AI的概念诞生于1956年，是一门应用计算机模拟人类的思维过程和智能行为（如感知、识别、学习、推理、规划等）的科学。机器学习聚焦于使计算机模拟人类的学习能力，具体是使计算机在获得基本原则和训练数据的基础上，自动生成复杂的分析算法，以达到模拟“学习”的目的。机器学习分为监督学习、非监督学习和强化学习，其中监督学习是医学图像识别领域最常用的方法，即工作人员向计算机提供输入数据和对应的输出数据（正确答案），计算机通过“学习”生成最佳的获得正确答案的算法。监督学习过程可分为3步：收集数据并标注正确答案；构建学习模型；对模型进行训练和验证。机器学习领域目前已经发展出多种算法技术，包括人工神经网络（ANN）、支持向量机（SVM）、决策树、贝叶斯分类等。用于图像识别的传统方法为ANN和SVM。ANN设计来源于生物神经元网络，由输入层、隐藏层、输出层构成，每层的神经元节点与下一层连接，每一个连接根据算法需要被赋予不同的权重从而实现学习的目的。SVM是将输入数据映射到特征空间，找到该空间存在的超平面，将不同类别的样本点分开，并使超平面到样本点的边距最大，实现对样本的分类任务。传统算法的计算学习能力有限，需要人工设计提取合适的图像特征作为输入数据，以提高其识别效果。深度学习是机器学习中发展极为迅速的技术之一，是在ANN的基础上发展而来，含有多层隐藏层的神经网络，拥有更强大的数据计算处理能力，能够直接学习原始图像并选取有效特征，减少对人工处理原始数据的依赖。不同设计的深度学习网络适用于不同的任务，卷积神经网络（CNN）的每个神经元与上一层的部分神经元相连，能够感知图像的局部信息，在图像识别和处理中应用广泛。目前应用于胰腺疾病EUS诊断的AI算法主要是ANN、SVM和CNN 3类。

2001年Norton等首次报道使用简单神经网络程序分析鉴别EUS图像。研究者采集了21例胰腺癌患者和14例局灶性胰腺炎患者的典型EUS图像，使用AI程序学习图像灰度变化、总体亮度等特征，最终获得4项特征用于识别胰腺癌和局灶性胰腺炎。当程序识别恶性肿瘤的灵敏度达到100%时，总体准确率为80%，接近EUS检查的实际准确率85%，证实了AI用于鉴别EUS图像的可行性。Das等将多层ANN模型用于EUS图像诊断。该研究对胰腺EUS图像进行纹理分析提取228个特征参数，选取其中11个主要特征训练多层ANN。最终鉴别胰腺癌和非胰腺癌（正常胰腺、慢性胰腺炎）的灵敏度达93%，特异度达92%。Ozkan等选取EUS图像的20个特征训练ANN模型以鉴别胰腺癌，最终灵敏度可达83.3%，特异度为93.3%，准确率为87.5%。当研究者将患者分为<40岁、40～60岁、>60岁3组进行ANN模型训练时，发现AI在各组的诊断准确率都有相应提升。该研究表明，纳入患者年龄可能提高AI对胰腺EUS图像的鉴别效能。

海军军医大学第一附属医院内镜中心采用SVM算法构建胰腺肿瘤诊断系统，相较于ANN算法具有训练过程更快的优势。2010年Zhang等采集了153例胰腺癌患者和63例非胰腺癌患者（20例正常胰腺和43例慢性胰腺炎）的典型EUS图像，将识别出的29个特征进行SVM模型训练，最终AI诊断胰腺癌的灵敏度达94.32%，特异度达99.45%，准确率为97.98%。Zhu等采用相似的方法鉴别胰腺癌与慢性胰腺炎的EUS图像，诊断胰腺癌的灵敏度达92.52%，特异度达93.03%，准确率为93.86%。2015年Zhu等改进了特征提取方法，将识别出的14个特征采用SVM模型鉴别自身免疫性胰腺炎和慢性胰腺炎，诊断自身免疫性胰腺炎的灵敏度为84.1%，特异度达92.5%，准确率为89.3%。以上研究均显示出SVM算法在胰腺疾病EUS图像鉴别中的应用价值。

除用于鉴别普通EUS图像外，有研究报道将AI用于特殊EUS成像的应用。EUS实时弹性成像通过测量组织的应变值反映组织的硬度，可为常规EUS补充鉴别信息。Sǎftoiu等在一项纳入211例胰腺癌患者、47例慢性胰腺炎患者的前瞻性多中心双盲研究中，共采集774份弹性成像记录，使用ANN程序学习分析弹性成像的动态色调直方图，获得的诊断灵敏度为87.59%，特异度达82.94%，准确率为84.27%。谐波造影增强EUS能反映病灶的血供情况，辅助鉴别诊断胰腺肿块。Sǎftoiu等采集了112例胰腺癌患者和55例慢性胰腺炎患者病灶谐波造影增强记录的时间信号强度曲线，使用曲线分析的7项参数训练ANN模型，随机选择70%的样本作为训练集，15%作为验证集，15%作为测试集，获得的诊断灵敏度为94.64%，特异度为94.44%。前述研究表明，解读弹性成像和谐波造影增强成像的EUS图像时，计算机定量分析较人工解读更为客观，揭示使用AI解读可提供更多有效信息辅助鉴别。

