人工智能在胰腺囊性病变影像领域应用进展

邓文祎 谢飞扬 薛华丹

摘要：胰腺囊性病变（PCL）的检出率逐年升高，人工智能（AI）技术在PCL影像检查工作流程中的应用研究取得了突破性进展，包括图像后处理、病灶检出、分割、鉴别和诊断。基于AI的图像后处理技术能够优化医学影像图像质量，AI辅助的病灶检出、分割、鉴别和诊断模型可显著提升医生工作效率。本文对目前AI在PCL影像领域的应用进展进行综述，并对今后的研究方向做出展望。

关键词：胰腺囊性病变；人工智能；图像后处理；检出；分割；诊断；鉴别诊断

中图分类号： R735；R-1文献标识码： A文章编号：1000-503X（2024）02-0275-06

DOI：10.3881/j.issn.1000-503X.15633

Applications of Artificial Intelligence in Pancreatic Cystic Lesion Imaging

DENG Wenyi，XIE Feiyang，XUE Huadan

Department of Radiology，PUMC Hospital，Translational Medical Center，CAMS and PUMC，Beijing 100730，China

Corresponding author：XUE Huadan Tel：13146115223，E-mail：bjdanna95@163.com

ABSTRACT：As the detection rate of pancreatic cystic lesions（PCL）increases，artificial intelligence（AI）has made breakthroughs in the imaging workflow of PCL，including image post-processing，lesion detection，segmentation，diagnosis and differential diagnosis.AI-based image post-processing can optimize the quality of medical images and AI-assisted models for lesion detection，segmentation，diagnosis and differential diagnosis significantly enhance the work efficiency of radiologists.This article reviews the application progress of AI in PCL imaging and provides prospects for future research directions.

Key words：pancreatic cystic lesions；artificial intelligence；image post-processing；detection；segmentation；diagnosis；differential diagnosis

Acta Acad Med Sin，2024，46（2）：275-280

隨着医学成像技术的不断进步和影像检查数量的增加，偶发胰腺囊性病变（pancreatic cystic lesions，PCL）逐年增加，2018年一项基于人群的流行病学研究表明磁共振胆胰管成像（magnetic resonance cholangiopancreaticography，MRCP）发现的PCL患病率高达49.1%^［1］。

人工智能（artificial intelligence，AI）通过计算机系统模拟人类的认识规律和学习过程，从而达到自动学习特定知识和技能的目的^［2］。机器学习（machine learning，ML）是AI的一个分支，通过经专家定义和标注的特征来执行任务，常见的ML模型包括支持向量机、随机森林和神经网络等^［2-4］。神经网络包含更多的参数和更大的运算量，是传统基于统计理论的ML方法过渡到深度学习（deep learning，DL）的重要节点。DL是ML领域新发展的先进技术，是包含多个隐藏层的多层神经网络，不需要经专家定义和标注的特征即可执行任务，避免了特征测量产生的误差和主观偏倚，但具有运算量巨大和过拟合等缺点^［5］。卷积神经网络（convolutional neural networks，CNN）是目前医学影像领域广为使用的DL算法，其结构主要包括卷积层、池化层和全连接层，其中卷积层实现特征提取和参数共享，池化层进一步缩小数据处理量和参数量，全连接层整合提取到的特征并最终输出分类或回归等结果，可在一定程度上解决早期DL运算量巨大和过拟合等问题^［5-6］。目前残差神经网络、U型网络（U-network，U-Net）、密集连接网络等常见高性能DL模型都是以CNN为基础。影像组学也是AI的一个分支，可以挖掘图像中大量预定义的定量特征，包括形状、强度和纹理等，常与ML相结合建立诊断或鉴别诊断模型，近来开始与DL相结合，从示例图像中自动学习特征^［2，7］。

随着现代医学成像设备的发展与数字化的患者图像管理，AI在医学影像领域的应用取得了突破性的进展，可用于图像采集、重建和分析（包括病灶检出、分割、诊断、鉴别诊断等）^［8-14］。基于AI的图像采集和重建具有速度快、所获图像质量优等特点，AI有望逐步取代传统图像采集和重建工作。人工阅片给医生带来繁重负担，且对医生经验依赖性高，AI辅助的图像分析不仅能够显著提升医生阅片效率，还能够提取更为客观的定量特征，识别人肉眼难以观察到的像素改变^［12］。

