本期推荐 & 解读 BY 单飞 | 南昌大学
↓ 消化病学专题丨88
Endoscopy
Schulz Dominik et al.
中文内容仅供参考，以英文原文为准，欢迎识别二维码阅读。
背景
导管内乳头状黏液性肿瘤（IPMN）的风险分层和手术建议目前是基于共识指南。由于细针穿刺的低敏感性，术前组织学的风险分层只是潜在的决定性因素。在本研究中，我们开发并验证了一种基于深度学习的方法，利用内镜超声（EUS）图像来区分低级别异常增生的IPMN和高级别异常增生/浸润性癌的IPMN。
胰腺囊肿带来了一个难题。一方面，胰腺囊肿是一个常见病，在一项前瞻性研究中，发病率几乎达到50%。另一方面，导管内乳头状粘液瘤（IPMNs）等亚型可以进展为胰腺癌，胰腺癌仍然是所有癌症中存活率最差的癌症之一，在过去20年中没有出现大幅下降。为了防止过度治疗而不遗漏令人担忧的病变，基于证据的风险评估是强制性的。在大多数其他癌症和癌前病变中，风险评估是基于术前组织学的。然而，对于IPMNs，目前还没有方法可以在术前以足够高的准确性预测组织学。超声内镜（EUS）引导下细针穿刺（FNA）的荟萃分析显示，其敏感性低，为68.4%。
方法
进行模型训练，我们从2015年3月至2021年8月43例胰切除术患者中获得了3355张EUS图像。所有患者均经组织学证实为IPMN。我们使用迁移学习来微调卷积神经网络，并将“低级别IPMN”从“高级别IPMN/浸润性癌”进行分类。我们的测试集包括来自27例患者的1823张图像，回顾性招募了11例患者，7例前瞻性患者，9例外部患者。我们将我们的结果与基于国际共识指南的预测进行了比较。
我们检索了 IPMN 的病理报告，发现在2015年3月至2021年8月期间，共有149名患者在本诊所接受了胰腺切除术。胰腺切除术是经我们的跨学科肿瘤委员会会议讨论后推荐的。推荐依据是现有的国际和国内指南，其中大部分遵循欧洲指南。在本研究中，有66例患者因IPMN只是继发于导管癌或其他类型的胰腺癌而被排除在外（图 1）。另有29名患者因术前无EUS记录而被排除在外。剩下的54名患者根据病理报告分为高级别/浸润性癌和低级别IPMN。随机选取了43名患者进行人工神经网络训练。
图1. 将患者的选择和分离划分为测试和训练数据。MUK慕尼黑国立医学医学大学；IPMN，导管内乳头状黏液性肿瘤；EUS，内镜超声；FR，弗莱堡大学。
为图像分类任务开发了一个卷积神经网络（CNN）。对于预处理，图像被调整大小，像素值被归一化。为了防止过度拟合，使用了各种数据增强技术，如旋转、翻转、扭曲、亮度变化和剪切混合。对于主要深度学习模型，尝试了多种方法，如从头开始训练CNN或迁移学习。我们最终也是最成功的模型是基于一种迁移学习方法，使用效率网B5主干和相应的ImageNet上的预训练权重。在训练过程中，使用Adam优化器和交叉熵损失函数来调整权重。在fastAI 中实现了对最后一个特征层的微调。该代码运行在NVIDIA特斯拉K80或T4上运行。结果在0到0.5和0.5到1之间的结果用于每个图像的最终二值分类。
结果
我们的方法可以将低分级和高分级/浸润性癌进行分类，准确率为99.6%（95%CI 99.5%-99.9%）。与任何个别指南相比，我们的深度学习模型在预测组织学结果方面取得了更高的准确性，其准确性在51.8%（95%CI31.9%-71.3%）和70.4%（95%CI49.8-86.2）之间。
表1显示了患者的特征。在纳入的54例患者中，23例经组织学证实为低级别IPMN。其余31名患者至少患有高级别IPMN或早期浸润癌。在高级别/浸润性癌组中，MD-IPMN的比例较高，BD-IPMN的比例较低（48.4% 对 30.4%，12.9% 对 26.1%）。两组混合型IPMN的发病率相当（高级别/浸润性癌为 38.7%，低级别为 43.5%）。我们发现组织学亚型的分布情况相当，低级别组中胃癌的发病率略高（43.5% 对 35.5）。
表1. 患者特征。
在来自27名患者的总共1823张测试图像中，我们的机器学习方法将656张图像正确分类为高级别/浸润性癌，1164张正确分类为低级别IPMN（图2）。来自低级别组的三张图像未正确分类为低级别。总体准确率为99.6%，敏感性为100%，特异性为99.7%（表2）。
图2. 混淆矩阵显示，所有656例高级别导管内乳头状黏液瘤（IPMN）/浸润性癌（HG/IC）和1164例低级别IPMN（LG）图像均被正确分类。
表2. 基于指南的组织学分级预测与我们的深度学习方法之间的比较。
图3显示了来自测试集中的12名患者的总共12张图像。通过我们的深度学习模型，对所有的图像都进行了正确的分类。上面的两行显示了6例低级别IPMNs，下面的两行显示了高级别IPMNs/浸润性癌。特别是，来自第二行的低级别IPMN在视觉上似乎很难与最后一行的高级别IPMN/浸润性癌区分开来；然而，模型可以正确地对它们进行分类。
图3. 测试集中12例患者共12张图像。前6张图像被正确预测为低级别导管内乳头状黏液性肿瘤（IPMN），后6张图像被正确预测为高级别IPMN/浸润性癌。
结论
这项试验性研究表明，IPMN-EUS 图像中的深度学习可高精度预测组织学结果。
讨论
这项研究开发并验证了一种基于深度学习的方法，利用内镜超声（EUS）图像准确预测胰管内乳头状粘液性肿瘤（IPMN）的组织学分级。作者使用43名接受胰腺切除术的患者的3355张EUS图像训练了一个卷积神经网络模型，然后在27名额外患者的1823张图像上测试了该模型。该深度学习模型在区分低级IPMN和高级IPMN/浸润性癌方面的准确率达到99.6%，优于现有临床指南的51.8%至70.4%的准确率。这项初步研究展示了深度学习在改善IPMN患者的风险分层和治疗决策方面的潜力。
关键点
开发了一种基于深度学习的方法，利用内镜超声（EUS）图像准确预测胰管内乳头状粘液性肿瘤（IPMNs）的组织学分级。
在来自43名患者的3,355张EUS图像上训练了一个卷积神经网络，并在来自27名额外患者的1823张图像上进行了测试。
该深度学习模型在区分低级别IPMNs和高级别IPMNs/浸润性癌方面达到了99.6%的准确率。
优于现有临床指南的准确性，其范围从51.8%到70.4%。
展示了深度学习在改善IPMNs患者的风险分层和指导治疗决策方面的潜力。
END
欧洲胃肠道内镜学会（ESGE）及其附属学会的官方期刊。
Endoscopy为关于胃肠道内窥镜检查的最新技术和国际发展的重要期刊。在国际编委会的专家指导下，本刊提供高质量的内容，以满足全球内窥镜医师、外科医生、临床医生和研究人员的需求。
Endoscopy每年出版12期，内容包括高质量的综述论文、原创论文、前瞻性研究、有价值的诊断和治疗进展调查、以及对最重要的国内和国际会议进行的深入报道。文章经常辅以在线视频内容。
在Endoscopy上出版的所有论文都经过严格的同行评审。基于在线投稿和快速处理，保证了电子版和印刷版的出版速度。
