基于人工智能模型的胰内脂肪沉积定量及其临床相关性:影像学研究的系统综述
该系统综述纳入12项影像学研究(10项横断面、2项纵向),涵盖超过5万人,评估AI模型自动分割胰腺并定量胰内脂肪沉积(IPFD)的性能与临床相关性。汇总Dice相似系数为82.3%(95%CI 73.5–91.1%),异质性I²=99%,提示AI与人工定量间差异不可忽略。AI模型显示高IPFD与急性胰腺炎、胰腺癌及2型糖尿病相关。
要点
- AI自动分割胰腺并定量IPFD的汇总Dice相似系数为82.3%(95%CI 73.5–91.1%),与人工分割差异不可忽略。
- MRI研究中nnU-Net模型Dice最高,CT研究中nnTransfer模型Dice最高。
- 高IPFD与急性胰腺炎(HR 1.513)、胰腺癌(HR 1.365)及2型糖尿病风险升高相关。
核心结论
- 当前用于IPFD定量的AI模型性能欠佳,AI与人工定量之间的差异不可忽略。
- 未来全自动IPFD测量的进展将加速积累高IPFD在胰腺疾病中作用的大规模可靠证据。
- 标准化AI模型报告对提升临床适用性和可靠性至关重要。
研究设计与样本
- 系统综述,检索MEDLINE、Embase、Scopus和IEEE Xplore四个数据库,检索截止2024年11月1日,无语种限制。
- 纳入12项研究(10项横断面、2项纵向),涵盖超过5万人,发表于2020至2024年。
- 8项研究使用MRI,4项使用CT;参考标准为放射科医生手动分割。
- 采用随机效应模型进行数据合并,使用Joanna Briggs研究所分析性研究质量评价工具评估方法学质量。
诊断标准与关键数值
- AI模型定量IPFD的汇总Dice相似系数为82.3%(95%CI 73.5–91.1%),Z=18.382,p<0.001,I²=99%。
- MRI研究中Dice范围84.2%至91.6%,CT研究中Dice范围69.0%至93.7%。
- U-Net模型在临床领域最常用,Dice范围69.0%至91.2%;nnU-Net或nnTransfer模型Dice范围80.7%至93.7%。
- 高IPFD定义为年龄和性别特异性IPFD上限的第95百分位数,UKBB中患病率为17.9%。
临床应用与阅片要点
- AI模型可用于自动分割胰腺并定量IPFD,但当前性能尚不足以广泛临床推广。
- 高IPFD与急性胰腺炎(HR 1.513,p=0.001)、胰腺癌(HR 1.365,p=0.017)及2型糖尿病风险升高相关。
- nnU-Net模型重测信度ICC为0.936,高于放射科医生的0.641至0.737。
- 作者认为AI模型有潜力提供比人工更一致的IPFD定量。
局限性
- 汇总Dice相似系数的异质性I²=99%,提示高统计异质性。
- 四项可合并研究使用了不同的AI模型(nnTransfer、V-Net、U-Net和nnU-Net)。
- 六项研究使用UK Biobank数据,可能存在研究参与者重叠。
- 当前AI模型性能欠佳,AI与人工定量IPFD之间的差异不可忽略。
- AI模型尚未准备好广泛临床应用。
全文中译15 节 · 点击展开
引言
高胰腺内脂肪沉积(IPFD)是胰腺最常见的病理改变,其发生率超过2型糖尿病(T2DM)和急性胰腺炎[1]。此外,高IPFD还与胰腺癌和慢性胰腺炎的发生相关[2]。尽管需要精确的诊断和监测工具,但由于胰腺的解剖和生理特征,准确测量胰腺内脂肪沉积(IPFD)具有挑战性。具体而言,胰腺位于腹膜后深处,呈细长的蜿蜒状。此外,其包埋于内脏脂肪中(内脏脂肪可能内陷于胰腺小叶之间)可进一步使IPFD定量复杂化,并使胰腺内与胰腺周围脂肪的区分更具挑战性。由于侵入性方法(如手术或超声内镜引导下细针活检)在大多数情况下不符合伦理且存在不良反应风险,IPFD定量主要依赖非侵入性成像方式(如CT和化学位移编码MRI)[1]。
