0 引言

       胰腺导管腺癌（pancreatic ductal adenocainoma, PDAC）是胰腺癌最常见的类型之一，恶性程度极高，且胰腺位置隐蔽，早期症状不典型，出现临床症状已是晚期，所以预后极差。预计到2030年，PDAC将成为癌症相关死亡的第二大原因^{[1, 2]}。淋巴结转移是指恶性肿瘤通过淋巴管侵入附近的淋巴结并在其中生长的过程，是PDAC生存的独立预测因子^[3]。研究表明，淋巴结转移被认为是PDAC晚期和不良预后的重要指标^[4]。无淋巴结转移的患者5年生存率高达40%，而有淋巴结转移者的生存率低于10%^{[3, 5]}。手术是PDAC最主要的治疗方法^[6]。术前预测是否有淋巴结转移不仅决定了手术方式、术中清扫淋巴结范围，还决定了患者的预后。有研究指出，与标准手术切除相比，扩大切除术（包括淋巴结清扫）可能会导致生活质量下降，且没有生存获益^[7],而有研究^{[8, 9]}认为术中扩大淋巴结清扫范围可以更好地预防淋巴结转移，降低肿瘤的复发以及延长患者的生存时间。此外，对淋巴结转移患者术前进行新辅助治疗可以显著提高手术后的生存率^[10]。术前准确可视化转移淋巴结可以使临床医生能够确定最佳的手术方法，以提高手术安全性、生存率及术后患者的生活质量。因此，术前评估淋巴结状态至关重要。

       随着肿瘤生物学研究的深入，肿瘤微环境已被重新定义为一种复杂的生态系统^[11]。传统影像技术仅能提供基础的影像表现及强化方式，无法量化肿瘤内部的异质性特征（如纹理异质性、功能代谢分布），亦难以整合基因组学、病理学等多模态临床数据以全面解析肿瘤生物学行为。一项荟萃分析指出，对比增强计算机断层扫描（computed tomography, CT）评估胰腺癌和壶腹周围癌的区域外淋巴结转移敏感度仅为25%，阳性预测值为28%^[12]，这极大制约了肿瘤周围淋巴结病变的精准评估。在此背景下，人工智能（artificial intelligence, AI）及影像组学作为一种新兴的跨学科研究领域，通过研究和揭示肿瘤内部病变的细微结构和功能特性来实现对肿瘤周围淋巴结病变的深入研究，为突破传统影像技术瓶颈提供了创新性解决方案。近年来，AI及影像组学对PDAC的研究已经从初期的病灶鉴别诊断、术后并发症等方面逐渐转移更具临床挑战性的术前预测淋巴结转移方面。因此，本文就现有文献对AI及影像组学在术前预测PDAC淋巴结转移方面进行综述，探讨其未来发展方向，为AI及影像组学技术在PDAC的后续研究提供参考，为PDAC实现临床个体化治疗提供新的思路，以提高PDAC的术前诊断、手术方式及患者的预后能力。

1 术前预测PDAC淋巴结转移的影像学现状

       病理学诊断仍是诊断淋巴结转移的“金标准”，但大部分是术后报告，且术后送检的淋巴结范围目前并无一明确标准^[13]。多数活检依靠超声内镜引导下的细针抽吸术（endoscopic ultrasound-guided fine-needle aspiration, EUS-FNA），EUS-FNA对检测胰腺病变的淋巴结转移极为敏感^{[14, 15]}，但EUS-FNA是一种侵入性诊断工具，价格昂贵、耗时并且具有一定的并发症风险。长期以来，CT一直是PDAC术前分期的首选检查^{[16, 17, 18]}。然而其对于PDAC中淋巴结增大的意义很难定论，肿大的淋巴结可能是局部炎症或胆道梗阻所致，而非转移性淋巴结。BIAN等^[19]指出，仅由影像科医生通过CT图像来预测术前淋巴结转移的曲线下面积（area under the curve, AUC）为0.58~0.65。较低的AUC表明，常规CT影像表现对淋巴结转移的预测仍具有很大困难。磁共振成像（magnetic resonance imaging, MRI）也被认为是有效的成像方法，尽管有较高的对比度，普通MRI由于其空间分辨率问题、运动伪影和剂量依赖性过饱和伪影^{[20, 21]}等问题无法满足淋巴结成像的预测。即使使用正电子发射计算机断层成像（positron emission tomography, PET），由于原发肿瘤的氟代脱氧葡萄糖（¹⁸F-fluorodeoxyglucose, 18F-FDG）摄取较高，且敏感性降低，局部淋巴结的识别可能很困难，其敏感度仅有55%^[22]。因此，迫切需要新技术来解决这一困境，AI及影像组学逐渐展现出其优势。研究指出^{[23, 24]}，从MRI和CT中提取出的影像组学特征，在检测PDAC患者的淋巴结转移方面可以实现良好的敏感性和特异性，并且可以优于传统成像方式的诊断指标。

