neoplasms，IPMN）患者的常規(guī)并行成像呼吸門控三維MRCP、結(jié)合并行成像的壓縮感知屏氣三維MRCP、Fast 3Dm三維MRCP伴或不伴DL重建的圖像采集時間和圖像質(zhì)量，發(fā)現(xiàn)DL重建的MRCP圖像信噪比、對比度噪聲比和主觀圖像質(zhì)量評分均顯著提高，對IPMN的分型能力也提高。通過DL重建處理的結(jié)合并行成像的壓縮感知屏氣三維MRCP和Fast 3Dm三維MRCP能夠在縮短圖像采集時間的同時保障良好的圖像質(zhì)量，有望替代傳統(tǒng)并行成像技術(shù)。

高分辨率CT可提供PCL結(jié)構(gòu)細(xì)節(jié)特征，以幫助診斷和鑒別診斷^［17］。Noda等^［19］比較了胰腺條件下雙能CT混合迭代重建圖像和DL重建圖像的圖像質(zhì)量，發(fā)現(xiàn)DL重建圖像的診斷可接受度、信噪比、對比度噪聲比明顯更高，背景噪聲明顯更小，解剖結(jié)構(gòu)的CT值變異更小，可為后續(xù)紋理分析等AI研究提供可靠的輸入圖像數(shù)據(jù)。

1.2 病灶檢出

PCL存在惡性風(fēng)險，準(zhǔn)確及時的病灶檢出對后續(xù)患者治療方案制定至關(guān)重要。Si等^［20］基于284例病變胰腺和35例正常胰腺CT圖像，訓(xùn)練完全端到端的DL模型（包含U-Net模型以分割胰腺，殘差神經(jīng)網(wǎng)絡(luò)模型以定位胰腺、檢出病灶）來檢出4種常見胰腺囊、實性病變，在測試集上模型正確檢出的病灶數(shù)占全部樣本的比例達(dá)82.7%，且模型正確檢出了全部IPMN病灶，但值得注意的是可能由于訓(xùn)練集中正常樣本較少，對于正常胰腺該模型檢出假陽性較高。Park等^［10］基于503例病變胰腺和349例正常胰腺CT圖像，建立改良三維nnU-Net模型檢出7種常見胰腺囊、實性病變，當(dāng)模型輸出的病灶輪廓與醫(yī)生勾畫的病灶輪廓有重疊，即骰子相似系數(shù)（dice similarity coefficient，DSC）大于零時，定義為真陽性結(jié)果，模型正確檢出的病灶數(shù)占全部病灶數(shù)的比例在內(nèi)部測試集為86.2%，在外部測試集為82.9%。對于直徑大于或等于1cm的PCL，模型的檢出靈敏度與影像科醫(yī)生相當(dāng)（P＞0.05），模型的檢出靈敏度在內(nèi)部測試集為92.9%，在外部測試集為91.9%，影像科醫(yī)生的平均檢出靈敏度在內(nèi)部測試集為95.5%，在外部測試集為95.9%。相比Si等^［20］的研究，Park等^［10］提出的模型結(jié)果可解釋性更高，覆蓋病種更全面，訓(xùn)練集隊列正常胰腺比例更大，更符合臨床實際，但是在訓(xùn)練過程中需要醫(yī)生手動勾畫病灶輪廓，且對于＜1 cm的小PCL，模型正確檢出的病灶比例顯著下降，有研究顯示超過50%的PCL患者存在小囊，且小囊患者比例逐年增長，因此對小囊的檢出是必要且有待提高的^［21-22］。圖像輸入前進(jìn)行放大處理、建立關(guān)注圖像局部特征的模型可能有助于對小目標(biāo)的檢出^［11］。

1.3 胰腺及病灶分割

組學(xué)研究和一些DL算法的實施都依賴于病灶的準(zhǔn)確分割，然而PCL形態(tài)、大小變異大，內(nèi)部成分復(fù)雜，且可位于胰腺的任何位置，因此PCL的準(zhǔn)確分割尤其困難^［11］。與前述病灶檢出僅要求模型分割結(jié)果同醫(yī)生勾畫的標(biāo)準(zhǔn)圖像相比，輪廓有重疊即為檢出成功不同，病灶分割要求模型分割結(jié)果與醫(yī)生勾畫的標(biāo)準(zhǔn)圖像輪廓盡量貼合^［10］。

