医学影像CT模型——PANDA模型，可诊断早期胰腺癌

PANDA（pancreatic cancer detection, with artificial intelligence）模型。

该模型由上海市胰腺疾病研究所的曹凯医生等人开发。曹凯医生在整理导师病例资料时受到启发，想借助 AI 帮助医生筛查早期胰腺癌，后来与达摩院医疗 AI 团队合作开发了 PANDA 模型。研究团队收集了 3000 个病人的腹部 CT 图像，由 48 个医生手动标注，并经过复杂的模型选择和训练过程，最终让 PANDA 模型具备了根据简单的平扫 CT 图像进行胰腺癌相关诊断的能力1。在临床验证中，其表现出色，几乎没有漏诊，误诊情况也容易排除1。目前，该模型已成功上线，一些医院和体检中心正在使用它帮忙筛查，且已成功发现并救治了临床漏诊的胰腺癌患者。

背景和目的：CT 是胰腺癌检测常用方式，但体检及医院常用的平扫 CT 图像对比度低，难以识别早期胰腺病变，即便经验丰富的放射科医生也易漏诊。为解决这一难题，研究团队开发 PANDA 模型，旨在利用 “平扫 CT+AI” 技术，实现大规模、高效准确的胰腺癌早期筛查。
模型构建与原理：该模型利用 AI 放大并识别平扫 CT 图像中肉眼难察的细微病理特征，包括三个阶段。首先通过构建分割网络（U – Net）来定位胰腺，接着采用多任务网络（CNN）检测异常情况，最后采用双通道 Transformer 来分类并识别胰腺病变的类型。同时，针对胰腺肿瘤位置隐匿、在平扫 CT 图像中无明显表征的问题，达摩院团队创造性地提出 “知识迁移” 训练方式，将增强 CT 上的先验知识迁移至平扫 CT 的数据集上，把不同胰腺肿瘤的局部特征与全局特征编码进框架，并用病理金标准确认的肿瘤类型监督 AI 的训练，解决了过往 AI 识别癌症时的勾画难、标注难、训练难等问题。
测试结果：
- 内部测试评估：在选取上海市胰腺疾病研究所的 291 例患者进行的病变检测中，PANDA 对胰腺癌的灵敏度为 94.9%，特异性达 100%。对于常见的胰腺导管腺癌（PDAC）亚型，灵敏度为 97.2%，特异性为 97.3%；对体积较小的 PDAC（直径 < 2 cm）检测灵敏度达 85.7%。
- 外部多中心试验队列：选取来自中国、中国台湾和捷克共和国的 5337 例患者的非对比腹部 CT 扫描结果进行检测，PANDA 检测病变的灵敏度为 93.3%，特异性为 98.8%。对于 PDAC 亚型患者，总体检出率为 96.5%，检测敏感性为 90.1%，特异性为 95.7%。对于体积较小的 PDAC 病变（直径 < 2 cm），检测灵敏度高达 92.2%。
- 大规模临床评价：第一次临床试验中，对于病变检测，PANDA 的总灵敏度为 84.6%，特异性为 99.5%，对于 PDAC 鉴定，总灵敏度为 95.5%，特异性为 99.9%，阳性预测值（PPV）为 68.9%。在体检、急诊、门诊和住院四种情况下，对住院患者病变的敏感度最高为 88.6%，对体检患者的特异性最高为 99.8%。研究人员进一步升级生成 PANDA Plus 模型，在保留与 PANDA 相同灵敏度基础上，显著减少 80% 以上的假阳性，病变检测和 PDAC 鉴定的特异性均达到 99.9%，还能检测到最初标准治疗未发现的 5 例胰腺病变。
应用情况：PANDA 模型已在医院、体检等场景被调用超过 50 万次，每 1000 次只出现一次假阳性。其应用提升了胰腺癌的检出率，又未给病人带来额外辐射与经济负担，还在一定程度上改变了护理诊断标准，检测到了一些初始护理标准未检测到的胰腺病变，有利于患者的管理和治疗。

此外，达摩院医疗 AI 团队正在联合全球多家顶尖医疗机构，继续利用 AI 技术探索低廉、高效的多癌筛查新方法，希望能让人们通过一次平扫 CT 就查出多种早期癌症，并在多种高发癌症上取得了阶段性进展。同时，研究团队也在通过增强算法、扩大数据集、硬例挖掘、增量学习等方式进一步优化 PANDA 模型，以使其能适应更多种族和地区的患者群体，确保其在实际医疗环境中的安全性、有效性和经济性。

目前没有公开的 PANDA 模型官方网站。相关研究成果已发表在国际顶级期刊《自然・医学》上，论文标题为《Large – scale pancreatic cancer detection via non – contrast CT and deep learning》。如果你想了解更多关于 PANDA 模型的信息，可以查阅该论文或关注阿里达摩院发布的相关资讯。

以下是其他一些的医疗影像 AI：

CHIEF 模型6
- 开发团队：由哈佛大学医学院生物医学信息学系的余坤兴教授团队开发。
- 功能与特点：通过对大量病理图像的学习，能诊断 19 种不同类型的癌症，检测准确率接近 94%，在食道癌、胃癌、前列腺癌等特定癌症类型中准确率更高达 96%。还可预测多种癌症患者的存活率，识别肿瘤周围微环境特征，为个性化治疗提供依据。
LYNA 系统3
- 开发团队：Google Health 团队开发。
- 功能与特点：主要用于检测乳腺癌淋巴结微转移，采用多任务学习框架，同步预测转移灶位置与原发肿瘤特征。在临床试验中，敏感度达 98.6%，特异性 99.3%，使病理医生复查时间减少 75%，微小病灶（<0.2mm）检出率提升 5 倍。
Clara 框架3
- 开发团队：梅奥诊所联合 NVIDIA 开发。
- 功能与特点：用于结直肠癌肝转移检测，敏感度达 98%，支持多 GPU 并行推理，能高效准确地检测出相关病变。