现有综述主要关注AI在医学影像和胰腺影像等专业领域的总体应用进展或仅关注PCL的良恶性诊断，而本文从PCL的影像检查流程角度出发，总结AI在图像后处理、病灶检出、分割、鉴别和诊断方面的应用进展、所使用模型和应用效果，以推动AI更好地为PCL患者服务^{［2-3，5，7，15-16］}。

1 AI在PCL影像领域的应用

1.1 图像后处理

AI辅助的图像后处理软件已发展成规模并实现了商品化。MRCP能显示胰管走行，常用于评估PCL与胰管的连通关系^［17］。然而，胰管在不扩张的情况下非常纤细，为清晰显示病灶与胰管是否相通，临床对MRCP图像质量要求较高。传统并行成像获得的MRCP图像采集时间长，导致检查效率低且患者体验差，压缩感知技术虽然能显著缩短采集时间，但是图像信噪比较低，难以清晰显示PCL与胰管间的关系^［18］。Matsuyama等^［9］分析了32例导管内乳头状黏液瘤（intraductal papillary mucinous neoplasms，IPMN）患者的常规并行成像呼吸门控三维MRCP、结合并行成像的压缩感知屏气三维MRCP、Fast 3Dm三维MRCP伴或不伴DL重建的图像采集时间和图像质量，发现DL重建的MRCP图像信噪比、对比度噪声比和主观图像质量评分均显著提高，对IPMN的分型能力也提高。通过DL重建处理的结合并行成像的压缩感知屏气三维MRCP和Fast 3Dm三维MRCP能够在缩短图像采集时间的同时保障良好的图像质量，有望替代传统并行成像技术。

高分辨率CT可提供PCL结构细节特征，以帮助诊断和鉴别诊断^［17］。Noda等^［19］比较了胰腺条件下双能CT混合迭代重建图像和DL重建图像的图像质量，发现DL重建图像的诊断可接受度、信噪比、对比度噪声比明显更高，背景噪声明显更小，解剖结构的CT值变异更小，可为后续纹理分析等AI研究提供可靠的输入图像数据。

1.2 病灶检出

PCL存在恶性风险，准确及时的病灶检出对后续患者治疗方案制定至关重要。Si等^［20］基于284例病变胰腺和35例正常胰腺CT图像，训练完全端到端的DL模型（包含U-Net模型以分割胰腺，残差神经网络模型以定位胰腺、检出病灶）来检出4种常见胰腺囊、实性病变，在测试集上模型正确检出的病灶数占全部样本的比例达82.7%，且模型正确检出了全部IPMN病灶，但值得注意的是可能由于训练集中正常样本较少，对于正常胰腺该模型检出假阳性较高。Park等^［10］基于503例病变胰腺和349例正常胰腺CT图像，建立改良三维nnU-Net模型检出7种常见胰腺囊、实性病变，当模型输出的病灶轮廓与医生勾画的病灶轮廓有重叠，即骰子相似系数（dice similarity coefficient，DSC）大于零时，定义为真阳性结果，模型正确检出的病灶数占全部病灶数的比例在内部测试集为86.2%，在外部测试集为82.9%。对于直径大于或等于1cm的PCL，模型的检出灵敏度与影像科医生相当（P＞0.05），模型的检出灵敏度在内部测试集为92.9%，在外部测试集为91.9%，影像科医生的平均检出灵敏度在内部测试集为95.5%，在外部测试集为95.9%。相比Si等^［20］的研究，Park等^［10］提出的模型结果可解释性更高，覆盖病种更全面，训练集队列正常胰腺比例更大，更符合临床实际，但是在训练过程中需要医生手动勾画病灶轮廓，且对于＜1 cm的小PCL，模型正确检出的病灶比例显著下降，有研究显示超过50%的PCL患者存在小囊，且小囊患者比例逐年增长，因此对小囊的检出是必要且有待提高的^［21-22］。图像输入前进行放大处理、建立关注图像局部特征的模型可能有助于对小目标的检出^［11］。

1.3 胰腺及病灶分割

组学研究和一些DL算法的实施都依赖于病灶的准确分割，然而PCL形态、大小变异大，内部成分复杂，且可位于胰腺的任何位置，因此PCL的准确分割尤其困难^［11］。与前述病灶检出仅要求模型分割结果同医生勾画的标准图像相比，轮廓有重叠即为检出成功不同，病灶分割要求模型分割结果与医生勾画的标准图像轮廓尽量贴合^［10］。