2 AI和影像组学在术前预测PDAC淋巴结转移中的应用

2.1 AI和影像组学概述

       AI是一个总称，它是一种使用深度学习（deep learning, DL）和其他机器学习技术从源数据（例如图像）的底层结构中提取特征，并使用AI模型生成人工数据的一种新兴技术^{[25, 26]}。AI在影像学领域最常见的用途主要有两方面：（1）利用AI来合成图像本身；（2）利用真实和合成图像作为AI建模的训练数据以提高性能，实现对疾病的检测、诊断等。影像组学基于将医学图像转化为可定量分析的多维数据^[27]，其从中提取的影像组学特征可以提供有关肿瘤内异质性和复杂性的信息^{[28, 29]}，为临床诊疗提供更精准的信息。结合机器学习或AI技术，影像组学可以进一步提升临床医生对患者的管理和决策制定。

2.2 基于超声预测PDAC淋巴结转移

       超声检查由于其便利性、无创、无辐射以及观察多个轴的能力，是临床实践中的一线诊断工具，通常用于PDAC的初始诊断和随访^[30]。但仅由传统超声图像特征提供的临床信息很难区分淋巴结转移，因此，WEN等^[31]基于病理证实的189名诊断为PDAC的患者，从超声图像中提取特征，并联合超声图像中病变边界和临床特征糖类抗原199（carbohydrate antigen 199, CA199）构建组合模型，得出组合模型在训练组和验证组的AUC分别为0.872和0.918。这项研究验证了基于超声的影像组学模型具有出色的诊断能力，可用于预测PDAC患者的淋巴结转移状态。但基于超声预测PDAC淋巴结转移相关研究较少，需要进一步建立尽可能多的多模态、多参数图像数据和临床信息整合模型，提高PDAC的术前无创诊断。

2.3 基于CT预测PDAC淋巴结转移

       CT作为检测PDAC的重要手段，目前多数研究则基于CT图像为基础。BIAN等^[32]采用佳能640-slice CT，选取107例淋巴结阴性和118例淋巴结阳性的PDAC患者的增强CT动脉期图像，在肿瘤内部提取特征，确定出12个差异具有统计学意义的组学特征，利用LASSO系数值生成影像组学评分，指出淋巴结阳性和淋巴结阴性患者之间的动脉期影像组学评分具有显著差异，且评分越高淋巴结转移的风险越大。此研究首次揭示了影像组学在PDAC淋巴结转移方面的价值。随后，BIAN等^[33]又连续对45名PDAC患者瘤内特征联合影像医生报告建立了影像组学列线图模型，并在训练组和验证组进行验证，其AUC分别为0.75和0.81，这表明结合了影像组学特征和CT报告的淋巴结状态的列线图对术前预测PDAC淋巴结转移具有良好的性能。LI等^[34]在西门子多排CT（multi-detector CT, MDCT）库收集了159名患者，通过提取肿瘤内部静脉期图像及联合临床特征建立了一种组合预测模型，组合模型中训练组和验证组的AUC（0.944和0.912）高于临床及单纯组学模型。LIU等^[35]基于飞利浦256 iCT，同样选取瘤内静脉期图像提取影像组学特征，但其构建的模型AUC值为0.841和0.800。分析原因可能是由于其纳入研究人数较少且未联合临床特征。