目前最常用的IPFD定量现代方法是手动分割胰腺并随后定量感兴趣区(定义为器官边界内)内的脂肪[3, 4]。然而,胰腺手动分割需要相当的专业知识、人力和时间。鉴于放射科医生目前通常已面临巨大的工作量,该任务的额外负担很可能令人不堪重负。使用人工智能(AI)算法进行自动化胰腺分割和IPFD定量有可能应对这一挑战[5]。得益于近年来数据量和计算能力的增长,AI是一个快速发展的领域。AI广义上指模仿人类智能以解决问题和学习任务的方法和算法[6]。机器学习和深度学习(DL)是AI的嵌套子集,近年来因其在器官分割中的应用而在医学影像领域受到关注。机器学习涵盖一类能够在数据中识别模式和关系(如分割任务中)、从输入数据中学习并通过经验改进性能的算法[6, 7]。在机器学习中,DL是一个专门子集,利用人工神经网络在训练阶段从图像中自动学习分层模式。DL通过多层神经网络代表了重大进步,能够从复杂医学影像数据集中自动提取有意义的特征[6, 8]。卷积神经网络(CNN)是DL的一个子集,利用成像数据中的空间排列进行学习并随后产生输出[8]。CNN有效捕捉图像中的空间层次结构,因此最常用于成像数据(例如,用于腹部器官分割)。AI在IPFD定量中的整合可减少与分割相关的人工劳动,并有可能提高疾病检测和表征的一致性。由于AI近期取得了重大飞跃,现在正是梳理所有关于基于AI的IPFD自动定量模型的现有研究的时候——这是当前影像学文献中的一个空白[9, 10]。
本研究的目的是系统综述使用基于人工智能(AI)的模型量化胰腺内脂肪沉积(IPFD)的影像学研究。此外,我们探讨了这些模型的临床相关性,以评估其临床采用的能力。
方法
检索策略
使用四个电子数据库进行了系统性文献检索:Embase、Scopus、MEDLINE和IEEE Xplore。检索式如下:(pancrea*) AND (artificial intelligence OR artificial OR reasoning OR deep learning OR machine learning OR supervised learning OR unsupervised learning OR neural network* OR automat* OR generation adversarial* OR convolution*) AND (fat* OR steatos* OR steatotic OR adipo* OR lip*) AND (imag* OR imaging OR scan* OR ultrasound OR sonograph* OR endoscopic ultrasound OR endoscopic sonograph* OR magnetic resonance imag* OR mri OR computed tomograph* OR ct OR tomograph*) AND (quant* OR quantif* OR volume OR fraction OR percent* OR ratio OR deposi*)。检索截止日期为2024年11月1日。所有检索结果均被导出,在Rayyan软件中汇编[11],并去除重复项。随后根据标题和摘要对剩余研究进行筛选。相关文章还通过个人文库文件进行识别。对发表语言未设限制。
纳入标准
纳入研究须使用放射影像学方法(MRI、CT、超声或内镜超声)评估IPFD;使用活检或组织学方法、或手动分割(除非用于建立金标准)或影像组学和纹理分析的研究被排除[12]。纳入任何年龄、性别、种族和合并症的人类受试者研究。原始研究须为横断面或纵向设计;病例报告和病例系列(受试者少于20例)被排除。研究须使用AI同时进行胰腺分割和IPFD自动量化的研究方符合纳入标准。仅对胰腺自动分割(未实现IPFD量化自动化)的研究不符合纳入标准[9]。仅使用非AI软件和算法在胰腺已分割后量化IPFD的研究(如现代商用扫描仪中质子密度脂肪分数(PDFF)读数)被排除。此外,未分割整个胰腺的研究被排除。关于脂肪瘤性假性肥大或胰腺脂肪瘤的研究,以及受试者接受部分或全胰腺切除术的研究,也被排除。
研究领域
开发领域涉及使用AI分割胰腺并使用自动化(非人工)手段量化IPFD的研究。基于AI的模型本身的技术和分析方面(与手动分割和量化相比)是这些研究的主要关注点。临床领域涉及使用基于AI的模型分割胰腺并量化IPFD的研究,主要关注报告临床或放射学终点(而非关注人与AI之间的比较)。符合条件的研究被归类为开发领域、临床领域或两者兼有。
数据提取
对于每项符合条件的研究,提取以下数据:作者、年份、国家、设计、成像方式(包括所用扫描仪、场强、成像序列、对比剂使用及期相、预处理和后处理方法)、数据来源、参与者总数、参与者性别、年龄和体质指数(BMI)、用于分割的AI算法、IPFD定量方法、分割和定量性能指标(例如Dice相似系数(DSC)、Jaccard指数、Hausdorff距离)、分割和定量的参考标准以及临床终点。DSC来源于对整个胰腺的AI/自动分割与参考标准(手动分割),范围为0%(即无重叠)至100%(即AI/自动分割与参考标准完全一致)。Jaccard指数是另一种相似性度量,定义为两个集合的交集除以其并集。Hausdorff距离是度量空间中两组点之间距离的指标。