胰腺是定位PCL的良好参照靶点，Xie等^［11］提出了分层分割的思路，首先分割胰腺，再分割PCL，以避免胰腺外组织或病灶被误分割为PCL。然而，胰腺的准确分割同样困难：（1）胰腺形态、大小、位置多变，胰周脂肪组织的减少、缺失、密度增高等变异可造成胰腺与周围组织分界不清；（2）胰腺体积小，仅占二维腹部CT图像的1%到1.5%^{［10，20，23-24］}。CNN常被用于形态多变且边缘模糊的腹部器官分割，Roth等^［23］建立基于CNN的多尺度深度卷积网络，在CT图像上自动分割胰腺，DSC为71.8%。Xie等^［11］利用分层递归显著转换网络在CT图像上首先进行胰腺分割，该网络在每一次分割中将分割概率图转换为空间权重，并迭代入下一次分割，获得了更准确的分割结果，DSC达83.81%。门脉期图像有助于识别胰腺周围结构，因此大多數研究都关注基于门脉期图像的胰腺分割，但是动脉期图像也值得关注，动脉期图像有助于区分低或无强化的病灶和高强化的胰腺实质，动脉期、门脉期图像在PCL的临床诊断中缺一不可^{［11，23］}。Qu等^［25］基于渐进融合网络建立配准融合动脉期、门脉期多期相CT图像信息的胰腺分割模型，同时关注全局图像和局部细节多尺度特征，在冠状面、矢状面、横断面进行胰腺的多视角分割，DSC进一步提高到91.19%。磁共振成像（magnetic resonance imaging，MRI）具有软组织分辨率高、对PCL的检出及分隔、壁结节、病灶与胰管关系的识别高度敏感、无辐射等优势，但是MRI灰度分辨率低，成像慢，且受周围环境影响大，易产生伪影，基于MRI的胰腺和病灶分割比CT更困难^［24］。Asaturyan等^［24］首先对胰腺区域执行最大流动的分割和最小切割（粗分割），再结合几何描述精细边缘的精细分割算法在MRI上进行胰腺分割（细分割），DSC在1.5T MRI上达79.6%，在3.0T MRI上达81.6%。

Xie等^［11］在通过分层递归显著转换网络完成胰腺分割后，继续进行PCL的分割，DSC为68.98%。美国胃肠病学会指南推荐在PCL的管理中使用超声内镜作为CT和MRI的补充，超声内镜有助于发现囊内分隔、壁结节和实性成分，引导细针抽吸活检^［26］。Oh等^［27］提出注意力U-Net算法在超声内镜图像上进行PCL分割，在内部测试集上DSC达79.4%，但在外部测试集上仅为69.1%。超声图像受分辨率、探测频率和探测深度的影响较大，且高度依赖操作者和成像设备，使超声图像间的差异较大，基于超声内镜图像建立的PCL分割模型稳定性较差，需要进一步研究更具普适性的分割算法。

1.4 良恶性诊断

PCL的生物学行为从良性到恶性不等，良性、恶性病变的影像特征重叠，基于病灶宏观影像特征的常规影像手段诊断良恶性受到限制。临床处理PCL的一个关键点在于准确识别少数高级别异型增生、浸润性癌和恶性的病灶，如IPMN是具有恶性潜能的PCL，针对IPMN开发了大量AI辅助良恶性诊断模型，帮助恶性患者及早干预以提升预后，避免良性患者过度治疗，在训练集上模型的接收者操作特征曲线下面积（area under the curve，AUC）为0.783～0.980，显示出AI辅助IPMN良恶性诊断的广阔应用前景^［28-32］。诊断AUC的差异可能源于成像模式不同、训练样本量不同和模型结构不同，而且由于样本量的限制，许多研究没有独立的测试集，难以评估模型的稳定性和普适性^{［29，31-32］}。Schulz等^［33］利用数据增强技术扩充训练集图像，通过迁移学习技术在公开数据集ImageNet上预训练模型，在仅43例IPMN的小样本上，基于患者超声内镜图像建立DL模型，在独立测试集上模型正确诊断的病灶数占全部病灶数的比例高达99.6%。另一种解决小样本建模困难的方法是联邦学习，多中心建模能显著增加样本量，但传统的多中心建模需要各中心数据集中输入模型，数据安全和患者隐私等问题限制其实施，而联邦学习的建模过程发生在各参与中心，通过在中心间传递并迭代模型参数来实现多中心建模，有效避免患者数据在中心间的流动，即能满足建模样本量需求，又能保护数据安全，从而被引入临床研究领域，目前联邦学习在新型冠状病毒感染、乳腺癌等热门医疗领域的应用已有报道^［34-36］。

