编辑推荐：
为解决胰腺癌（PDAC）淋巴结转移（LNM）术前评估准确性低的问题，研究人员开展了基于双能量 CT（DECT）的 Transformer 模型预测 PDAC 患者 LNM 的研究。结果显示该模型优于传统方法，能更好预测 LNM，对临床决策有重要意义。
胰腺癌是一种恶性程度极高的消化系统肿瘤，近年来其发病率呈上升趋势，严重威胁人类健康。到 2030 年，胰腺癌可能成为美国癌症相关死亡的第二大原因。尽管目前手术和化疗等治疗手段不断发展，但胰腺癌患者的 5 年生存率仍低于 15%。淋巴结转移（Lymph Node Metastasis，LNM）在胰腺癌患者的预后中起着至关重要的作用，国际指南推荐对 LNM 阳性的患者进行新辅助治疗（Neoadjuvant Treatment，NAT）以改善长期生存。然而，目前胰腺癌 LNM 的术前诊断面临诸多挑战。传统的穿刺活检虽为金标准，但具有侵入性，可能对胰腺造成严重损伤。多排螺旋 CT 是主要的影像学检查方法，但在区分淋巴结转移和炎症反应方面表现不佳，其灵敏度仅为 25%，准确率为 28%。双能量 CT（Dual-Energy Computed Tomography，DECT）虽能提高胰腺区域的空间对比度，但仅依靠放射科医生的报告进行 LNM 诊断，其准确性仍有待提高。在此背景下，为了更准确地预测胰腺癌患者的 LNM，为临床治疗方案的制定提供可靠依据，青岛中心医院等研究机构的研究人员开展了一项基于 DECT 的 Transformer 模型预测 LNM 的研究。该研究成果发表在《World Journal of Surgical Oncology》上。
研究人员采用了以下关键技术方法：
- 数据收集：回顾性收集 2016 年 8 月至 2022 年 10 月期间两所大型医院的 223 例 PDAC 患者的临床资料，这些患者均接受了手术切除和标准区域淋巴结清扫，且术前进行了 DECT 扫描12。
- 模型构建：构建了 6 种预测模型，包括 DECT 报告模型、临床模型、100 keV 深度学习（Deep Learning，DL）模型、150 keV DL 模型、100 + 150 keV DL 模型以及整合临床信息和 DL 特征的模型。
- 数据分析：运用多变量逻辑回归分析确定与 LNM 相关的独立危险因素；通过 Delong 检验比较不同模型的受试者工作特征曲线下面积（Area Under the Receiver Operating Characteristic Curve，AUC），评估模型的预测效能；采用 Kaplan-Meier 曲线进行生存分析。
研究结果如下：
- 患者基线特征：223 例患者（平均年龄 57 岁 ±11 标准差；93 例男性），LNM 患者占 43%。训练集和测试集患者的基线特征平衡一致，但在测试集中，LNM 阳性组患者年龄更大，肿瘤分期更高3。
- DECT 参数比较：在训练集和测试集中，LNM 阳性组和阴性组的肿瘤区域碘浓度（Iodine Concentration，IC）、有效原子序数（Effective Atomic Number，Z）等 DECT 参数存在显著差异4。
- 多变量分析结果：多变量逻辑回归分析发现，肿瘤大小、DECT 报告的淋巴结状态、糖类抗原 19 - 9（Carbohydrate Antigen 19 - 9，CA-199）、葡萄糖是 LNM 的独立危险因素。加入 DL 特征后，DL 特征、高风险评分、DECT 报告的淋巴结状态、CA-199、IC、Z 也与 LNM 显著相关56。
- 模型性能评估：基于 DECT 图像的 Transformer 模型（ViT）性能优于其他卷积神经网络（Convolutional Neural Networks，CNNs）模型。其中，100 + 150 keV DECT 模型在三个基于 DECT 图像的 Transformer 模型中表现最佳。整合模型的性能最优，在测试集中 AUC 达到 0.93，显著优于 DECT 报告、临床模型等78。
- 模型结果解读：通过梯度加权类激活映射（Gradient-weighted Class Activation Mapping，GRAD-CAM）发现，ViT 模型对肿瘤周围的胰腺组织关注度较高，能直观显示淋巴结易转移区域，区分 LNM 状态9。
- 生存分析结果：根据 LNM 风险评分将患者分为高风险组和低风险组，两组患者的总生存期（Overall Survival，OS）和无进展生存期（Progression-Free Survival，PFS）存在显著差异。高风险组患者的生存情况明显较差10。
研究结论和讨论：
本研究构建的基于 ViT 算法的整合模型，在预测胰腺癌患者 LNM 方面表现出色，有助于医生识别患者是否存在 LNM，并制定相应的治疗决策。与以往研究相比，该模型克服了传统方法的局限性，如放射科医生报告准确性低、人工智能模型需要手动勾勒目标、特征提取不一致等问题。此外，研究还发现 100 keV 和 150 keV DECT 图像提取的特征具有互补性，能提高模型对 LNM 的识别能力。然而，本研究也存在一定局限性，如样本量较小可能导致模型过拟合，未收集病理和基因因素，手术中淋巴结与术前扫描的相关性存在困难，未评估新辅助治疗和术后化疗的益处等。尽管如此，该研究为胰腺癌 LNM 的术前评估提供了新的思路和方法，对临床实践具有重要指导意义。未来需要开展前瞻性临床试验，进一步验证该模型的性能和可靠性，为胰腺癌患者的精准治疗提供更有力的支持。