方法学质量
采用Joanna Briggs研究所分析性研究批判性评价工具评估所有纳入研究的质量[13]。该工具由8个问题(用于横断面研究)和11个问题(用于纵向研究)组成,涉及研究特征如人群、场所、暴露、测量、混杂因素、结局和统计分析。问题可回答为“是”、“否”、“不清楚”或“不适用”[13]。
统计分析
统计分析使用RevMan软件5.4版进行。Z值检验均值效应量为零的无效假设。采用I²统计量评估研究间的异质性,该统计量衡量研究间总变异中归因于异质性而非偶然性的百分比。I²值小于25%被认为异质性低,25% < I2 < 75%为中等异质性,大于75%为显著异质性。p值小于0.05被认为具有统计学意义。
结果
研究特征
在识别出的1001篇唯一出版物中,12项研究符合所有纳入标准(图1)。这些研究发表于2020年至2024年间,其中2022年发表的比例最高(n = 4,33.3%),2020年发表的比例最低(n = 1,8.3%)。四项研究[14–17]属于开发领域,六项[18–23]属于临床领域,两项[24, 25]同时属于两个领域。绝大多数研究为横断面研究(n = 10,83.3%),而两项研究为纵向研究(16.7%)(表1)。纳入研究的方法学质量总结于补充表1。
12项研究中有6项[14, 18–21, 23]使用了英国生物样本库(UKBB),研究参与者可能存在重叠。虽然大多数基于UKBB的横断面研究[14, 18, 20, 21]未报告研究期间,但一项研究记录了其研究期间(2014年7月至2023年1月)[19]。基于UKBB的纵向研究报告其参与者在2020年12月接受了第一次MRI,最长随访期为3年[23]。
成像特征和基于AI的模型
12项研究中有8项为MRI研究[14, 15, 18–21, 23, 25],其中两项研究属于发育领域,五项属于临床领域,一项同时属于两者。其余四项为CT研究[16, 17, 22, 24],其中两项属于发育领域,一项属于临床领域,一项同时属于两者(表2)。
发育领域(或同时属于发育和临床领域)的5项研究[14–17, 25]提供了用于训练各自AI模型的硬件和软件系统的计算细节信息(表2)。这些包括所使用的中央处理器、所使用的显卡、软件环境、训练时长、批次大小和学习率。发育领域的1项研究[24]和临床领域的其余研究未包含计算细节。临床领域的研究使用预先开发的AI模型进行分割任务。
4项研究采用U-Net模型进行分割任务[18, 21, 24, 25](33.3%),4项采用nnU-Net模型[15, 16, 19, 20](33.3%),2项采用V-Net模型[14, 23](16.7%),1项采用nnTransfer模型[17](8.3%)。1项研究(8.3%)未说明所使用的模型[22]。
发育领域
6项研究将基于AI的模型与人工参考标准进行了比较[14–17, 24, 25](表3)。比较IPFD量化方法没有统一的指标:使用了R2[25]、ICC[15, 16]和PCC[17]等指标。1项研究计算了平均差异[24],1项研究以直方图形式呈现结果[14]。4项适合进行荟萃分析的研究被合并以使用DSC确定基于AI的模型的性能[14, 16, 17, 24]。荟萃分析得出的平均合并DSC为82.3%(图2)。Z值为18.382(p < 0.001)。I2统计量为99%,表明存在高度统计学异质性。所有四项研究均采用不同的基于AI的模型(nnTransfer、V-Net、U-Net和nnU-Net)。其中三项为CT研究[16, 17, 24],一项为MRI研究[14]。
临床领域
临床领域的8项研究应用基于AI的模型量化疾病状态下的IPFD(T2DM[18, 19, 21, 23–25]、急性胰腺炎和胰腺癌[19],以及COVID-19肺炎[22])或与生理学结局相关的IPFD(高IPFD的患病率[19]、衰老[19–21]以及IPFD的性别差异[17, 19, 21, 23])。
疾病状态