PCL的疾病谱广泛，包括IPMN、黏液性囊腺瘤、浆液性囊腺瘤等多种类型，不同类型的PCL临床和影像特征有重叠，难以进行准确的术前分类，将术前良恶性诊断模型限制在特定PCL类型的研究是不全面的^［17］。Springer等^［37］基于患者的临床特征、影像特征、囊液成分和基因组学信息建立综合模型，将PCL分为恶性的手术组、交界性的随访组和良性的无需处理组，在测试集上模型正确分类的病灶数占全部病灶数的比例为69%。Wang等^［12］基于动脉、静脉双期CT图像建立三维密集连接网络模型诊断PCL良恶性，在内部测试集上AUC为0.933，在外部测试集上AUC为0.911。

大多数研究直接进行PCL的良恶性分类，而较少关注分隔、钙化、壁结节和实性成分等结节的内部特征。影像科医生很大程度上通过结节内部特征判断良恶性，而通过AI方法对结节的内部特征进行分析，增强了模型可解释性功能，可推动AI从科研转向临床应用。有研究利用DL方法分析乳腺钼靶图像上病灶及其内微钙化来诊断良恶性^［38］，分割甲状腺超声图像中结节及其内囊、实性成分^［39］，显示出AI辅助PCL内部特征分析的潜在价值。

1.5 鉴别诊断

不同PCL的临床处理方案不同，如浆液性囊腺瘤患者仅在有症状时推荐手术，囊变神经内分泌肿瘤大于2 cm时就推荐手术，而2012年仙台指南推荐切除所有能够手术的黏液性囊腺瘤，因此，PCL的鉴别诊断能够帮助临床实现疾病的个性化处理，同样具有重要临床意义^［40］。基于AI方法鉴别有恶性潜能的黏液性肿瘤和没有恶性潜能的浆液性肿瘤的模型很多，在训练集上AUC为0.730～0.994^［41-43］。Dmitriev等^［14］利用随机森林提取患者临床特征和宏观CT影像特征，通过CNN提取CT纹理参数，采用其贝叶斯组合建立模型，区分常见的4种PCL：IPMN、粘液性囊腺瘤、浆液性囊腺瘤和囊变实性假乳头状瘤，在交叉验证集上模型正确分类的病灶数占全部病灶数的比例高達83.6%，在测试集上高达91.7%^［13］。现有AI模型的“黑箱”性质导致临床医生在一定程度上对AI辅助临床工作不信任，限制了AI在临床中的推广应用。Dmitriev等^［13］使用条件概率空间分析可视化随机森林分类4种PCL的过程，也使用注意力图可视化CNN分类4种PCL的过程，并将CNN可视化的注意力图与通过视觉追踪技术得到的医生的注意力图相比较，得到一个可解释的AI模型。Li等^［44］利用密集连接卷积网络建立不需预先分割病灶的无监督模型，区分4种常见PCL，进一步简化工作流程，在交叉验证集上模型正确分类的病灶数占全部病灶数的比例为72.8%。Chu等^［45］进一步将鉴别诊断病种拓宽至更少见的囊变神经内分泌肿瘤，利用基于CT组学特征的随机森林模型区分5种PCL，在交叉验证集上模型正确分类的病灶数占全部病灶数的比例高达94.4%。

2 总结及展望

AI在PCL影像检查工作流程中的应用研究取得了突破性进展，基于AI的图像后处理技术能够优化医学影像图像质量，清晰显示病灶细节特征，AI辅助的病灶检出灵敏度与影像科医生相当，AI辅助的胰腺及病灶分割为组学研究和DL算法的实施提供了输入准确的感兴趣区，AI辅助的PCL良恶性诊断不仅可帮助恶性患者及早干预，还可避免良性患者过度治疗，AI辅助的PCL鉴别诊断可精准区分不同类型的PCL，从而帮助临床实现疾病的个性化管理。