胰腺是定位PCL的良好參照靶點(diǎn)，Xie等^［11］提出了分層分割的思路，首先分割胰腺，再分割PCL，以避免胰腺外組織或病灶被誤分割為PCL。然而，胰腺的準(zhǔn)確分割同樣困難：（1）胰腺形態(tài)、大小、位置多變，胰周脂肪組織的減少、缺失、密度增高等變異可造成胰腺與周圍組織分界不清；（2）胰腺體積小，僅占二維腹部CT圖像的1%到1.5%^{［10，20，23-24］}。CNN常被用于形態(tài)多變且邊緣模糊的腹部器官分割，Roth等^［23］建立基于CNN的多尺度深度卷積網(wǎng)絡(luò)，在CT圖像上自動分割胰腺，DSC為71.8%。Xie等^［11］利用分層遞歸顯著轉(zhuǎn)換網(wǎng)絡(luò)在CT圖像上首先進(jìn)行胰腺分割，該網(wǎng)絡(luò)在每一次分割中將分割概率圖轉(zhuǎn)換為空間權(quán)重，并迭代入下一次分割，獲得了更準(zhǔn)確的分割結(jié)果，DSC達(dá)83.81%。門脈期圖像有助于識別胰腺周圍結(jié)構(gòu)，因此大多數(shù)研究都關(guān)注基于門脈期圖像的胰腺分割，但是動脈期圖像也值得關(guān)注，動脈期圖像有助于區(qū)分低或無強(qiáng)化的病灶和高強(qiáng)化的胰腺實質(zhì)，動脈期、門脈期圖像在PCL的臨床診斷中缺一不可^{［11，23］}。Qu等^［25］基于漸進(jìn)融合網(wǎng)絡(luò)建立配準(zhǔn)融合動脈期、門脈期多期相CT圖像信息的胰腺分割模型，同時關(guān)注全局圖像和局部細(xì)節(jié)多尺度特征，在冠狀面、矢狀面、橫斷面進(jìn)行胰腺的多視角分割，DSC進(jìn)一步提高到91.19%。磁共振成像（magnetic resonance imaging，MRI）具有軟組織分辨率高、對PCL的檢出及分隔、壁結(jié)節(jié)、病灶與胰管關(guān)系的識別高度敏感、無輻射等優(yōu)勢，但是MRI灰度分辨率低，成像慢，且受周圍環(huán)境影響大，易產(chǎn)生偽影，基于MRI的胰腺和病灶分割比CT更困難^［24］。Asaturyan等^［24］首先對胰腺區(qū)域執(zhí)行最大流動的分割和最小切割（粗分割），再結(jié)合幾何描述精細(xì)邊緣的精細(xì)分割算法在MRI上進(jìn)行胰腺分割（細(xì)分割），DSC在1.5T MRI上達(dá)79.6%，在3.0T MRI上達(dá)81.6%。

Xie等^［11］在通過分層遞歸顯著轉(zhuǎn)換網(wǎng)絡(luò)完成胰腺分割后，繼續(xù)進(jìn)行PCL的分割，DSC為68.98%。美國胃腸病學(xué)會指南推薦在PCL的管理中使用超聲內(nèi)鏡作為CT和MRI的補(bǔ)充，超聲內(nèi)鏡有助于發(fā)現(xiàn)囊內(nèi)分隔、壁結(jié)節(jié)和實性成分，引導(dǎo)細(xì)針抽吸活檢^［26］。Oh等^［27］提出注意力U-Net算法在超聲內(nèi)鏡圖像上進(jìn)行PCL分割，在內(nèi)部測試集上DSC達(dá)79.4%，但在外部測試集上僅為69.1%。超聲圖像受分辨率、探測頻率和探測深度的影響較大，且高度依賴操作者和成像設(shè)備，使超聲圖像間的差異較大，基于超聲內(nèi)鏡圖像建立的PCL分割模型穩(wěn)定性較差，需要進(jìn)一步研究更具普適性的分割算法。