五项研究报告了在有和无2型糖尿病(T2DM)情况下的胰腺脂肪沉积(IPFD)[18, 19, 21, 24, 25],其中一项还额外观察了胰腺不同部位的IPFD [18]。一项研究观察了T2DM个体中IPFD随时间的变化[23]。所有研究IPFD与T2DM关联的研究均发现二者之间存在显著关联。Yang等[25]的横断面研究显示,T2DM个体的胰腺脂肪分数显著高于血糖正常个体(p < 0.01)。其他横断面研究也报告了类似的关联。Liu等[21]报告其队列的平均胰腺脂肪百分比为10.4%,并发现其与T2DM显著相关(p < 0.001),但与1型糖尿病无关(p = 0.241)。Bagur等[18]比较了高BMI无T2DM个体与T2DM个体的质子密度脂肪分数(PDFF)。作者发现仅胰腺体部的PDFF显著更高(分别为12.8%和11.7%,p < 0.05)。相比之下,两组在胰腺其他区域(头、尾)及全胰腺的IPFD方面差异均无统计学意义(均p > 0.05)。在比较低BMI的T2DM个体与无T2DM个体时,作者显示PDFF不仅在全胰腺,而且在胰腺头、体和尾部均有统计学显著差异(均p < 0.05)。Tallam等[24]的CT研究证明,T2DM个体的胰腺CT衰减值低于无T2DM个体(提示IPFD更高)(均值分别为18.7 HU和30.0 HU,p < 0.001)。两项研究糖尿病的均为纵向队列研究[19, 23]。Dong等[19]的研究平均随访期为4.6年,发现高IPFD个体的T2DM风险高22%(p < 0.001)。Whitcher等[23]的研究是另一项纵向队列研究,作者在平均2.2年的随访期内观察了既往诊断为慢性疾病(包括但不限于T2DM)个体中IPFD的变化。该研究显示,慢性疾病在研究期间未导致IPFD出现统计学显著变化(p > 0.05)。
虽然糖尿病是纳入研究临床领域中最常被研究的疾病,但Dong等[19]的研究还探讨了高IPFD与急性胰腺炎和胰腺癌的关联。研究发现高IPFD与上述任一疾病风险增加均显著相关(分别为HR 1.513,p = 0.001和HR 1.365,p = 0.017)。Tanabe等[22]关注IPFD与COVID-19肺炎严重程度之间的关联。作者测定了CT脂肪体积分数,发现其与肺部严重程度评分呈显著正相关(p < 0.01)。
生理结局
Dong等[19]的研究发现,UKBB中高IPFD(定义为IPFD的年龄和性别特异性上限的第95百分位数)的患病率为17.9%。此外,他们注意到,无论男性还是女性,分别及合并分析,高IPFD的患病率均随年龄增长而增加(p趋势<0.001),45-50岁年龄组患病率为16.4%,81-85岁年龄组为25.2%。Gatidis等[20]的研究结合了德国国家队列(NAKO)和UKBB的数据,以评估更广泛年龄范围(20-80岁)内胰腺PDFF的年龄相关变化。作者报告了IPFD随年龄呈非线性增加。此外,Liu等[21]的研究注意到IPFD随年龄增长具有统计学显著性的增加(p<0.001)。虽然这些研究为横断面研究,观察了不同年龄组的IPFD,但Whitcher等[23]的研究纵向调查了平均PDFF的变化。尽管结果未达到统计学显著性,作者发现男性PDFF增加11.6%(p=0.0652),而女性PDFF增加10.4%(p=0.3441)。
Liu等[21]和Whitcher等[23]的研究——均基于UKBB——还分别量化了总体及男性和女性的IPFD。两项研究得出了相似的发现,Liu等[21]的研究报告胰腺脂肪百分比均值为12.6±8.5%,Whitcher等[23]的研究报告男性PDFF中位数为12.2±8.3%。对于女性,两项研究的发现分别为8.3±6.7%和8.0±5.9%。在合并IPFD方面,Liu等[21]的研究报告均值为10.4±7.9%,而Whitcher等[23]的研究报告总PDFF中位数为10.1±7.5%。尽管Zhang等[17]的研究测试集样本量较小(n=22),他们报告了相似的平均脂肪体积分数12.7±9.8%。
讨论