随着医学图像质量的提升和计算机技术的进步，基于MRI或超声内镜的AI模型研究逐渐兴起，数据增强和迁移学习等新技术的应用弥补了样本量的限制，联邦学习等新技术的发展打破多中心间的数据壁垒，AI模型可视化技术的实施增强了模型可解释性。AI在PCL影像领域的应用正朝着成像模式更丰富、纳入样本更充足、可解释性更完善的方向发展。

利益冲突 所有作者声明无利益冲突

作者贡献声明 邓文祎：研究思路的提出，文献检索及文章撰写；邓文祎、谢飞扬：文献筛选，资料的提取与整理；薛华丹：论文的修订、质量控制及審查，并同意对研究工作诚信负责

参 考 文 献

［1］Kromrey ML，Bülow R，Hübner J，et al.Prospective study on the incidence，prevalence and 5-year pancreatic-related mortality of pancreatic cysts in a population-based study［J］.Gut，2018，67（1）：138-145.DOI：10.1136/gutjnl-2016-313127.

［2］Hosny A，Parmar C，Quackenbush J，et al.Artificial intelligence in radiology［J］.Nat Rev Cancer，2018，18（8）：500-510.DOI：10.1038/s41568-018-0016-5.

［3］Wong SH，Al-Hasani H，Alam Z，et al.Artificial intelligence in radiology：how will we be affected［J］.Eur Radiol，2019，29（1）：141-143.DOI：10.1007/s00330-018-5644-3.

［4］Kuwahara T，Hara K，Mizuno N，et al.Current status of artificial intelligence analysis for endoscopic ultrasonography［J］.Dig Endosc，2021，33（2）：298-305.DOI：10.1111/den.13880.

［5］Soffer S，Ben-Cohen A，Shimon O，et al.Convolutional neural networks for radiologic images：a radiologists guide［J］.Radiology，2019，290（3）：590-606.DOI：10.1148/radiol.2018180547.

［6］Litjens G，Kooi T，Bejnordi BE，et al.A survey on deep learning in medical image analysis［J］.Med Image Anal，2017，42：60-88.DOI：10.1016/j.media.2017.07.005.

［7］Dalal V，Carmicheal J，Dhaliwal A，et al.Radiomics in stratification of pancreatic cystic lesions：machine learning in action［J］.Cancer Lett，2020，469：228-237.DOI：10.1016/j.canlet.2019.10.023.

［8］Johnson PM，Drangova M.Conditional generative adversarial network for 3D rigid-body motion correction in MRI［J］.Magn Reson Med，2019，82（3）：901-910.DOI：10.1002/mrm.27772.

［9］Matsuyama T，Ohno Y，Yamamoto K，et al.Comparison of utility of deep learning reconstruction on 3D MRCPs obtained with three different k-space data acquisitions in patients with IPMN［J］.Eur Radiol，2022，32（10）：6658-6667.DOI：10.1007/s00330-022-08877-2.

［10］Park HJ，Shin K，You MW，et al.Deep learning-based detection of solid and cystic pancreatic neoplasms at contrast-enhanced CT［J］.Radiology，2023，306（1）：140-149.DOI：10.1148/radiol.220171.

［11］Xie LX，Yu QH，Zhou YY，et al.Recurrent saliency transformation network for tiny target segmentation in abdominal CT scans［J］.IEEE Trans Med Imaging，2020，39（2）：514-525.DOI：10.1109/TMI.2019.2930679.

［12］Wang XH，Sun ZY，Xue HD，et al.A deep learning algorithm to improve readers interpretation and speed of pancreatic cystic lesions on dual-phase enhanced CT［J］.Abdom Radiol（NY），2022，47（6）：2135-2147.DOI：10.1007/s00261-022-03479-4.

［13］Dmitriev K，Marino J，Baker K，et al.Visual analytics of a computer-aided diagnosis system for pancreatic lesions［J］.IEEE Trans Vis Comput Graph，2021，27（3）：2174-2185.DOI：10.1109/TVCG.2019.2947037.

［14］Dmitriev K，Kaufman AE，Javed AA，et al.Classification of pancreatic cysts in computed tomography images using a random forest and convolutional neural network ensemble［J］.Med Image Comput Comput Assist Interv，2017，10435：150-158.DOI：10.1007/978-3-319-66179-7_18.

