人工智能在胰腺疾病诊断及治疗中的应用及展望

窑综述窑中国现代医生2020年6月第58卷第17期人工智能在胰腺疾病诊断及治疗中的应用及展望郭秀鏐丁莺徐秋萍银310020浙江大学医学院袁浙江杭州[摘要]人工智能是计算机科学的一个分支袁是一门新的技术科学遥以强大的计算和学习能力而广泛应用于临床实践的各个领域遥本文回顾了人工智能在胰腺疾病诊断及治疗中的应用袁特别是在急性胰腺炎的严重程度及预后评估尧胰腺癌的诊断和预后等方面遥然而人工智能是以野大数据冶为基础的袁多中心数据库的建立仍需要我们进一步努力遥此外袁随着人工胰腺在糖尿病应用中的普及袁人机关系在医疗实践中占的比重也会越来越大遥人工智能技术将会给临床诊疗活动带来更多的便利遥[关键词]人工智能曰胰腺疾病曰人工神经网络曰胰腺炎曰胰腺癌曰机器学习[中图分类号]砸缘苑曰砸原园缘[文献标识码]A[文章编号]1673-9701渊2020冤17-0188-05Applicationandprospectofartificialintelligenceindiagnosisandtreat鄄mentofpancreaticdiseasesGUOXiuliuZhejiangUniversitySchoolofMedicine袁Hangzhou310020袁ChinaDINGYingXUQiuping[Abstract]Artificialintelligenceisabranchofcomputerscienceandanewtechnicalscience.Itiswidelyusedinvari鄄tificialintelligenceinthediagnosisandtreatmentofpancreaticdiseases袁especiallyintheassessmentoftheseveritygenceisbasedon\"bigdata\"袁andtheestablishmentofamulti-centerdatabasestillrequiresourfurtherefforts.Inad鄄niencetoclinicaldiagnosisandtreatmentactivities.chinelearningousfieldsofclinicalpracticewithstrongcomputingandlearningcapabilities.Thisarticlereviewstheapplicationofar鄄andprognosisofacutepancreatitis袁andthediagnosisandprognosisofpancreaticcancer.However袁artificialintelli鄄dition袁withthepopularizationofartificialpancreasintheapplicationofdiabetes袁human-machinerelationshipwillalsobecomemoreandmoreimportantinmedicalpractice.Artificialintelligencetechnologywillbringmoreconve鄄[Keywords]Artificialintelligence曰Pancreaticdiseases曰Artificialneuralnetwork曰Pancreatitis曰Pancreaticcancer曰Ma鄄人工智能渊Artificialintelligence袁AI冤是一门新的技术科学袁主要研究开发能够模拟尧延伸和扩展人类智能的理论尧方法尧技术和应用系统遥21世纪人工智能得到了飞速发展袁在医疗尧军事尧化学工业尧地质勘探等各个领域都取得了惊人的成果遥早在20世纪50年代后期袁人工智能就在医疗领域有了研究袁在医学诊断中有了初步的探索[1]遥70余年来袁在经历了曲折原学检测袁疾病预后预测及医疗影像等方面应用广的发展之后袁目前人工智能在我国临床诊断尧治疗袁病泛袁为我国的医疗事业做出巨大贡献[2]遥其中在胰腺疾病的诊断及治疗方面袁已经有多种人工智能技术在应用袁如胰腺炎的诊断及预测尧胰腺恶性肿瘤的诊断及鉴别诊断尧人工胰岛的应用等遥本文就人工智能在胰腺疾病诊断及治疗中的应用及展望作出综述遥现报道如下遥[基金项目]浙江省医药卫生科技计划项目渊2020KY605冤银1人工智能在医学研究中的主要方法学等学科参加的达特茅斯会议中袁野人工智能冶的概念首次被提出袁并希望可以用计算机来构造拥有与人类1956年袁在由一些心理学尧神经生理学尧计算机智慧同样本质特性的机器遥人工智能研究领域范围很广袁包括专家系统尧机器学习尧进化计算尧模糊逻辑尧计算机视觉尧自然语言处理尧推荐系统等遥其中机器学习与医学研究关系最为密切