传统的机器学习表现出与人工阅图相当的诊断准确率的获得，需要人工提取特征用于机器学习，且需人工选择图像中的感兴趣区域进行识别，因此传统机器学习在实际工作中的应用范围有限，难以真正取代人工阅图。深度学习的出现，使AI的能力有了突破性进展。深度学习可自动提取数据特征，完成医学图像分类、物体检测和目标分割等任务。但深度学习需要大样本的训练数据集，因此在训练样本较少时，一方面，可以用数据增强法，如对既有图像进行翻转、旋转以扩大数据集，另一方面，可以使用迁移学习法，预先用其他大样本数据集对模型进行预训练。Kuwahara等使用CNN的深度学习方法识别胰腺导管内乳头状黏液肿瘤（IPMN）的EUS图像，鉴别IPMN的良恶性。研究者共采集50例IPMN患者（27例良性、23例恶性）的3970张EUS图像，使用数据增强技术生成共508160张图像以训练CNN模型，得到诊断恶性的灵敏度达95.7%，特异度达92.6%，准确率为94.0%，显著优于术前临床诊断准确率的56%。Tonozuka等报道使用CNN鉴别胰腺癌与非胰腺癌（正常胰腺、慢性胰腺炎）的EUS图像，灵敏度达92.4%，特异度达84.1%。Marya等应用CNN模型鉴别自身免疫性胰腺炎、胰腺癌、慢性胰腺炎和正常胰腺组织的EUS图像和视频。研究者共采集583例患者（146例自身免疫性胰腺炎、292例胰腺癌、72例慢性胰腺炎、73例正常胰腺）的4945张EUS图像和1852个视频，生成1174461张图像，用以训练CNN模型进行分类。该研究发现，AI系统识别单张静态图像诊断自身免疫性胰腺炎的灵敏度为90%、特异度为78%，识别视频图像组合诊断自身免疫性胰腺炎的灵敏度为90%、特异度为85%，识别视频图像组合诊断胰腺癌的灵敏度为95%、特异度为91%。该研究中，AI系统还使用热图（heat map）标示出具有诊断意义的特征区域，帮助外部理解其分析过程，表现出比超声医师更高的诊断准确率，且处理速度达每秒955张图像，具有良好的应用前景。Udri-toiu等训练CNN模型综合分析胰腺肿块的EUS灰度图、多普勒成像、谐波造影增强图像和弹性成像，应用该模型诊断胰腺癌、慢性胰腺炎和胰腺内分泌瘤的准确率分别达97.61%、98.66%和98.51%。随着深度学习技术的不断发展，AI在EUS图像诊断领域已表现出超越人工的潜能。

EUS不仅具备扫查胰腺获取图像信息的能力，还能引导FNA/FNB安全有效地获取病理以进一步鉴别胰腺肿块的性质。不同于手术病理保留完整的形态结构，穿刺病理可能含有大量碎片化的细胞团成分，使病理医师诊断困难。将AI用于胰腺穿刺病理诊断，可帮助提高病理医师的诊断效能，提高EUS-FNA/FNB对胰腺疾病的鉴别诊断作用。2017年Momeni-Boroujeni等首次将AI用于胰腺EUS FNA细胞病理学的诊断。研究者共采集75例行胰腺FNA患者（20例恶性、24例良性、31例不典型）的277张特征细胞病理图像，提取细胞核轮廓、周长、面积、密度等图像特征，训练多层ANN模型以判断良恶性。该系统根据病理医师诊断为不典型的图像，以实际临床诊断为准，诊断恶性的灵敏度为80%、特异度为75%，表现出用于辅助提高病理诊断效能的可行性。Naito等训练CNN模型检测胰腺FNB病理切片全景图中胰腺癌病灶。该研究共纳入532张病理切片图，其中372张（含161张胰腺癌）组成训练集，40张（含20张胰腺癌）组成验证集，120张（86张胰腺癌）组成测试集。CNN模型先经过大型数据库ImageNet的预训练，再学习研究病理切片，最终诊断胰腺癌的灵敏度达93.02%，特异度达97.06%，准确率为94.17%。以上研究表明，AI系统具有辅助病理医师进行胰腺EUS-FNA/FNB病理诊断的应用可能。