       为了充分利用肿瘤信息并缓解小样本量的困难，FU等^[36]采用飞利浦光谱CT，提出了一种多导的双流卷积网络（multiview-guided two-stream convolution network, MTCN）算法来提取特征，并将MTCN影像学模型预测概率的特征值转换为MTCN评分，同时，联合PDAC患者的年龄、CA125和影像科医生的判断建立了一种多视图引导的MTCN+模型，并指出MTCN+在判别能力和模型精度方面均优于MTCN模型和人工模型，AUC分别为0.823和0.815，且在较小的原发性肿瘤患者中，MTCN+模型也具有同样稳定的效能。同时，约40%仅由单纯影像诊断误诊患者可以得到纠正。此外，与FU等研究不同的是，AN等^[37]构建并验证了基于西门子DECT数据的多个DL影像组学模型来预测PDAC的淋巴结转移，包括100 keV模型、150 keV模型、虚拟单能谱图像（virtual monochromatic images, VMI）模型和100+150 keV集成模型，其中100+150 keV集成模型优于其他所有模型，AUC值为0.87，且在整合临床特征后，AUC值改善为0.92。与常规CT相比，DECT具有更高的效能，原因可能是由于DECT通过采集两个不同能级的X线衰减数据，可以提取出更丰富的图像特征。

       不难发现，上述研究均基于原始肿瘤部位来进行特征提取及模型构建，而基于肿瘤周围淋巴结来预测淋巴结转移的研究较少。因此，LI等^[38]通过回顾性研究61例PDAC患者的196个淋巴结，在飞利浦光谱CT及佳能64排CT的静脉期图像中提取特征，构建影像组学评分，同时联合淋巴结大小、边缘以及增强模式开发出一种诺模图模型，其在训练组和验证组的AUC分别为0.937和0.851。这表明直接在淋巴结自身提取其组学特征来建立预测模型，对淋巴结转移的预测也具有同样良好的效果甚至更为准确，但仍需大量研究来进一步证实。

       目前，文献研究中仍然缺乏对胰腺淋巴结和肿瘤的自动分割和识别，大多数的感兴趣区（region of interest, ROI）是由医师手动勾画，易受个人主观因素的影响。为了减少人为因素带来的误差，BIAN等^[19]基于佳能Aquilion ONE CT图像，开发了一种自动术前AI算法，通过CT成像对肿瘤和淋巴结进行分割来研究淋巴结转移，且在AI自动勾画出的淋巴结图像中进行特征提取，结果显示，构建的AI自动算法模型具有良好的性能，其AUC值分别为0.91和0.92。这表明，自动分割模型具有与影像科医生相当的效果，这极大地减少手动勾画时所耗费的时间和劳动力，促进了影像组学的进一步发展。

       然而，这些研究忽略了胰腺导管腺癌是一种系统性疾病以及身体成分变化在预测淋巴结转移中的作用。据报道，肿瘤-脂肪-肌肉之间存在信号环路串扰^[39]。因此，GU等^[40]回顾性收集196名PDAC患者，基于L3椎体水平的飞利浦256 iCT及西门子Force CT图像测量患者的身体成分，并提取脂肪组织和肌肉的影像组学特征，开发并比较了使用脂肪组织影像组学特征、肌肉组织影像组学特征以及两者的组合特征的性别二态性预测特征，结果显示女性脂肪组织特征表现出最高的性能，AUC值为0.895；而男性脂肪组织和肌肉组织影像组学特征预测能力相似，AUC分别为0.735和0.773。这表明联合CT测量的身体成分影像组学在术前预测淋巴结转移方面表现出良好的性能，且女性优于男性。这可能与性激素等的影响有关，其潜在的病理生理机制还需进一步研究。