1.4 良惡性診斷

PCL的生物學(xué)行為從良性到惡性不等，良性、惡性病變的影像特征重疊，基于病灶宏觀影像特征的常規(guī)影像手段診斷良惡性受到限制。臨床處理PCL的一個關(guān)鍵點(diǎn)在于準(zhǔn)確識別少數(shù)高級別異型增生、浸潤性癌和惡性的病灶，如IPMN是具有惡性潛能的PCL，針對IPMN開發(fā)了大量AI輔助良惡性診斷模型，幫助惡性患者及早干預(yù)以提升預(yù)后，避免良性患者過度治療，在訓(xùn)練集上模型的接收者操作特征曲線下面積（area under the curve，AUC）為0.783～0.980，顯示出AI輔助IPMN良惡性診斷的廣闊應(yīng)用前景^［28-32］。診斷AUC的差異可能源于成像模式不同、訓(xùn)練樣本量不同和模型結(jié)構(gòu)不同，而且由于樣本量的限制，許多研究沒有獨(dú)立的測試集，難以評估模型的穩(wěn)定性和普適性^{［29，31-32］}。Schulz等^［33］利用數(shù)據(jù)增強(qiáng)技術(shù)擴(kuò)充訓(xùn)練集圖像，通過遷移學(xué)習(xí)技術(shù)在公開數(shù)據(jù)集ImageNet上預(yù)訓(xùn)練模型，在僅43例IPMN的小樣本上，基于患者超聲內(nèi)鏡圖像建立DL模型，在獨(dú)立測試集上模型正確診斷的病灶數(shù)占全部病灶數(shù)的比例高達(dá)99.6%。另一種解決小樣本建模困難的方法是聯(lián)邦學(xué)習(xí)，多中心建模能顯著增加樣本量，但傳統(tǒng)的多中心建模需要各中心數(shù)據(jù)集中輸入模型，數(shù)據(jù)安全和患者隱私等問題限制其實施，而聯(lián)邦學(xué)習(xí)的建模過程發(fā)生在各參與中心，通過在中心間傳遞并迭代模型參數(shù)來實現(xiàn)多中心建模，有效避免患者數(shù)據(jù)在中心間的流動，即能滿足建模樣本量需求，又能保護(hù)數(shù)據(jù)安全，從而被引入臨床研究領(lǐng)域，目前聯(lián)邦學(xué)習(xí)在新型冠狀病毒感染、乳腺癌等熱門醫(yī)療領(lǐng)域的應(yīng)用已有報道^［34-36］。

PCL的疾病譜廣泛，包括IPMN、黏液性囊腺瘤、漿液性囊腺瘤等多種類型，不同類型的PCL臨床和影像特征有重疊，難以進(jìn)行準(zhǔn)確的術(shù)前分類，將術(shù)前良惡性診斷模型限制在特定PCL類型的研究是不全面的^［17］。Springer等^［37］基于患者的臨床特征、影像特征、囊液成分和基因組學(xué)信息建立綜合模型，將PCL分為惡性的手術(shù)組、交界性的隨訪組和良性的無需處理組，在測試集上模型正確分類的病灶數(shù)占全部病灶數(shù)的比例為69%。Wang等^［12］基于動脈、靜脈雙期CT圖像建立三維密集連接網(wǎng)絡(luò)模型診斷PCL良惡性，在內(nèi)部測試集上AUC為0.933，在外部測試集上AUC為0.911。

大多數(shù)研究直接進(jìn)行PCL的良惡性分類，而較少關(guān)注分隔、鈣化、壁結(jié)節(jié)和實性成分等結(jié)節(jié)的內(nèi)部特征。影像科醫(yī)生很大程度上通過結(jié)節(jié)內(nèi)部特征判斷良惡性，而通過AI方法對結(jié)節(jié)的內(nèi)部特征進(jìn)行分析，增強(qiáng)了模型可解釋性功能，可推動AI從科研轉(zhuǎn)向臨床應(yīng)用。有研究利用DL方法分析乳腺鉬靶圖像上病灶及其內(nèi)微鈣化來診斷良惡性^［38］，分割甲狀腺超聲圖像中結(jié)節(jié)及其內(nèi)囊、實性成分^［39］，顯示出AI輔助PCL內(nèi)部特征分析的潛在價值。