［15］Gorris M，Hoogenboom SA，Wallace MB，et al.Artificial intelligence for the management of pancreatic diseases［J］.Dig Endosc，2021，33（2）：231-241.DOI：10.1111/den.13875.

［16］Stark A，Donahue TR，Reber HA，et al.Pancreatic cyst disease：a review［J］.JAMA，2016，315（17）：1882-1893.DOI：10.1001/jama.2016.4690.

［17］Scheiman JM，Hwang JH，Moayyedi P.American gastroenterological association technical review on the diagnosis and management of asymptomatic neoplastic pancreatic cysts［J］.Gastroenterology，2015，148（4）：824-848.e22.DOI：10.1053/j.gastro.2015.01.014.

［18］Chen ZY，Xue YJ，Wu YX，et al.Feasibility of 3D breath-hold MR cholangiopancreatography with a spatially selective radiofrequency excitation pulse：prospective comparison with parallel imaging technique and compressed sensing method［J］.Acad Radiol，2022，29（12）：e289-e295.DOI：10.1016/j.acra.2022.03.006.

［19］Noda Y，Kawai N，Nagata S，et al.Deep learning image reconstruction algorithm for pancreatic protocol dual-energy computed tomography：image quality and quantification of iodine concentration［J］.Eur Radiol，2022，32（1）：384-394.DOI：10.1007/s00330-021-08121-3.

［20］Si K，Xue Y，Yu XZ，et al.Fully end-to-end deep-learning-based diagnosis of pancreatic tumors［J］.Theranostics，2021，11（4）：1982-1990.DOI：10.7150/thno.52508.

［21］Kapoor N，Lacson R，Eskian M，et al.Variation in radiologists follow-up imaging recommendations for small cystic pancreatic lesions［J］.J Am Coll Radiol，2021，18（10）：1405-1414.DOI：10.1016/j.jacr.2021.06.007.

［22］Gaujoux S，Brennan MF，Gonen M，et al.Cystic lesions of the pancreas：changes in the presentation and management of 1，424 patients at a single institution over a 15-year time period［J］.J Am Coll Surg，2011，212（4）：590-600，600-603.DOI：10.1016/j.jamcollsurg.2011.01.016.

［23］Roth HR，Lu L，Farag A，et al.DeepOrgan：multi-level deep convolutional networks for automated pancreas segmentation［C］.Switzerland：Springer International Publishing，2015，9349：556-564.DOI：10.1007/978-3-319-24553-9_68.

［24］Asaturyan H，Gligorievski A，Villarini B.Morphological and multi-level geometrical descriptor analysis in CT and MRI volumes for automatic pancreas segmentation［J］.Comput Med Imaging Graph，2019，75：1-13.DOI：10.1016/j.compmedimag.2019.04.004.

［25］Qu TP，Wang XH，Fang CW，et al.M³Net：a multi-scale multi-view framework for multi-phase pancreas segmentation based on cross-phase non-local attention［J］.Med Image Anal，2022，75：102232.DOI：10.1016/j.media.2021.102232.

［26］Elta GH，Enestvedt BK，Sauer BG，et al.ACG clinical guideline：diagnosis and management of pancreatic cysts［J］.Am J Gastroenterol，2018，113（4）：464-479.DOI：10.1038/ajg.2018.14.

［27］Oh S，Kim YJ，Park YT，et al.Automatic pancreatic cyst lesion segmentation on EUS images using a deep-learning approach［J］.Sensors（Basel），2021，22（1）：245-259.DOI：10.3390/s22010245.

［28］Vege SS，Ziring B，Jain R，et al.American gastroenterological association institute guideline on the diagnosis and management of asymptomatic neoplastic pancreatic cysts［J］.Gastroenterology，2015，148（4）：819-822，quize12-13.DOI：10.1053/j.gastro.2015.01.015.

［29］Polk SL，Choi JW，McGettigan MJ，et al.Multiphase computed tomography radiomics of pancreatic intraductal papillary mucinous neoplasms to predict malignancy［J］.World J Gastroenterol，2020，26（24）：3458-3471.DOI：10.3748/wjg.v26.i24.3458.

［30］Cui SJ，Tang TY，Su QM，et al.Radiomic nomogram based on MRI to predict grade of branching type intraductal papillary mucinous neoplasms of the pancreas：a multicenter study［J］.Cancer Imaging，2021，21（1）：26-38.DOI：10.1186/s40644-021-00395-6.

