09.07-09.13 临床预测模型研究顶刊快报

1、深度学习CT特征用于预测胰导管腺癌早期肝转移  09.08  nature communications

1、深度学习CT特征用于预测胰导管腺癌早期肝转移

Deep learning CT signature for predicting early liver metastases in pancreatic ductal adenocarcinoma

(1) 背景：胰导管腺癌（PDAC）预后极差，即使根治性切除，高达80%患者仍会复发，肝脏是最常见的早期转移部位。早期肝转移（ELM）常提示存在隐匿性微转移，此类患者从先行手术中获益有限，更可能受益于新辅助治疗（NAT）。然而，现有基于CA19-9或液体活检的风险分层工具准确性不足或成本高昂，临床亟需可靠的无创手段识别ELM高危患者，以指导个体化治疗决策。

(2)结论：本研究开发并多中心验证了一种基于Mamba架构的深度学习CT预测模型，创新性地同时整合原发胰腺肿瘤与肝脏的多期增强CT影像特征来评估ELM风险。该模型在1063例PDAC患者中表现出稳健的预测性能（AUC 0.806–0.890），模型定义的高危患者PFS与OS显著更差，且能从NAT中获得显著生存获益（34.1 vs 17.4个月），而低危患者无此获益。放射转录组学分析进一步揭示了高危组肿瘤增殖、迁移及免疫抑制相关的生物学侵袭性特征。