1.5 鑒別診斷

不同PCL的臨床處理方案不同，如漿液性囊腺瘤患者僅在有癥狀時推薦手術(shù)，囊變神經(jīng)內(nèi)分泌腫瘤大于2 cm時就推薦手術(shù)，而2012年仙臺指南推薦切除所有能夠手術(shù)的黏液性囊腺瘤，因此，PCL的鑒別診斷能夠幫助臨床實現(xiàn)疾病的個性化處理，同樣具有重要臨床意義^［40］。基于AI方法鑒別有惡性潛能的黏液性腫瘤和沒有惡性潛能的漿液性腫瘤的模型很多，在訓(xùn)練集上AUC為0.730～0.994^［41-43］。Dmitriev等^［14］利用隨機(jī)森林提取患者臨床特征和宏觀CT影像特征，通過CNN提取CT紋理參數(shù)，采用其貝葉斯組合建立模型，區(qū)分常見的4種PCL：IPMN、粘液性囊腺瘤、漿液性囊腺瘤和囊變實性假乳頭狀瘤，在交叉驗證集上模型正確分類的病灶數(shù)占全部病灶數(shù)的比例高達(dá)83.6%，在測試集上高達(dá)91.7%^［13］。現(xiàn)有AI模型的“黑箱”性質(zhì)導(dǎo)致臨床醫(yī)生在一定程度上對AI輔助臨床工作不信任，限制了AI在臨床中的推廣應(yīng)用。Dmitriev等^［13］使用條件概率空間分析可視化隨機(jī)森林分類4種PCL的過程，也使用注意力圖可視化CNN分類4種PCL的過程，并將CNN可視化的注意力圖與通過視覺追蹤技術(shù)得到的醫(yī)生的注意力圖相比較，得到一個可解釋的AI模型。Li等^［44］利用密集連接卷積網(wǎng)絡(luò)建立不需預(yù)先分割病灶的無監(jiān)督模型，區(qū)分4種常見PCL，進(jìn)一步簡化工作流程，在交叉驗證集上模型正確分類的病灶數(shù)占全部病灶數(shù)的比例為72.8%。Chu等^［45］進(jìn)一步將鑒別診斷病種拓寬至更少見的囊變神經(jīng)內(nèi)分泌腫瘤，利用基于CT組學(xué)特征的隨機(jī)森林模型區(qū)分5種PCL，在交叉驗證集上模型正確分類的病灶數(shù)占全部病灶數(shù)的比例高達(dá)94.4%。

2 總結(jié)及展望

AI在PCL影像檢查工作流程中的應(yīng)用研究取得了突破性進(jìn)展，基于AI的圖像后處理技術(shù)能夠優(yōu)化醫(yī)學(xué)影像圖像質(zhì)量，清晰顯示病灶細(xì)節(jié)特征，AI輔助的病灶檢出靈敏度與影像科醫(yī)生相當(dāng)，AI輔助的胰腺及病灶分割為組學(xué)研究和DL算法的實施提供了輸入準(zhǔn)確的感興趣區(qū)，AI輔助的PCL良惡性診斷不僅可幫助惡性患者及早干預(yù)，還可避免良性患者過度治療，AI輔助的PCL鑒別診斷可精準(zhǔn)區(qū)分不同類型的PCL，從而幫助臨床實現(xiàn)疾病的個性化管理。

隨著醫(yī)學(xué)圖像質(zhì)量的提升和計算機(jī)技術(shù)的進(jìn)步，基于MRI或超聲內(nèi)鏡的AI模型研究逐漸興起，數(shù)據(jù)增強(qiáng)和遷移學(xué)習(xí)等新技術(shù)的應(yīng)用彌補(bǔ)了樣本量的限制，聯(lián)邦學(xué)習(xí)等新技術(shù)的發(fā)展打破多中心間的數(shù)據(jù)壁壘，AI模型可視化技術(shù)的實施增強(qiáng)了模型可解釋性。AI在PCL影像領(lǐng)域的應(yīng)用正朝著成像模式更豐富、納入樣本更充足、可解釋性更完善的方向發(fā)展。

