用多模态深度学习评估胰腺癌可切除性：从影像判断走向自动化辅助决策

导语

胰腺导管腺癌（PDAC）的治疗决策高度依赖术前分期，其中“能否切除”是影响手术、辅助治疗和综合治疗路径的核心问题。临床上，医生通常需要在增强 CT 中判断肿瘤与胰周主要血管之间的关系，但这类判断本身具有较强专业性，不同专家之间也可能出现明显差异。

arXiv 上一篇题为《Multimodal Assessment of Pancreatic Cancer Resectability Using Deep Learning》的论文，尝试用全自动多模态深度学习框架来辅助这一判断。研究目标不是简单识别肿瘤是否存在，而是将患者划分到 NCCN 指南中的三类可切除性：可直接切除、交界可切除和局部进展期。

核心要点

• 输入不只依赖影像：模型同时利用三维增强 CT 和结构化临床信息。临床部分来自 17 项常规采集变量，并被编码成紧凑的临床嵌入。
• 强调解剖结构理解：框架采用 Swin-UNETR 作为骨干网络，通过辅助分割胰腺、肿瘤和血管结构，让影像特征更贴近临床判断所需的解剖关系。
• 任务设计兼顾分割与分类：模型最终要输出可切除性类别，但训练过程中并未把分割当作孤立任务，而是用它来引导网络学习具有解剖意识的表示。
• 动态多任务目标：论文提出根据当前肿瘤 Dice 表现动态调整分割与分类之间的训练权重，避免模型只偏向某一目标，从而提升表征的判别性与医学相关性。

意义与影响

这项工作的看点在于，它把影像 AI 从单一分类推进到更接近临床流程的综合判断：既要“看见”胰腺、肿瘤和血管，也要结合患者的结构化信息来作出分层判断。对于胰腺癌这类治疗窗口紧、影像判读难度高的疾病，自动化工具如果能提供稳定、可复核的辅助意见，可能有助于多学科会诊中的一致性。

不过，素材中并未给出具体性能指标、外部验证结果或临床部署情况，因此仍应把它视为研究阶段的方法探索。未来真正进入临床，还需要在多中心数据、不同扫描协议和真实诊疗流程中验证其可靠性与泛化能力。

来源：arXiv