这是首篇系统综述,总结了利用人工智能(AI)进行IPFD定量化现状的相关数据。本综述共纳入12项研究,涵盖来自全球超过50,000名参与者。我们的汇总结果显示,在量化IPFD的研究中,基于AI的模型在胰腺分割方面的性能达到了平均加权DSC为82.3%(95%置信区间为73.5至91.1%),表明手动方法与基于AI的方法之间存在不可忽视的差异。这一发现建立在我们2019年系统综述和荟萃分析结果的基础之上,该分析显示,仅用于胰腺分割(即未量化IPFD)的基于AI的模型的平均加权DSC为74.4%(95%置信区间为70.9至77.8%)[9]。有理由认为,AI驱动的胰腺边界确定——自动化IPFD量化中最重要的一步——的像素级精度在过去约5年中总体上有所提高,但提高方式相当零散,因为DSC仍远未达到100%。
本系统综述在发育领域的研究中获得了新的见解。如今,基于人工智能的模型常被整合到许多CT和MRI扫描仪的软件中,从而实现肝脏脂肪的自动分割和定量。这主要是因为肝脏分割往往更为准确,通常可达到近乎完美的DSC。例如,一项2024年的研究报告肝脏分割的DSC为98% [26]。肝脏体积更大、形态更均匀且其在腹腔内的位置更恒定,使得肝脏分割明显比胰腺分割更容易。相比之下,胰腺分割面临更大挑战,导致DSC值较低。因此,用于IPFD定量的基于人工智能的模型尚未准备好广泛用于临床。尽管存在这些挑战,Lin等[15]证明,人工智能模型,尤其是nnU-Net,提供了更一致、更可靠的IPFD定量,重测信度的ICC高达0.936。相比之下,放射科医师的重测信度范围为0.641至0.737。所采用的nnU-Net模型具有高度一致性和更低的评估者间变异性,这表明基于人工智能的模型有潜力提供比人工方法更一致的IPFD定量。这在临床领域尤为重要,因为用于IPFD定量的AI模型被用于评估疾病状态和生理状态[1, 2]。
在临床领域最常用的基于人工智能的模型是U-Net [18, 21, 24, 25],其DSC范围为69.0% [24]至91.2% [25]。U-Net是一种为生物医学图像分割而开发的CNN架构形式。V-Net将U-Net的概念扩展为使用3D卷积层直接处理医学影像数据。一项研究在同一CT数据集上应用V-Net和U-Net模型进行胰腺分割(未进行IPFD定量),发现两种模型均能实现准确且稳健的分割 [27]。然而,作者指出,U-Net以少得多的输入参数完成分割,且训练速度比V-Net快四倍 [27]。本系统综述中较近期的研究(2023年至2024年)[15, 16, 19, 20]使用了nnU-Net或nnTransfer模型 [24],其DSC范围为80.7% [16]至93.7% [17]。nnU-Net是“no-new-U-Net”的缩写,是U-Net架构的扩展,可根据数据集特征自动配置其架构、预处理和训练流程。nnU-Net自动化了使用U-Net时的许多手动决策,例如决定网络应有多深、输入图像应有多大以及数据应如何预处理 [9, 19]。这种自动化简化了nnU-Net的使用,提高了其可及性。nnTransfer是“nonisomorphic transfer learning net”(非同构迁移学习网络)的缩写,是一种新型3D分割模型,采用生成模型结构进行自监督,使网络能够从无标注数据中学习图像属性 [9, 17]。成像模态的选择可能影响基于人工智能的模型的性能。在CT研究中nnTransfer模型的DSC最高,而在MRI研究中nnU-Net的DSC最高。此外,MRI研究间的DSC更为一致,范围为84.2% [14]至91.6% [15]。这与CT研究中DSC范围为69.0% [24]至93.7% [17]形成对比。虽然本综述纳入的研究未评估单一AI模型在CT和MRI扫描上的性能,但一项仅关注AI胰腺分割(未进行IPFD定量)的2025年研究开发了一种将nnU-Net与线性自注意力层相结合的AI模型 [28]。该模型被证明在CT和MRI扫描上均能取得相似(且相当良好)的性能 [28]。
临床领域的研究也带来了新的见解。对IPFD的精确量化可实现早期检测,从而更好地管理由高IPFD引起的疾病,如T2DM、胰腺癌和胰腺炎[2, 29, 30]——这些疾病均显著影响患者的发病率和死亡率,并造成大量医疗费用。因此,提高基于AI的模型的准确性和可靠性将直接有助于改善诊断能力,促进早期干预,并可能减缓高IPFD相关疾病的进展——这是PANDORA假说的核心思想[2]。此外,尽管高IPFD与T2DM之间的关联在文献中已得到广泛认可[19],本系统综述中的研究使用基于AI的模型复现了这些发现。AI为胰腺疾病提供了精简而有效的见解,使关于IPFD与T2DM关联的证据体系得以扩展。除胰腺疾病外,IPFD量化在其他疾病中也有潜在应用。例如,高IPFD与心脏并发症[31]、阿尔茨海默病[32]、铁过载疾病[33]、甲状腺功能减退症[34]、阻塞性睡眠呼吸暂停[35]、多囊卵巢综合征[36]以及更严重的新冠肺炎[22]相关。这表明精确的IPFD量化可能在胰腺内分泌和外分泌疾病之外的预后评估中发挥作用。IPFD测量的广泛适用性凸显了推进基于AI的自动化IPFD量化模型的价值,以期增强一系列健康状况的研究和临床实践。