遥机器学习渊Machinelearn鄄ing袁ML冤其实是一种实现人工智能的方法[3]遥简而言之就是使用算法来解析已有的临床数据袁从中学习袁然后对临床事件做出决策和预测遥与传统的为解决特定任务尧硬编码的软件程序不同袁机器学习是用大量的数据来野训练冶袁通过各种算法从数据中学习如何完成任务遥传统的机器学习算法包括决策树尧聚类尧贝叶斯分类尧支持向量机尧EM尧Adaboost等遥从学习方法上来分袁机器学习算法可以分为监督学习渊如分类问题冤尧无监督学习渊如聚类问题冤尧半监督学习尧集成学习尧深通讯作者188CHINAMODERNDOCTORVol.58No.17June2020中国现代医生2020年6月第58卷第17期度学习和强化学习等DL冤遥目前袁深度学习渊Deeplearning袁[4]方法在医学研究中应用最为广泛遥由于医疗数据具有庞大尧复杂尧无序的特殊性袁传统的机器学习方法并不能胜任这样繁杂的任务遥而深度学习采用了深度神经网络渊DNN冤尧卷积神经网络渊CNN冤等方法袁与传统计算机回归分析的单层结构不同袁神经网络是复杂的多层感知模型袁包括了输入层尧模拟神经元层尧输出层三个部分遥其在数据处理能力上可以分析传统的回归分析所无法处理的非线性数据遥只要选择合适的输入层与输出层袁通过网络模型对大量临床数据的学习和调试袁就能找到一个输入层与输出层的函数关系袁一个无限靠近现实真相的关联关系遥使用训练成功的网络模型袁对临床工作具有巨大的推动作用遥2人工智能在胰腺疾病诊断及治疗中的应用2.1人工智能与胰腺炎急性胰腺炎是一种常见的急腹症袁其发病率与死亡率均较高[5-6]腺炎预测方面就有了不少研究与探索遥自从人工智能发展以来遥上世纪九十年袁其在急性胰代袁PofahlWE等[7]对神经网络在预测急性胰腺炎患者住院时间渊Lengthofstay袁LOS冤中的作用展开了研究遥他们建立了一种反向传播神经网络袁并对195例急性胰腺炎患者的病例资料进行回顾袁其中156例用于对神经网络模型的训练袁在剩余39例中进行测试遥结果表明袁相比于其他方法袁神经网络模型在预测LOS>7d中具有最高的灵敏度渊75%冤遥尽管该研究并未涉及急性胰腺炎发病早期的预测袁但也证实了人工智能在急性胰腺炎领域拥有广阔的研究前景遥之后KeoganMT[8]团队也利用人工智能对急性胰腺炎患者的预后进行预测遥他们建立的人工神经网络模型渊ANN冤利用CT和实验室数据对92例急性胰腺炎患者的预后进行预测遥输入节点为CT尧实验室数据袁输出节点为患者住院时间遥最后ANN成功地预测了患者有无超过平均住院时间0.68依0.06袁渊Az=0.83依0.05冤遥P<0.003冤袁他们建立的人工神经网络模型有着明显优P<0.02冤和Balthazar相比于分级Ranson渊Az=0.62依0.06袁分级渊Az=势遥但与线性判别分析渊Az=0.82依0.05袁P=0.53冤相比袁其结果不具有差异遥此外袁对于急性胰腺炎严重程度的预测袁有研究者建立了一个神经网络预后模型[9]型经增强CT扫描证实其敏感性为100%袁入院时特遥该模异性为PACHE域70%遥PearceCB等[10]利用机器学习来提高A鄄严重程度的预测作用评分和C反应蛋白的入院值对急性胰腺炎遥选取了256例患者作为研究对象袁采用年龄尧CRP尧呼吸频率尧空气中PO血肌酐尧白细胞计数和GCS评分这8个项目作为输2尧动脉pH尧窑综述窑入节点0.82渊SD袁其受试者特异度为0.01冤袁0.71遥预测严重程度的最佳临界值为-操作特征曲线渊AUC冤下的面积为预测结果明显优于入院APACHE0.87袁域评分0.68耀0.75冤渊渊AUC0.74冤入院后首次观察值的预测性能P=0.0036冤遥和历史入院表明机器学习技术显著改善了APACHE域数据渊AUC袁并减少了预测因素的数量遥另一项研究[11]将神经网络预测急性胰腺炎严重程度的准确性与APACHE域和GCS评分进行比较袁结果显示0.01冤尧ANN在预测严重病程进展渊P<0.05P域<0.01冤预测多器官功能障碍综合征的发展以及预测AP死亡渊P<0.05冤渊P<0.05和P和<89%尧96%遥或GS评分系统袁其灵敏度和特异方面优于度分别达到APACHE前的研究可以得出急性胰腺炎是一种很复杂的疾病袁想要利用人工智能预测急性胰腺袁根据之炎的严重程度ssonB等袁危险因素的选择十分关键[12][13]设计的人工神经网络模型袁首次将疼痛持遥Ander鄄续时间作为危险变量提出遥然而袁HongWD等[14]指出该研究的几个局限性院样本量小袁缺少数据点袁急性胰腺炎发病和数据收集之间的时间间隔不清楚袁所以该研究结果有待进一步阐明遥急性胰腺炎症状出现后第一周内持续的器官衰竭一个致命结局的标志WD等袁Hong[14]认为袁这可以作为使用人工神经网络分析急性胰腺炎患者持续性器官