快速现场病理评估（ROSE）指在穿刺过程中进行实时病理检查以评估样本质量，有助于保证取样充足度。尤其在内镜医师经验不足的情况下，ROSE能提高穿刺诊断效能。但是ROSE要求病理医师到穿刺现场评估，增加了检查费用和操作流程，实际应用受限。Zhang等构建出可协助进行ROSE的AI系统。研究者共采集109例患者（64例胰腺癌、45例非胰腺癌）的4023份穿刺细胞病理图像，以训练CNN模型自动分割细胞成分，其识别胰腺癌的灵敏度达94.0%，特异度达94.6%，准确率为94.4%。该AI系统在用其他临床中心的穿刺细胞图像进行的外部数据测试中表现良好，准确率达91.2%～95.8%，与病理医师的水平相当，优于经过训练的内镜医师。近年来的研究发现，行EUS-FNB时由内镜医师进行大体标本现场评估（MOSE）而非ROSE，也能获得满意的诊断效能。2022年Ishikawa等训练了用于MOSE的CNN模型，该模型读取EUS-FNB组织的体式显微镜图像进行样本充分性评估，其评价样本量充足的灵敏度达90.3%，特异度为53.5%，准确率为84.4%，与有经验的内镜医师近似。AI进行实时病理评估，具备可节约病理医师资源、不依赖评价者的经验水平、提供稳定客观的评估结果等优势，有良好的应用价值。

EUS属于侵入性操作，其诊断效能与操作医师的技术水平和临床经验密切相关。EUS检查对医师的操作技术和经验有严格的要求，培训时长和成本极高。2020年武汉大学人民医院的Zhang等建立基于深度学习的胆胰大师系统，用于辅助识别胰腺扫查的6个标准站点。胆胰大师系统由4组深度CNN构成，第1组用于检出EUS图像，第2组筛选出合格的标准站点图像，第3组将图像按站点分类，第4组分割出图像的标志性结构如胰腺、血管等。研究者使用同一家医院44项EUS检查的1 920张图像进行内部测试，采集28份EUS视频进行前瞻性测试，并且使用来自于其他医院的109项检查的768张图像进行外部测试。内部测试、前瞻性测试和外部测试中，系统识别站点的准确率分别为94.2%、86.2%和82.4%；内部测试和外部测试中，系统分割胰腺和血管的DICE系数分别为0.836和0.715。胆胰大师系统表现出与有5年以上EUS检查经验的医师相当的站点识别和标志分割准确率，并能辅助学员识别EUS视频中各个站点和解剖标志，提高学员的准确率。由此可见，利用AI系统有望帮助医师降低EUS培训成本，提高EUS检查质量。

AI用于EUS诊断胰腺疾病，既能提供客观的诊断参考标准，也能辅助提高诊疗效率。但目前的研究基本处于AI模型的建立阶段，真正将AI用于临床还需经过严格的论证和检验。AI的训练和验证需要大量可靠的数据，相较于其他常见检查，胰腺的EUS图像及穿刺病理图像获取更难、总量较少。既有研究大多基于单中心小样本数据，且多聚焦于胰腺导管腺癌、慢性胰腺炎等主要胰腺疾病，缺少神经内分泌瘤、实性假乳头状瘤等罕见疾病的数据，限制了AI的应用范围。不同于CT和MRI可较好地进行标准化采集，EUS的采集和判读受操作人员影响大，不同检查者、不同医疗中心之间差异较大。为解决上述问题，一方面，随着小样本学习技术的进步可用更少的样本量进行高效训练，另一方面，可通过建立多中心、高质量、大样本的数据库，制定采集、标注、存储等步骤的规范化标准，促进数据共享，推动AI应用的发展。

此外，深度学习虽然能够处理更加复杂的分析任务，但其分析过程很难被外部理解，即“黑箱问题”。“黑箱问题”使AI预测结果可解释性降低，人类难以发觉和明确程序出错的原因，故影响其在临床应用中的可接受度。已有部分研究开始探索AI的思维过程，如Marya等的研究采用热图标示，帮助人类了解AI判断的主要依据。提高模型透明度是现今的研究热点，未来将有更多的有效方法出现。揭示AI思维过程既能增进使用者对AI的信任度，又能拓展人类现有的思维方式，从而增加对疾病发生发展的认识。

最后，既有的研究大多以回顾性方式采集数据进行训练和测试，真正的临床应用需要建立成熟的数据采集、传输、处理流程和平台，满足减轻人员负担、提高诊疗效率的要求。实际应用的可行性需要更多高质量前瞻性随机对照试验研究的证实。目前已建立针对AI干预试验方案的指南（SPIRIT-AI extension），旨在增加AI临床试验的规范性和可重复性，有利于评估研究的应用价值。总之，随着技术和规范的发展，AI将成为胰腺疾病诊治不可或缺的技术，推进医学诊疗水平进一步提升。

转自：中华胰腺病杂志