［31］Corral JE，Hussein S，Kandel P，et al.Deep learning to classify intraductal papillary mucinous neoplasms using magnetic resonance imaging［J］.Pancreas，2019，48（6）：805-810.DOI：10.1097/MPA.0000000000001327.

［32］Kuwahara T，Hara K，Mizuno N，et al.Usefulness of deep learning analysis for the diagnosis of malignancy in intraductal papillary mucinous neoplasms of the pancreas［J］.Clin Transl Gastroenterol，2019，10（5）：1-8.DOI：10.14309/ctg.0000000000000045.

［33］Schulz D，Heilmaier M，Phillip V，et al.Accurate prediction of histological grading of intraductal papillary mucinous neoplasia using deep learning［J］.Endoscopy，2023，55（5）：415-422.DOI：10.1055/a-1971-1274.

［34］Rieke N，Hancox J，Li WQ，et al.The future of digital health with federated learning［J］.NPJ Digit Med，2020，3：119-125.DOI：10.1038/s41746-020-00323-1.

［35］Peng L，Luo GX，Walker A，et al.Evaluation of federated learning variations for COVID-19 diagnosis using chest radiographs from 42 US and European hospitals［J］.J Am Med Inform Assoc，2022，30（1）：54-63.DOI：10.1093/jamia/ocac188.

［36］Jiménez-Sánchez A，Tardy M，González Ballester MA，et al.Memory-aware curriculum federated learning for breast cancer classification［J］.Comput Methods Programs Biomed，2023，229：107318.DOI：10.1016/j.cmpb.2022.107318.

［37］Springer S，Masica DL，Dal Molin M，et al.A multimodality test to guide the management of patients with a pancreatic cyst［J］.Sci Transl Med，2019，11（501）：eaav4772.DOI：10.1126/scitranslmed.aav4772.

［38］Carneiro G，Nascimento J，Bradley AP.Automated analysis of unregistered multi-view mammograms with deep learning［J］.IEEE Trans Med Imaging，2017，36（11）：2355-2365.DOI：10.1109/TMI.2017.2751523.

［39］Kumar V，Webb J，Gregory A，et al.Automated segmentation of thyroid nodule，gland，and cystic components from ultrasound images using deep learning［J］.IEEE Access，2020，8：63482-63496.DOI：10.1109/access.2020.2982390.

［40］Tanaka M，Fernández-del Castillo C，Adsay V，et al.International consensus guidelines 2012 for the management of IPMN and MCN of the pancreas［J］.Pancreatology，2012，12（3）：183-197.DOI：10.1016/j.pan.2012.04.004.

［41］Awe AM，Vanden Heuvel MM，Yuan TY，et al.Machine learning principles applied to CT radiomics to predict mucinous pancreatic cysts［J］.Abdom Radiol（NY），2022，47（1）：221-231.DOI：10.1007/s00261-021-03289-0.

［42］Yang J，Guo XL，Zhang H，et al.Differential diagnosis of pancreatic serous cystadenoma and mucinous cystadenoma：utility of textural features in combination with morphological characteristics［J］.BMC Cancer，2019，19（1）：1223.DOI：10.1186/s12885-019-6421-7.

［43］Xie HH，Ma S，Guo XC，et al.Preoperative differentiation of pancreatic mucinous cystic neoplasm from macrocystic serous cystic adenoma using radiomics：Preliminary findings and comparison with radiological model［J］.Eur J Radiol，2020，122：108747.DOI：10.1016/j.ejrad.2019.108747.

［44］Li HW，Shi KY，Reichert M，et al.Differential diagnosis for pancreatic cysts in CT scans using densely-connected convolutional networks［J］.Annu Int Conf IEEE Eng Med Biol Soc，2019，2019：2095-2098.DOI：10.1109/EMBC.2019.8856745.

［45］Chu LC，Park S，Soleimani S，et al.Classification of pancreatic cystic neoplasms using radiomic feature analysis is equivalent to an experienced academic radiologist：a step toward computer-augmented diagnostics for radiologists［J］.Abdom Radiol（NY），2022，47（12）：4139-4150.DOI：10.1007/s00261-022-03663-6.

（收稿日期：2023-04-13）