衰竭的预测因素之一遥同时袁他们也提到了该研究的一些局限性袁如数据是回顾性的袁样本量较小袁可能会造成结果的一些偏差遥另有一篇综述[15]表示袁与当前的评分系统相比袁神经网络预测疾病严重程度的准确性更高袁需要的变量更少袁并且能更早地作出评估遥但是vandenHeeverM等[15]也发现袁现有的大部分研究袁其数据来源的数据库大多是为管理目的而设计的袁对临床或研究人员价值有限袁希望未来能建立智能数据库袁促进多中心数据收集遥急性胰腺炎本身病程十分复杂袁在疾病发展过程中会出现各种各样的并发症[16]遥FeiY等[17]的一项研究利用人工神经网络模型来预测门脾静脉血栓形成的能力袁并与传统Logistic回归进行比较遥结果显示所建立的人工神经网络模型灵敏度为85.7%袁准确率为阳性预测值为83.3%遥综合性能优于77.6%袁阴性预测值为80%袁特异度为Logistic回归模型90.7%遥遥如果能加入更多的临床因素或生物标志袁该模型的预测能力也许会进一步提高遥于是FeiY等[18]改进了研究方法袁采用径向基函数渊RBF冤人工神经网络渊ANN冤模型预测AP诱发PVT的风险袁结果得出RBF神经网络模型预测76.2%尧92.0%PVT和88.1%遥的敏感性该研究证明尧特异性和准确性分别为RBF神经网络模CHINAMODERNDOCTORVol.58No.17June2020189窑综述窑型是预测AMY尧D-二聚体AP后尧PTPVT和风险的有效工具HCT袁并且提出预测因子遥以同样的方法袁Fei是YAP等[19]诱发人对重症急性胰PVT的重要腺炎渊SAP冤并发急性肺损伤渊ALI冤的危险性也做了相关探索袁并得到阳性结果遥最近还有一项研究[20]表明基于CECT的放射组学模型在预测AP复发方面效果良好遥这可能为一些复发患者就预防措施方面提供重要帮助遥慢性胰腺炎是各种病因引起胰腺组织和功能不可逆改变的慢性炎症性疾病袁终末期有严重的并发症袁包括内外分泌功能不全和胰管腺癌遥慢性胰腺炎是胰管腺癌的危险因素之一[21]炎领域尚未做深入研究袁现有研究主要利用人工智能袁人工智能在慢性胰腺相关算法鉴别诊断胰腺癌与慢性胰腺炎[22-25]要采用的方法是利用实时内镜超声渊EUS冤弹性成像遥目前主提供关于胰腺病变特征的附加信息袁再通过人工神经网络分析袁最后使用计算机辅助诊断来评估实时EUS弹性成像在胰腺局灶性病变中的准确性遥其中一项研究[26]中神经网络计算方法的敏感性为87.59%袁特异性为82.94%袁阳性预测值为96.25%袁阴性预测值为57.22%袁说明使用人工智能方法可以提供快速准确的诊断遥自身免疫性胰腺炎渊AIP冤是慢性胰腺炎的一个独特亚型袁其临床表现与胰腺导管腺癌ZhangY等渊PDA冤有许多相似之处遥[27]利用多种特征提取算法对CT和PET图像进行纹理特征提取袁结果显示病灶纹理分析有助于准确区分AIP和PDA遥2.2人工智能与胰腺肿瘤胰腺癌在胰腺肿瘤中最为常见袁是成人中最致命的癌症之一遥据统计袁2018年全球发生了近46万例病例袁其中43万人死亡[28]癌筛查试验遥但目前仍没有可行的胰腺OkonK等[29][30]人利用神经网络模型分析细胞核的特征遥为了提高早期诊断胰腺癌的准确率袁遥这些细胞来自于胰腺癌尧慢性胰腺炎及其他需要胰腺切除的肿瘤手术患者遥结果显示该模型的细胞核分类正确率为73%袁一定程度上可以帮助早期诊断胰腺导管癌遥另一项研究[31]提出了一个基于学习的集成框架袁用于评估细胞Ki-67增殖指数袁相对于人工注释袁其准确率更高袁可为胰腺神经内分泌肿瘤的诊断提供间接帮助遥Momeni-BoroujeniA等[32]构建的模型通过分析细针穿刺活检的细胞图像袁能够以77%的准确率将非典型病例分类为良尧恶性袁说明在病理学中使用多层感知器神经网络渊MNN冤进行图像分析具有改善患者预后的潜力遥在影像方面袁人工智能用于胰腺癌的诊断及鉴别诊断研究更加广泛遥最近有一项研究[33]显示袁与人类诊断和常规EUS特征相比袁基于深度学习190CHINAMODERNDOCTORVol.58No.17June2020中国现代医生2020年6月第58卷第17期算法的人工智能可能是诊断恶性导管内乳头状黏液性肿瘤渊IPMNs冤的一种更准确尧更客观的方法遥他们设计的深度学习算法的恶性概率敏感性尧特异性和准确性分别为95.7%尧92.6%和94.0%袁其准确性高于人工诊断渊56.0%冤遥而在另一项研究中袁LiS等[34]提出一渊PET/CT冤种基于经过数据的学习和测试图像的胰腺癌计算机辅助诊断正电子发射断层扫描/计算机渊CAD冤断层模型扫描遥96.47%袁工智能在胰腺癌早期诊断中的性能优势灵敏度为95.23%袁袁该模型平均诊断准确率为特异度为97.51%袁遥除了以上两证明人个方面袁ChungWY等[35]提出一个探针电喷