夜雨聆风
一、研究背景
胰腺导管腺癌（PDAC）是全球预后最差的恶性肿瘤之一。全球每年新增胰腺癌病例超过50万，死亡人数超过46.7万，中位总生存期仅约4个月。造成这一困境的核心原因在于早期诊断的极度困难——80%~85%的患者确诊时已处于局部晚期或转移阶段，丧失手术根治机会。相比之下，I期胰腺癌患者的中位生存期可达26个月，早期发现是当前改善预后的最有效手段。
增强CT（特别是门静脉期）是胰腺癌诊断的一线影像学工具。然而，CT图像中早期胰腺癌的征象极为隐匿——微小的局灶性病变、胰管轻微扩张或截断、胰腺实质的细微轮廓改变——在常规阅片中极易被忽视。研究表明，在12%~56%的"漏诊"病例中，回顾性分析可在确诊前3~36个月的CT图像中发现可辨识的癌变征象。不同放射科医生之间的诊断一致性也存在显著差异。
2026年1月，《柳叶刀·肿瘤学》（Lancet Oncology）发表了由荷兰拉德堡德大学医学中心Natalia Alves和Henkjan Huisman领衔的PANORAMA研究。这项国际多中心、配对、非劣效验证性诊断准确性研究，首次在全球范围内系统比较了AI系统与68名放射科医生在常规增强CT上检测胰腺癌的表现，为AI辅助胰腺癌早期筛查提供了迄今最高级别的循证证据。
二、研究创新点
PANORAMA研究的创新性体现在四个层面。第一，规模与设计的前瞻性。该研究并非小样本回顾性探索，而是在研究启动前即预注册了完整的统计方案（包括非劣效界值0.05和非劣效后序贯优效性检验），涵盖来自荷兰、瑞典、挪威和美国5个三级医疗中心的3440例患者数据。第二，全球首个公开AI基准测试与大规模放射科医生阅片研究的结合。研究在建立开源AI基准测试平台的同时，组织了来自12个国家40个中心的68名放射科医生（中位经验9年）参与的多人多病例阅片研究，实现了AI与人类专家的大规模、标准化比较。第三，金标准的严格定义。所有阴性病例均需组织病理学确认或至少3年的临床随访以确保未漏诊，排除了"假阴性验证"的偏倚风险。第四，全流程开源透明。研究团队公开了算法代码、模型权重和评估框架，为全球研究者提供了可复现、可验证的基准平台。
三、技术原理
PANORAMA的AI系统基于nnU-Net v2框架构建，采用两阶段级联检测策略。
第一阶段：胰腺区域定位。 在低分辨率（4.5×4.5×9.0mm间距）增强CT图像上，使用nnU-Net对胰腺实质、胰管和病变区域进行联合分割。通过Dice损失函数训练，模型自动生成胰腺感兴趣区域（ROI），并以100×50×15mm的解剖安全边距进行裁剪，确保不遗漏胰周区域的微小病变。
第二阶段：高分辨率病变检测。 在第一阶段确定的胰腺ROI内，使用高分辨率nnU-Net对PDAC进行精确检测和分割。该阶段采用交叉熵损失函数（相较于Dice损失，更适用于目标检测任务），以原始图像分辨率进行推理。通过5折交叉验证集成各折叠模型的softmax概率输出，获得最终的患者级别PDAC可能性评分。
数据与训练策略。 训练集包含2224例患者（来自荷兰和美国4个中心），微调集86例；外部验证集1130例来自荷兰、瑞典和挪威的5个独立中心。为保证数据分布的代表性，研究采用基于病变大小四分位数的分层交叉验证策略，确保各训练折叠中PDAC与非PDAC比例及病变大小分布均衡。
四、实验结果
PANORAMA研究的结果以三重证据链方式呈现。
外部验证集表现。 在包含406例组织病理学确诊PDAC的1130例独立测试集中，AI系统实现了AUROC 0.92（95% CI 0.90~0.93），展现出优异的泛化能力。
与放射科医生的直接比较。 在391例（144例PDAC，247例对照）的多人多病例阅片研究中，AI系统的AUROC为0.92（95% CI 0.89~0.94），68名放射科医生的合并AUROC为0.88（95% CI 0.85~0.91）。预设的非劣效性检验达到极显著水平（p<0.0001），序贯优效性检验同样显著（p=0.001）。
临床效用的量化。 在匹配特异度的条件下，AI比放射科医生多检出38%的胰腺癌病例；在匹配灵敏度的条件下，AI减少了26%的假阳性。AI在独立测试集中的灵敏度为85.7%，特异度为83.5%。更重要的是，AI在检测可切除（I~II期）胰腺癌方面同样表现出明显优势，提示其在早期发现中的独特价值。
五、技术优势
PANORAMA AI系统具备多项区别于既往研究的优势。
标准化与可复现性。 基于nnU-Net框架的全自动流程消除了手动调参带来的主观性。系统无需人工标注ROI或设定阈值，从原始DICOM图像输入到输出PDAC可能性评分和病灶定位热力图，全程自动化，处理时间仅需数分钟。
超越人类视觉极限的能力。 胰头/胰体尾部与周围血管、肠道的复杂解剖关系使得微小病灶极易被忽略。AI通过分析CT图像中的纹理、密度梯度及轮廓微变化，捕捉到人眼不可见的细微异常模式，这可能解释了其在匹配特异度下多检出38%癌症的能力。
真实世界的适用性。 全球约40%~52%的腹部CT扫描在门静脉期获取，PANORAMA AI恰好针对这一最常见扫描类型设计，意味着其可在不改变现有临床工作流程的前提下嵌入放射科诊断链路，对非胰腺适应证的CT检查实施"机会性筛查"。
