上世纪60年代，美国学者Ledley首次将数学模型引入临床医学，提出了计算机辅助诊断(computer-aided diagnosis, CAD)的概念[1]，其工作流程是通过搜集患者一般资料和检查资料进行医学信息量化处理和统计分析，提高诊断的准确率。现在人们常说的CAD主要是指基于医学影像学的传统计算机辅助技术。上世纪90年代以来，模仿人脑神经元工作原理的数学方法构建的人工神经网络模型的(artificial neural network，ANN)出现 ，已成为当前最先进的人工智能技术(artificial intelligence, AI)之一[2]。利用AI从医学影像图像中提取高通量特征在肿瘤的诊断、表征和预测等方面表现出巨大潜力，从而发展了目前非常流行的影像组学方法。该方法是2012年由荷兰学者Lambin等[3]首次提出，近几年其概念不断被完善，即高通量地从影像图像中提取并分析大量高级的定量影像学特征[4-5]。相较于传统的临床诊断中医师从视觉上解读医学图像，影像组学可深入挖掘出图像的特征用于提供临床决策支持。随着对ANN研究的深入，2006年Hinton等[6]提出深度学习(deep learning, DL)方法，其在自动驾驶、语音识别等工业应用中表现出强有力的发展趋势。在医学影像应用中，为了实现影像图像自动特征提取，卷积神经网络(convolutional neural network, CNN)方法应运而生，基于该方法的深度学习也已成为人工智能的热门研究领域之一[7]。影像组学和深度学习都是AI的应用范畴，其在临床医学中的应用已远远超出早期CAD系统所解决的范围，能够无创性地用于肿瘤诊断、疗效评估及预后预测等。2019年Bi等[8]详细介绍了AI在4类肿瘤疾病(肺部、头部、乳腺、前列腺)影像应用中的主要发现，指出在推动AI临床应用及影响未来癌症治疗方面，各方的合作越来越紧密。

一、AI在胰腺肿瘤中的辅助诊断

肿块型慢性胰腺炎和胰腺癌具有类似的临床及影像特征，两者鉴别仍是难题。依靠超声引导下穿刺活检具有有创性，也存在假阴性的可能。Sǎftoiu等[9]基于多中心超声内镜弹性成像的ANN分析对47例肿块性慢性胰腺炎和211例胰腺癌进行鉴别诊断研究，得到的训练集和测试集准确率分别为91.14%和84.27%。高绥之[10]通过对231例胰腺癌术前CT图像的1 029个影像组学特征进行分析，可在术前准确地预测胰腺癌淋巴结转移状态(训练建立的放射组学列线图模型集和验证集的ROC曲线下面积分别为0.92和0.91)，进一步对其中145例患者的门脉期CT影像组学特征进行分析发现，建立的模型对胰腺癌驱动基因KRAS、TP53、SMAD4、CDKN2A的突变情况皆能作出较准确的分类，ROC曲线下面积(AUC)为0.74～0.87。Hanania等[11]通过术前CT图像的360个影像组学特征来预测导管内乳头状黏液瘤(intraductal papillary mucinous neoplasm, IPMN)病理亚型，建立的影像学标记组较单一影像学特征准确率大大提高，灵敏度和特异度分别从85%和68%(AUC为0.82)提高到97%和88%(AUC为0.96)。Attiyeh等[12]基于103例分支胰管型IPMN的CT图像分析研究表明，单纯基于影像学特征模型的预测能力已超过临床数据模型(AUC分别为0.76、0.67)；联合术前影像组学特征和临床数据的风险预测模型总体AUC达到0.79。Permuth等[13]也运用影像组学特征联合血浆中miRNA表达提高预测IPMN病理亚型的准确率(AUC为0.92)。准确诊断胰腺囊性肿瘤(pancreatic cystic neoplasm，PCN)对避免过度治疗(如不必要的手术)具有重要指导意义，尤其是浆液性囊性肿瘤(serous cystic neoplasm，SCN)。一项研究纳入了260例手术切除的PCN，其中包含了102例SCN，术前正确诊断的SCN仅为31例(30.4%)，超过2/3的SCN患者接受了不必要的手术，研究者通过提取409个CT影像学特征建立诊断模型，显著提高了SCN诊断率(验证组AUC为0.837)[14]。胰腺神经内分泌肿瘤(pancreatic neuroendocrine neoplasms, PNEN)需参考Ki-67指数/核分裂数及肿瘤尺寸以确定相应的诊断与治疗策略，也可通过内镜超声引导下细针穿刺对肿瘤诊断及分级。Li等[15]利用CT纹理特征分析发现偏度、均数、部分百分位数等在乏血供PNEN与胰腺癌间差异有统计学意义。基于CT影像的纹理特征参数也可用于鉴别PNEN与胰腺转移性肾细胞癌[16]，以及区分富血供PNEN与胰腺内副脾，其诊断效能高于传统影像学分析[17]。

一项研究利用CT图像纹理特征进行PNEN分级，在结合熵值和标准CT特征建模后，对G1、G2/G3级肿瘤区分的准确率为79.3%[18]。另一项基于100例PNEN的CT纹理特征分析可以区分G1、G2、G3级肿瘤，其中峰度值诊断G3期肿瘤的AUC为0.924(灵敏度和特异度分别为82%和85%)[19]。虽然上述结果需要进一步前瞻性研究验证，但AI体现出在胰腺肿瘤无创性诊断方面的价值越来越明显，将其用于临床决策中可以减少良性肿瘤的过度治疗。