雾电离质谱渊PESI-MS冤与机器学习相结合的独特诊断系统遥该系统通过机器学习算法分析5滋L血清样本来识别胰腺导管腺癌渊PDAC冤袁最后得到的灵敏度为90.8%袁特异度为91.7%遥以上研究充分证明人工智能在胰腺肿瘤的早期诊断尧鉴别诊断方面有广泛的应用前景遥2.3人工智能与糖尿病人工胰腺在糖尿病中应用度最为广泛袁由胰岛茁细胞自身免疫性破坏或胰岛切除引起的胰岛素缺乏同样适用遥在过去几十年袁人工胰腺技术有了飞速的发展袁不仅提出许多人工胰腺控制算法袁如比例积分导数尧模型预测控制尧自适应控制和模糊逻辑控制等[36]而在仿真和临床研究中也得到了研究袁还有单激素闭袁环系统尧双激素闭环系统尧远程监测系统的应用等[37]这些使得人工胰腺可以更成功地应用于临床实践中遥遥在2001年袁就有研究者[38]对人工智能在预测胰岛茁细胞储备中的作用进行研究遥他们开发并评估一种人工神经网络模型的性能袁结果表明袁ANN预测茁细胞储备的能力最高渊准确性=88.9%冤袁内科医生评估的准确性为60.9%遥之后袁El-JabaliAK等[39]建立了一个1型糖尿病动态模拟模型遥该模型可以准确估计胰岛素的输出量袁以补偿葡萄糖浓度的增加袁但并未涉及到膳食尧运动等因素对体内血糖浓度的影响遥另一个研究团队[40]设计了跳跃神经网络来预测30min内的血糖浓度变化袁结果证明是可行的袁但仍需要患者自己提供关于摄入碳水化合物的信息遥SamadiS等[41]尝试了攻克这个难题袁他们开发了一种人工胰腺渊AP冤控制系统的膳食检测和膳食大小估计算法遥对于评价数据集9.3%袁袁该算法的灵敏度和假阳性检测率分别为91.3%和平均血糖水平为碳水化合物142渊CHO冤mg/dL袁估计的绝对误差为血糖浓度平均维持在目23.1%袁标范围渊70耀180mg/dL冤76.8%的模拟时间内遥最近袁有研究者又提出了一种更加优化的方案[42]的血糖水平渊BGL冤调节自适应模糊积分滑模控制方袁这是一种新案遥该方案在同时存在进餐和运动干扰的情况下仍具中国现代医生2020年6月第58卷第17期有较好的性能袁且优于传统的BGL调节方法渊比例积分微分PID和模型预测控制MPC冤和滑模控制遥闭环系统组件的改进会进一步增强性能和用户体验袁将来以人工智能为主要技术支持的系统会逐步在临床实践中普及[36]传统的临床医疗实践正在被逐渐改变21世纪是大数据的时代遥袁随着人工智能的发展遥现在强调精准袁医学袁个人单独的能力难以应付如此庞大又复杂的临床数据袁比如说急性胰腺炎袁这是一种十分复杂的疾病袁早期的准确诊断及评估对治疗决策及患者的预后有极大帮助遥如今各种各样的人工智能算法和人工神经网络模型可以准确评估胰腺炎患者的状态袁预测疾病的严重程度袁为后续治疗做指导遥在胰腺肿瘤的诊治中袁放射组学的产生提高了恶性肿瘤的早期确诊率袁为患者赢得了时间遥然而目前这些模型仍存在不完善的地方袁如院渊1冤数据来源的缺陷袁缺乏多中心的数据库袁数据样本量较小曰渊2冤尚未找到比较合适的输入节点袁即能够准确反映胰腺炎严重程度及预后的指标尚不十分明确遥相信以后大型数据库的建立袁会研发出性能更好的预测模型袁能更加准确的指导临床实践遥[参考文献][1]陈真诚诊断中的应用及发展袁蒋勇袁胥明玉[J].袁等生物医学工程学杂志.人工智能技术及其在医学袁2002袁[2]19渊3冤院505-509.郑虹颖展[J].中国护理严究袁杨艳袁倪佳琪袁等.人工智能临床应用研究进[3]Ba鬤tanlarY袁Ozuysal袁2019袁33渊3冤院454-458.ing[J].MethodsinMolecularM.IntroductionBiology渊Clifton袁NJ冤袁2014袁tomachinelearn鄄[4]1107院105-128.andSanaldeepMG袁Paullearning院TheK袁KumarfutureS袁etofal.medicineArtificialandintelligencepractice[J].JAssocPhysiciansIndia袁2019袁67渊4冤院71medical73.-[5]急性胰腺炎协作组.中国6223例急性胰腺炎病因及病[6]Koutroumpakis死率分析[J].