尽管AI在IPFD量化方面具有巨大前景,但目前有几个因素制约其广泛应用。首先,为开发基于AI的模型创建准确、完全注释的真值耗时、资源密集且易受人为错误影响[15, 24, 28]。采用弱监督学习方法,即保持数据注释最少且必要,可能加速训练过程。此外,采用基于共识的注释(即由多名经验丰富的放射科医生标注真值)可能有助于最大限度减少人为错误。令人欣慰的是,本系统综述中的一些研究已经这样做了[16, 25]。其次,基于AI的模型可能偶尔遗漏细小或微妙的特征(特别是在胰腺等复杂但较小的器官中),导致分类错误或IPFD量化不准确。在开发阶段使用注意力机制引导AI关注关键方面(如胰腺边界和解剖标志)可能有助于消除这一缺陷。另一个局限性是仅使用一种成像模态可能限制AI的准确性,因为不同模态各有优缺点。探索多模态融合,即在训练过程中结合多种成像模态,有可能增强IPFD量化。最后,胰腺分割性能的域偏移可能很显著。例如,一项2025年的MRI研究发现,外部验证时DCS下降高达10%[28]。
本系统综述存在若干局限性。第一,许多纳入研究依赖于UKBB,该数据库仅纳入中老年人,且几乎没有种族多样性。此外,大多数研究缺乏长期随访——这是评估基于人工智能的模型在不同临床环境和成像模式中实际应用价值的一个关键方面[37, 38]。这些方面需要在未来研究中加以解决。由于隐私问题,医院之间往往无法共享患者图像,这可能限制训练数据的多样性和数量以及泛化能力。在多家医院和机构之间采用联邦学习来协作训练单一的基于人工智能的模型(不直接共享患者数据)可能有助于克服这一局限性。模型将在本地训练,仅共享获得的洞见,而非原始数据。第二,发育领域的研究在不同数据集上测试其模型,使得模型之间的直接比较容易产生偏倚。未来基于人工智能的IPFD定量研究应旨在评估不同模型在同一数据集上的性能。第三,纳入研究中基于人工智能的模型报告不一致。使用人工智能的IPFD定量研究将受益于报告分割和定量的标准化性能指标,包括均值、标准差和p值等统计成分。第四,在荟萃分析纳入的研究中,绝大多数为CT研究。这凸显了需要更多MRI研究来进一步评估基于人工智能的模型在临床环境中的性能[39]。最后,纳入研究缺乏关于部署基于人工智能的模型和定量IPFD的计算成本信息。一项研究比较了多种基于人工智能的脑分割模型,发现虽然3D分割模型比2.5D和2D方法训练和部署更快,但3D模型需要显著更多的计算内存[40]。未来研究应旨在纳入有关计算成本的信息,如运行时间、内存需求和推理速度。这将确保基于人工智能的模型不仅准确,而且其实际临床应用是可行的。
总之,IPFD定量有助于胰腺和非胰腺疾病的诊断和预后。虽然最常用且符合伦理的方式是使用现代成像技术(如MRI和CT)进行,但与其它腹部器官(如肝脏)相比,IPFD定量目前被忽视。少数确实使用基于人工智能的模型研究IPFD定量的研究往往产生次优结果。未来研究应侧重于编制大型、多样化的影像数据集(包括纵向数据),以开发和验证用于IPFD定量的稳健的基于人工智能的模型。
补充信息
电子补充材料
引用
- Joshi T, Virostko J, Petrov MS, et al. Artificial intelligence-based models for quantification of intra-pancreatic fat deposition and their clinical relevance: a systematic review of imaging studies. Eur Radiol. 2025. PMID: 40682667. doi:10.1007/s00330-025-11808-6
- 全文:PMC12711924(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12711924/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。