利益沖突 所有作者聲明無利益沖突

作者貢獻(xiàn)聲明 鄧文祎：研究思路的提出，文獻(xiàn)檢索及文章撰寫；鄧文祎、謝飛揚(yáng)：文獻(xiàn)篩選，資料的提取與整理；薛華丹：論文的修訂、質(zhì)量控制及審查，并同意對研究工作誠信負(fù)責(zé)

參 考 文 獻(xiàn)

［1］Kromrey ML，Bülow R，Hübner J，et al.Prospective study on the incidence，prevalence and 5-year pancreatic-related mortality of pancreatic cysts in a population-based study［J］.Gut，2018，67（1）：138-145.DOI：10.1136/gutjnl-2016-313127.

［2］Hosny A，Parmar C，Quackenbush J，et al.Artificial intelligence in radiology［J］.Nat Rev Cancer，2018，18（8）：500-510.DOI：10.1038/s41568-018-0016-5.

［3］Wong SH，Al-Hasani H，Alam Z，et al.Artificial intelligence in radiology：how will we be affected［J］.Eur Radiol，2019，29（1）：141-143.DOI：10.1007/s00330-018-5644-3.

［4］Kuwahara T，Hara K，Mizuno N，et al.Current status of artificial intelligence analysis for endoscopic ultrasonography［J］.Dig Endosc，2021，33（2）：298-305.DOI：10.1111/den.13880.

［5］Soffer S，Ben-Cohen A，Shimon O，et al.Convolutional neural networks for radiologic images：a radiologists guide［J］.Radiology，2019，290（3）：590-606.DOI：10.1148/radiol.2018180547.

［6］Litjens G，Kooi T，Bejnordi BE，et al.A survey on deep learning in medical image analysis［J］.Med Image Anal，2017，42：60-88.DOI：10.1016/j.media.2017.07.005.

［7］Dalal V，Carmicheal J，Dhaliwal A，et al.Radiomics in stratification of pancreatic cystic lesions：machine learning in action［J］.Cancer Lett，2020，469：228-237.DOI：10.1016/j.canlet.2019.10.023.

［8］Johnson PM，Drangova M.Conditional generative adversarial network for 3D rigid-body motion correction in MRI［J］.Magn Reson Med，2019，82（3）：901-910.DOI：10.1002/mrm.27772.

［9］Matsuyama T，Ohno Y，Yamamoto K，et al.Comparison of utility of deep learning reconstruction on 3D MRCPs obtained with three different k-space data acquisitions in patients with IPMN［J］.Eur Radiol，2022，32（10）：6658-6667.DOI：10.1007/s00330-022-08877-2.

［10］Park HJ，Shin K，You MW，et al.Deep learning-based detection of solid and cystic pancreatic neoplasms at contrast-enhanced CT［J］.Radiology，2023，306（1）：140-149.DOI：10.1148/radiol.220171.

［11］Xie LX，Yu QH，Zhou YY，et al.Recurrent saliency transformation network for tiny target segmentation in abdominal CT scans［J］.IEEE Trans Med Imaging，2020，39（2）：514-525.DOI：10.1109/TMI.2019.2930679.

［12］Wang XH，Sun ZY，Xue HD，et al.A deep learning algorithm to improve readers interpretation and speed of pancreatic cystic lesions on dual-phase enhanced CT［J］.Abdom Radiol（NY），2022，47（6）：2135-2147.DOI：10.1007/s00261-022-03479-4.

［13］Dmitriev K，Marino J，Baker K，et al.Visual analytics of a computer-aided diagnosis system for pancreatic lesions［J］.IEEE Trans Vis Comput Graph，2021，27（3）：2174-2185.DOI：10.1109/TVCG.2019.2947037.

［14］Dmitriev K，Kaufman AE，Javed AA，et al.Classification of pancreatic cysts in computed tomography images using a random forest and convolutional neural network ensemble［J］.Med Image Comput Comput Assist Interv，2017，10435：150-158.DOI：10.1007/978-3-319-66179-7_18.