胰腺病学E袁Slivka2006袁6渊6冤院321-325.andoutcomesofacutepancreatitisA袁FurlanA袁etpatientsal.overManagementdecade院AUStertiary-centerexperience[J].Pancreatolo鄄thelastgy院officialjournaloftheInternational[7]PofahlPancreatologyWE袁Walczak渊IAP冤袁2017袁17渊1冤院SM袁RhoneE袁et32-40.Associationofficialneuralnetworktopredictlengthal.ofUsestayofinanacutearti鄄[8]pancreatitis[J].KeoganMT袁LoAmJY袁FreedSurg袁1998袁64渊9冤院868-872.KS袁etal.Outcomeanalysisof窑综述窑patientsneuralnetwork[J].withacuteAcadpancreatitisRadiol袁2002袁9渊4冤院410-419.byusinganartificial[9]NazarenkoGI袁SidorenkoVI袁LebedevDS.Prognosisof[10]method[J].theseverityVestnofacuteKhirImpancreatitisIIGrek袁2005袁164渊1冤院50-54.bytheneuralnetworkcanPearceCB袁GunnSR袁AhmedA袁etal.Machinelearningusingimprove[11]activeadmissionpredictionofseverityinacutepancreatitisMofidiprotein[J].valuessevereR袁DuffacutepancreatitisMD袁MadhavanPancreatology袁2006袁6渊1-2冤院123-131.ofAPACHE域scoreandC-re鄄usingKK袁etanartificialal.Identificationneuralnet鄄of[12]work[J].Bartosch-HarlidSurgery袁2007袁141渊1冤院59-66.95渊7冤院817-826.neuralnetworksinA袁Anderssonpancreaticdisease[J].B袁AhoU袁etBrJal.Surg袁2008袁Artificial[13]ofAnderssoningsevereartificialacuteB袁AnderssonneuralpancreatitisR袁Ohlssonnetworks[J].atadmissionM袁etPancreatology袁2011袁11toal.hospitalPredictionus鄄[14]渊3冤院328-335.HongneuralWD袁ChentientswithnetworkacutetoXR袁Jinpancreatitis[J].predictSQ袁etpersistental.UseofanartificialClinics渊SaoorganfailurePaulo冤袁2013袁inpa鄄[15]68渊1冤院27-31.YanofintelligentdenHeeverdatabaseM袁MittalsystemsA袁HaydockinacuteM袁etpancreatitisal.The--ause[16]systematicHinesOJ袁Pandolreview[J].SJ.Pancreatology袁2014袁14渊1冤院9-16.creatitis[J].BMJ渊ClinicalManagementresearched冤袁2019袁367院6227.ofsevereacutepan鄄[17]FeidictY袁HubosistheinincidenceJ袁LiWQ袁etal.Artificialneuralnetworkspre鄄patientsofwithportosplenomesentericacutepancreatitis[J].venousJThrombthrom鄄[18]Haemost袁2017袁15渊3冤院439-445.FeithrombosisY袁HuJ袁GaoacuteK袁etpancreatitisal.Riskpredictionusingradialforbasisportalfunc鄄vein[19]tion[J].FeiY袁GaoAnninK袁LiVascWQ.Surg袁2018袁47院78-84.modelaspowerfultoolArtificialneuralnetworkalgorithmlowing[20]18渊8冤院toChen892-899.severeacutepancreatitis[J].topredictacutePancreatology袁2018袁lunginjuryfol鄄contrastY袁Chentherecurrence-enhancedTW袁WuofacutecomputedCQ袁etpancreatitis[J].tomographyal.RadiomicsEurforRadiol袁2019袁predictingmodelof[21]29渊8冤院Huang4408-4417.chronicCT袁Linnosisforpancreatitis院CK袁LeeclinicalapplicationsMini-reviewTH袁etal.PancreaticfibrosisandSwitzerland冤袁2020袁10渊2冤院87.