2.4 基于MRI预测PDAC淋巴结转移

       与CT相比，MRI通过综合评估多个MRI序列，能够更敏感和特异地揭示肿瘤微环境的空间和时间变化。SHI等^[41]的一项多中心研究纳入251名患者，分为训练组和验证组，在肿瘤动脉期的脂肪抑制T1WI图像中的ROI提取出850个组学特征，从中筛选出12个相关特征，包括一个一阶特征、两个基于形状的特征、一个纹理特征和九个小波变换纹理，构建组学评分，结合临床与影像参数，首次构建出基于MRI的列线图模型，此模型在训练组和验证组中均具有良好的预测性能。这表明，基于MRI的影像组学也具有术前预测PDAC淋巴结转移的能力，但此研究仅使用了T1WI增强序列的动脉阶段图像。T2WI可以反映肿瘤组织及其结构的信号强度，增强序列可以更好地反映与肿瘤相关的信息，例如内部异质性和血管再生^{[42, 43]}。因此，SHI等^[44]回顾性地收集了141例病理确认的PDAC患者，在其T2WI和增强静脉期图像中分别提取并分析了1037个影像学特征，应用梯度增强决策树后选择了关键的MRI影像学特征并计算出影像学分数，结果表明T2WI和静脉期图像联合的组学评分具有更准确的预测性能，其在训练组和验证组的AUC值分别为0.834和0.807。同时，在此基础上联合MRI报告的淋巴结状态构建的诺模图模型，效能较前更为提高，AUC为0.845和0.816。刘琢玉^[45]分别在增强T1WI动脉期，胰腺期和静脉期肿瘤内提取组学特征，采用logistic回归构建模型，结果显示增强MRI影像组学在术前预测PDAC淋巴结转移方面具有良好的性能，其中静脉期预测效能最佳，AUC值分别为0.961和0.890。在加入更多增强MRI序列后，其模型效能也在稳步增加。然而，这几项研究均使用增强MRI图像进行影像组学分析，关于常规MRI平扫图像是否具有同等效能还有待研究。因此，刘泽群等^[46]利用T2WI和DWI图像建模，构建出6种直方图模型，其训练组和验证组中AUC值分别为0.907和0.895。此外，表观扩散系数（apparent diffusion coefficient, ADC）通过评估组织内水分子扩散程度，可以间接反映肿瘤的内部结构和功能，曾飘娥等^[47]纳入218例PDAC患者，联合常规T1WI、T2WI图像及ADC图像提取特征分别构建出常规MRI模型及联合ADC图像模型，结果表明联合常规MRI及ADC图影像组学特征构建的多参数MRI影像组学模型效能更好。对比发现，基于常规平扫MRI图像构建出的组学模型同样可以预测淋巴结的转移，但其效能略低于增强MRI。此外，大多数研究仅在瘤内勾画ROI而忽视了瘤周改变，XIE等^[48]纳入多中心126个PDAC患者，在瘤内及瘤周提取MRI特征并联合临床特征构建临床、影像组学和组合模型，其中结合瘤周和瘤内特征的组合模型具有最佳性能，AUC值分别为0.924和0.875。由此可见，结合瘤内及瘤周组合模型具有相当良好的预测性能。但其所选取的图像并非全部来自3.0 T MRI，部分图像的分辨率较低，可能导致模型效能略低于LIU等的模型。

       此外，ZENG等^[49]回顾性收集160名PDAC患者的CT及MRI图像，分别从T2加权成像、T1加权成像、多相对比增强MRI和多相CT中提取特征，建立了两个基于多相CT和多参数MRI的影像组学模型，结果显示多参数MRI影像组学模型的AUC值（0.791和0.786）高于CT影像组学模型（0.672和0.655）。这表明，多参数MRI影像组学不仅可以作为术前预测淋巴结转移的有效工具，其预测性能还优于普通CT。但由于其样本量较小且相关研究较少，还需大量研究进一步验证其结果。

3 AI及影像组学在术前预测PDAC淋巴结转移的局限性及未来展望

       目前，关于AI及影像组学在预测PDAC淋巴结转移中还存在一定局限性：（1）影像组学的图像提取、模型的构建等需要专业的设备来进行处理，难以普及；（2）ROI的勾画具有个人主观性，目前关于自动勾画的研究较少，需要大量的研究来进行标准规范；（3）基于多中心的研究较少；（4）目前多数研究大多关注肿瘤自身，以肿瘤周围淋巴结作为ROI的研究较少；（5）相关研究大多数是基于CT图像，对于超声及MRI人工智能模型研究较少，仍需进一步探索。因此，未来对于术前预测PDAC淋巴结转移可能集中在以下几个方面：（1）利用人工智能自动勾画ROI，以减少误差；（2）使用来自不同中心的外部验证、增加样本量以及通过多模态MRI图像进行模型构建，以便更全面、更好地提高模型的准确性和可靠性；（3）以瘤周淋巴结作为ROI进行特征提取，来探究预测模型的性能；（4）影像基因组学已被作为使用不同成像方式识别多种癌症类型中稳健的非侵入性生物标志物^[50]，未来对于术前预测PDAC淋巴结转移的研究可能与基因影像组学相结合，探索更深层的生物学机制。

4 小结

       上述研究表明，AI及影像组学在术前预测PDAC淋巴结转移中优于传统影像学手段，是当前研究的热点。相信随着多中心样本数据逐渐加入及模型不断优化，术前对PDAC淋巴结转移的预测技术会更精确、更成熟，未来或将成为一种强有力的诊断工具，为临床对PDAC个体化诊疗提供更完善的方案。