大规模基准测试的严谨性。 68名放射科医生来自12个国家40个中心，覆盖了不同培训体系、不同经验层次和专业亚方向，其结果较好地代表了真实世界中放射科诊断水平的分布。
六、应用前景
PANORAMA研究为AI辅助胰腺癌"机会性筛查"的临床落地奠定了循证基础。
机会性筛查：重新定义CT检查的价值。 大量患者因腹痛、胆石症、泌尿系结石等非胰腺适应证接受腹部增强CT，这些扫描中隐藏着早期胰腺癌的蛛丝马迹。部署PANORAMA AI作为"第二阅片者"，可在不增加辐射暴露、不增加检查时间和成本的前提下，自动标记可疑病例，实现从"被动报告"到"主动筛查"的模式转变。
分级诊疗场景下的决策支持。 在放射科医生资源匮乏的基层或地区医院，AI可作为一线筛查工具，将高风险病例自动分流至上级医院进一步评估，缩小地区间诊断水平的差距。
多模态整合的潜力。 未来可将CT影像AI与循环肿瘤DNA（ctDNA）、CA19-9等血清生物标志物整合，构建多维度的胰腺癌早期筛查体系。结合液体活检的高特异度和影像AI的高灵敏度，有望大幅提高早期胰腺癌的检出率。
七、研究局限性与未来方向
尽管结果令人振奋，PANORAMA研究仍有若干局限性需正视。
回顾性设计的固有局限。 该研究基于历史病例的回顾性分析，而非前瞻性实时临床决策。放射科医生在研究中缺乏临床信息（如症状、实验室检查结果），这与真实场景存在差异。前瞻性随机对照试验是验证AI对患者总生存期（OS）影响的必要下一步。
地域和设备的限制。 数据主要来自欧洲三级医疗中心，CT设备和扫描协议的多样性有限。在其他地区（尤其是亚洲人群）、不同CT制造商和不同扫描参数下的泛化性能尚需验证。
仅针对PDAC单一癌种。 该模型专注于胰腺导管腺癌，未涵盖胰腺神经内分泌肿瘤等其他类型，且依赖于增强CT的门静脉期图像，对平扫CT的适用性有限。
临床转化的关键门槛。 从研究到临床部署需要跨越多重障碍——获得医疗器械监管批准（如FDA、CE或NMPA认证）、与医院PACS/RIS系统的深度集成、以及医保支付政策的支持。同时需建立持续的性能监测和质量控制机制，防止模型在实际使用中的性能漂移。
未来方向。 前瞻性多中心随机对照试验（RCT）是验证AI能否真正改善患者预后的金标准。此外，将AI检测能力前移至平扫CT（无需造影剂），将极大拓展筛查人群覆盖面。多模态融合（CT+液体活检+临床风险评分）的综合筛查策略也值得深入探索。
八、结论
PANORAMA研究以严格的国际多中心设计和大规模放射科医生对照，首次证实AI在常规增强CT上检测胰腺癌的诊断准确率显著优于人类放射科医生平均水平（AUROC 0.92 vs 0.88，p=0.001）。在匹配特异度下，AI可多检出38%的胰腺癌，同时减少26%的假阳性。
这一结果不仅为AI辅助胰腺癌机会性筛查提供了强有力的循证依据，也为其他"沉默杀手"（如卵巢癌、肾癌）的AI影像筛查研究提供了方法论范本。在胰腺癌这一"诊断即判决"的领域，AI带来的不只是效率提升，而是让更多患者获得手术根治机会的希望。下一步，前瞻性临床试验将最终回答这个关键问题：AI辅助诊断的获益能否真正转化为患者生存期的延长。
参考文献
1. Alves N, Schuurmans M, Rutkowski D, et al.; PANORAMA consortium. Artificial intelligence and radiologists in pancreatic cancer detection using standard of care CT scans (PANORAMA): an international, paired, non-inferiority, confirmatory, observational study. Lancet Oncol. 2026;27(1):116-124. DOI: 10.1016/S1470-2045(25)00567-4. PMID: 41275871.
2. Bray F, Laversanne M, Sung H, et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin. 2024;74(3):229-263.
3. Singh AD, Koay EJ, Chari ST, Maitra A. Early detection of pancreatic cancer: opportunities and challenges. Gastroenterology. 2020;158(5):1300-1312.
4. Luyer MDP. Artificial intelligence in pancreatic cancer detection: from premise to practice. Lancet Oncol. 2026;27(1):8-9.
5. Isensee F, Jaeger PF, Kohl SAA, Petersen J, Maier-Hein KH. nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation. Nat Methods. 2021;18(2):203-211.