[J].ofDiagnosticsnon-histologic渊Basel袁diag鄄CHINAMODERNDOCTORVol.58No.17June2020191窑综述窑[22]YeatontweenmachronicP袁SearspancreatitisRJ袁LedentandT袁etpancreatical.Discriminationadenocarcino鄄be鄄onusingimageartificialcytometry-generatedintelligence-relatedvariables[J].algorithmsCytometry袁based[23]1998袁32渊4冤院309-316.NortonanalysisID袁ZhengY袁WiersemaMS袁etaticmalignancyofEUSimagesandpancreatitis[J].todifferentiateal.NeuralnetworkGastrointestbetweenpancre鄄2001袁54渊5冤院625-629.Endos袁[24]SaftoiuanalysisA袁VilmannP袁GorunescuF袁etal.NeuralnetworkforthedifferentialofdynamicdiagnosissequencesofofchronicEUSelastographypancreatitisusedand[25]Zhu1086-1094.pancreaticcancer[J].GastrointestEndosc袁2008袁68渊6冤院cancerM袁XuC袁YuJ袁etal.Differentiationofpancreaticnosticdiagnosisandtest[J].ofendoscopicchronicpancreatitisPLoSOne袁2013袁8渊5冤院e63820.ultrasoundusing渊EUS冤computerimages院A-aideddiag鄄[26]SaftoiuartificialA袁Vilmannultrasoundneuralmasses[J].ClinelastographynetworkP袁Gorunescu-basedGastroenterolindiagnosisapproachF袁etal.EfficacyHepatol袁2012袁10渊1冤院84-90.offocaltoendoscopicofanpancreatic[27]ZhangtoimmuneY袁ChengC袁LiuZ袁etal.Differentiationofau鄄nomaF-FDGbasedpancreatitisandpancreaticductaladenocarci鄄ZaZhi袁2019袁36渊5冤院755-762.PET/CT[J].onmultiSheng-modalityWuYitextureXueGongfeaturesChengin渊18冤Xue[28]ExarchakouaticcialistcancerincidenceA袁PapacleovoulouandG袁RousB袁etal.Pancre鄄2014院Acentrespopulation-basedinresectionsurvivalstudy[J].ratesinandPancreatology袁https院England袁2000theroleofspe鄄to[29]//doi.org/10.1016/j.pan.2020.01.012.O'ReillyagementD袁FouguidelinesoffrompancreaticL袁HaslertheUKcancerE袁etNationalinal.Instituteadults院DiagnosisAforsummaryandman鄄HealthandofCareInternationalExcellence[J].AssociationPancreatology院officialofPancreatologyjournal渊IAP冤[etofal]袁the[30]2018袁18渊8冤院OkonneuralK袁Tomaszewska962-970.R袁NowakK袁etal.Applicationofductalproliferativenetworkstotheclassificationofpancreaticintra鄄渊3-4冤院XingF袁Su129-136.lesions[J].AnalCellPathol袁2001袁23[31]H袁NeltnerJ袁etal.AutomaticKi-67counting192CHINAMODERNDOCTORVol.58No.17June2020中国现代医生2020年6月第58卷第17期usingIEEErobustTranscellBiomeddetectionEng袁2014袁61渊3冤院859-870.andonlinedictionarylearning[J].