［15］Gorris M，Hoogenboom SA，Wallace MB，et al.Artificial intelligence for the management of pancreatic diseases［J］.Dig Endosc，2021，33（2）：231-241.DOI：10.1111/den.13875.

［16］Stark A，Donahue TR，Reber HA，et al.Pancreatic cyst disease：a review［J］.JAMA，2016，315（17）：1882-1893.DOI：10.1001/jama.2016.4690.

［17］Scheiman JM，Hwang JH，Moayyedi P.American gastroenterological association technical review on the diagnosis and management of asymptomatic neoplastic pancreatic cysts［J］.Gastroenterology，2015，148（4）：824-848.e22.DOI：10.1053/j.gastro.2015.01.014.

［18］Chen ZY，Xue YJ，Wu YX，et al.Feasibility of 3D breath-hold MR cholangiopancreatography with a spatially selective radiofrequency excitation pulse：prospective comparison with parallel imaging technique and compressed sensing method［J］.Acad Radiol，2022，29（12）：e289-e295.DOI：10.1016/j.acra.2022.03.006.

［19］Noda Y，Kawai N，Nagata S，et al.Deep learning image reconstruction algorithm for pancreatic protocol dual-energy computed tomography：image quality and quantification of iodine concentration［J］.Eur Radiol，2022，32（1）：384-394.DOI：10.1007/s00330-021-08121-3.

［20］Si K，Xue Y，Yu XZ，et al.Fully end-to-end deep-learning-based diagnosis of pancreatic tumors［J］.Theranostics，2021，11（4）：1982-1990.DOI：10.7150/thno.52508.

［21］Kapoor N，Lacson R，Eskian M，et al.Variation in radiologists follow-up imaging recommendations for small cystic pancreatic lesions［J］.J Am Coll Radiol，2021，18（10）：1405-1414.DOI：10.1016/j.jacr.2021.06.007.

［22］Gaujoux S，Brennan MF，Gonen M，et al.Cystic lesions of the pancreas：changes in the presentation and management of 1，424 patients at a single institution over a 15-year time period［J］.J Am Coll Surg，2011，212（4）：590-600，600-603.DOI：10.1016/j.jamcollsurg.2011.01.016.

［23］Roth HR，Lu L，F(xiàn)arag A，et al.DeepOrgan：multi-level deep convolutional networks for automated pancreas segmentation［C］.Switzerland：Springer International Publishing，2015，9349：556-564.DOI：10.1007/978-3-319-24553-9_68.

［24］Asaturyan H，Gligorievski A，Villarini B.Morphological and multi-level geometrical descriptor analysis in CT and MRI volumes for automatic pancreas segmentation［J］.Comput Med Imaging Graph，2019，75：1-13.DOI：10.1016/j.compmedimag.2019.04.004.

［25］Qu TP，Wang XH，F(xiàn)ang CW，et al.M³Net：a multi-scale multi-view framework for multi-phase pancreas segmentation based on cross-phase non-local attention［J］.Med Image Anal，2022，75：102232.DOI：10.1016/j.media.2021.102232.

［26］Elta GH，Enestvedt BK，Sauer BG，et al.ACG clinical guideline：diagnosis and management of pancreatic cysts［J］.Am J Gastroenterol，2018，113（4）：464-479.DOI：10.1038/ajg.2018.14.

［27］Oh S，Kim YJ，Park YT，et al.Automatic pancreatic cyst lesion segmentation on EUS images using a deep-learning approach［J］.Sensors（Basel），2021，22（1）：245-259.DOI：10.3390/s22010245.

［28］Vege SS，Ziring B，Jain R，et al.American gastroenterological association institute guideline on the diagnosis and management of asymptomatic neoplastic pancreatic cysts［J］.Gastroenterology，2015，148（4）：819-822，quize12-13.DOI：10.1053/j.gastro.2015.01.015.

［29］Polk SL，Choi JW，McGettigan MJ，et al.Multiphase computed tomography radiomics of pancreatic intraductal papillary mucinous neoplasms to predict malignancy［J］.World J Gastroenterol，2020，26（24）：3458-3471.DOI：10.3748/wjg.v26.i24.3458.