[32]Momeniassisted-BoroujeniA袁YousefiE袁SommaJ.Computer-cationofcytologicdiagnosisinpancreaticFNA院Anappli鄄[33]topathol袁2017袁125渊12冤院926-933.neuralnetworkstoimageanalysis[J].CancerCy鄄learningKuwaharaanalysisT袁HarapapillaryforK袁MizunomucinousthediagnosisN袁etal.neoplasmsofUsefulnessmalignancyofofthepancreas[J].indeepin鄄[34]ClintraductalLiTranslGastroenterol袁2019袁10渊5冤院1-8.diagnosisS袁JiangH袁WangZ袁etal.Aneffectivecomputeraided[35]ComputmodelforpancreascanceronPET/CTimages[J].ChungelectrosprayWY袁CorreaMethodsProgramsE袁YoshimuraBiomed袁2018袁165院205-214.K袁etal.learningmance[J].forAmericandetectingionizationJournalpancreaticmassspectrometryofTranslationalcancerwithandUsinghighmaprobechine2020袁12渊1冤院171-179.Research袁perfor鄄[36]Turksoycreassystems-aK袁Cinarreview[J].A.AdaptiveJHealthccontrolEng袁2014袁5渊1冤院1-22.ofartificialpan鄄[37]Boughtonsystems[J].CK袁HovorkaScienceTranslationalR.AdvancesMedicine袁2019袁11渊484冤院inartificialpancreas[38]4949.ThamprajamchitS袁etS袁OngphiphadhanakulB袁Krittiyawongmodelal.adultswithtoApredictsimplepredictionruleandaneuralnetworkdiabetespancreaticmellitus[J].betaJ-cellMedAssocreserveThai袁2001袁inyoung[39]84渊3冤院332-338.Eltype-Jabali1diabetesAK.Neuralmellitus[J].networkBioprocessmodelingBiosystandEng袁2005袁controlof[40]27渊2冤院75-79.ZecchinC袁FacchinettiA袁SparacinoG袁etal.Jumpneu鄄tion[J].ralnetworkMethodsforreal-timeMolBiol袁2015袁1260院245-259.predictionofglucoseconcentra鄄[41]andSamadisensorcarbohydrateS袁Turksoydata[J].IEEEestimationK袁HajizadehJBiomedHealthusingI袁etInform袁2017袁21渊3冤院continuousal.Mealdetectionglucose[42]619-627.AsadimodeS袁NekoukarV.Adaptivefuzzyintegralsliding132.1diabetes院Incontrolsilicoofbloodstudies[J].glucoseMathlevelBiosci袁2018袁305院122-inpatientswithtype渊收稿日期院2020-03-03冤