［30］Cui SJ，Tang TY，Su QM，et al.Radiomic nomogram based on MRI to predict grade of branching type intraductal papillary mucinous neoplasms of the pancreas：a multicenter study［J］.Cancer Imaging，2021，21（1）：26-38.DOI：10.1186/s40644-021-00395-6.

［31］Corral JE，Hussein S，Kandel P，et al.Deep learning to classify intraductal papillary mucinous neoplasms using magnetic resonance imaging［J］.Pancreas，2019，48（6）：805-810.DOI：10.1097/MPA.0000000000001327.

［32］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.DOI：10.14309/ctg.0000000000000045.

［33］Schulz D，Heilmaier M，Phillip V，et al.Accurate prediction of histological grading of intraductal papillary mucinous neoplasia using deep learning［J］.Endoscopy，2023，55（5）：415-422.DOI：10.1055/a-1971-1274.

［34］Rieke N，Hancox J，Li WQ，et al.The future of digital health with federated learning［J］.NPJ Digit Med，2020，3：119-125.DOI：10.1038/s41746-020-00323-1.

［35］Peng L，Luo GX，Walker A，et al.Evaluation of federated learning variations for COVID-19 diagnosis using chest radiographs from 42 US and European hospitals［J］.J Am Med Inform Assoc，2022，30（1）：54-63.DOI：10.1093/jamia/ocac188.

［36］Jiménez-Sánchez A，Tardy M，González Ballester MA，et al.Memory-aware curriculum federated learning for breast cancer classification［J］.Comput Methods Programs Biomed，2023，229：107318.DOI：10.1016/j.cmpb.2022.107318.

［37］Springer S，Masica DL，Dal Molin M，et al.A multimodality test to guide the management of patients with a pancreatic cyst［J］.Sci Transl Med，2019，11（501）：eaav4772.DOI：10.1126/scitranslmed.aav4772.

［38］Carneiro G，Nascimento J，Bradley AP.Automated analysis of unregistered multi-view mammograms with deep learning［J］.IEEE Trans Med Imaging，2017，36（11）：2355-2365.DOI：10.1109/TMI.2017.2751523.

［39］Kumar V，Webb J，Gregory A，et al.Automated segmentation of thyroid nodule，gland，and cystic components from ultrasound images using deep learning［J］.IEEE Access，2020，8：63482-63496.DOI：10.1109/access.2020.2982390.

［40］Tanaka M，F(xiàn)ernández-del Castillo C，Adsay V，et al.International consensus guidelines 2012 for the management of IPMN and MCN of the pancreas［J］.Pancreatology，2012，12（3）：183-197.DOI：10.1016/j.pan.2012.04.004.

［41］Awe AM，Vanden Heuvel MM，Yuan TY，et al.Machine learning principles applied to CT radiomics to predict mucinous pancreatic cysts［J］.Abdom Radiol（NY），2022，47（1）：221-231.DOI：10.1007/s00261-021-03289-0.

［42］Yang J，Guo XL，Zhang H，et al.Differential diagnosis of pancreatic serous cystadenoma and mucinous cystadenoma：utility of textural features in combination with morphological characteristics［J］.BMC Cancer，2019，19（1）：1223.DOI：10.1186/s12885-019-6421-7.

［43］Xie HH，Ma S，Guo XC，et al.Preoperative differentiation of pancreatic mucinous cystic neoplasm from macrocystic serous cystic adenoma using radiomics：Preliminary findings and comparison with radiological model［J］.Eur J Radiol，2020，122：108747.DOI：10.1016/j.ejrad.2019.108747.

［44］Li HW，Shi KY，Reichert M，et al.Differential diagnosis for pancreatic cysts in CT scans using densely-connected convolutional networks［J］.Annu Int Conf IEEE Eng Med Biol Soc，2019，2019：2095-2098.DOI：10.1109/EMBC.2019.8856745.

［45］Chu LC，Park S，Soleimani S，et al.Classification of pancreatic cystic neoplasms using radiomic feature analysis is equivalent to an experienced academic radiologist：a step toward computer-augmented diagnostics for radiologists［J］.Abdom Radiol（NY），2022，47（12）：4139-4150.DOI：10.1007/s00261-022-03663-6.

（收稿日期：2023-04-13）