PubMed
5 篇國際期刊論文
以下為 PANCREASaver® 相關的 5 篇代表學術發表，皆為臺大團隊（劉高郎／陳柏廷／廖偉智／王偉仲）之真實研究。中文摘要譯自原文 Abstract，英文摘要為原文精簡；完整內容請見論文連結。
The Lancet Digital Health · 2020
Open Access
深度學習區分胰臟癌組織與非癌胰臟組織：跨種族外部驗證之回溯性研究
Deep learning to distinguish pancreatic cancer tissue from non-cancerous pancreatic tissue: a retrospective study with cross-racial external validation
92.1%小於 2cm 腫瘤敏感度
11/12揪回放射科醫師漏診
AUC 0.997本地測試集
約四成小於 2 公分的胰臟腫瘤在電腦斷層（CT）上會被漏診。本研究以卷積神經網路（CNN）區分胰臟癌與非癌胰臟組織，並與放射科醫師判讀比較。本地測試集敏感度 97.3%–99.0%、AUC 0.997–0.999；美國外部族群測試集敏感度 79.0%、AUC 0.920。CNN 敏感度優於放射科醫師（98.3% vs 92.9%）；放射科醫師漏診的 12 例胰臟癌中，CNN 正確揪回 11 例（92%）；小於 2 公分之腫瘤敏感度達 92.1%。
Approximately 40% of pancreatic tumors smaller than 2 cm evade CT detection. A CNN distinguished pancreatic cancer tissue with 97.3–99.0% sensitivity and AUC 0.997–0.999 on local test sets, and 79.0% sensitivity / AUC 0.920 on a US dataset. CNN outperformed radiologists (98.3% vs 92.9%), correctly classified 11 of 12 radiologist-missed cancers (92%), and reached 92.1% sensitivity for tumors <2 cm.
DOI: 10.1016/S2589-7500(20)30078-9 · PMID 33328124
閱讀原文 ↗
Radiology · 2023
Nationwide Study
以深度學習於 CT 影像偵測胰臟癌：全國人口基礎研究
Pancreatic Cancer Detection on CT Scans with Deep Learning: A Nationwide Population-based Study
1,473全國真實世界 CT
AUC 0.95全國驗證
89.7%敏感度
約四成小於 2 公分的胰臟腫瘤在腹部 CT 上被漏診。本研究開發端對端 AI 工具（分割卷積神經網路＋5 個 CNN 集成分類器）。內部測試集敏感度 89.9%、特異度 95.9%（AUC 0.96）；在全國 1,473 例真實世界 CT（669 例胰臟癌、804 例對照）中，敏感度 89.7%、特異度 92.8%、AUC 0.95；小於 2 公分腫瘤敏感度 74.7%。
~40% of pancreatic tumors <2 cm are missed at abdominal CT. An end-to-end DL tool (segmentation CNN + ensemble of five CNNs) achieved 89.9% sensitivity / 95.9% specificity (AUC 0.96) internally, and across 1,473 nationwide real-world CT studies (669 malignant, 804 control): 89.7% sensitivity, 92.8% specificity, AUC 0.95, with 74.7% sensitivity for tumors <2 cm.
DOI: 10.1148/radiol.220152 · PMID 36098642
閱讀原文 ↗
Radiology: Imaging Cancer · 2021
Radiomics
CT 影像組學特徵可區分胰臟癌與非癌胰臟
Radiomic Features at CT Can Distinguish Pancreatic Cancer from Noncancerous Pancreas
台／美雙族群驗證
AUC 0.98台灣測試集
94.7%敏感度・台灣
以機器學習（XGBoost）分析 CT 影像組學特徵。以台灣與美國資料訓練的廣義模型：台灣測試集敏感度 94.7%、特異度 95.4%、AUC 0.98；美國測試集敏感度 80.6%、特異度 100%、AUC 0.91。胰臟腺癌（PDAC）相較正常胰臟呈現較低訊號強度與較高異質性的影像特徵。
XGBoost radiomic analysis of CT patches distinguished PDAC from noncancerous pancreas. The generalized model (trained on Taiwanese + U.S. data) reached 94.7% sensitivity / 95.4% specificity / AUC 0.98 on the Taiwanese test set, and 80.6% / 100% / AUC 0.91 on the U.S. test set. PDACs showed lower intensity and higher heterogeneity radiomic features.
DOI: 10.1148/rycan.2021210010 · PMID 34241550
閱讀原文 ↗
BMC Cancer · 2023
Real-world Dataset
以 2D／3D 影像組學分析於全國真實世界資料集偵測胰臟癌
Detection of pancreatic cancer with two- and three-dimensional radiomic analysis in a nationwide population-based real-world dataset
1,477全國真實世界 CT
AUC 0.947驗證結果
91.8%敏感度
自動端對端 CAD 工具結合 2D 與 3D 影像組學機器學習分析。在全國 1,477 例 CT（671 例胰臟癌、806 例對照）中，敏感度 91.8%、特異度 82.2%、AUC 0.947；小於 2 公分腫瘤敏感度 70.7%。採 2D 與 3D 分析串聯使用時，特異度可提升至 95.2%（敏感度 74.2%）。
An automatic end-to-end CAD tool combining 2D and 3D radiomic machine-learning analysis reached 91.8% sensitivity / 82.2% specificity / AUC 0.947 in 1,477 nationwide CT studies (671 PC, 806 controls), with 70.7% sensitivity for tumors <2 cm. Running 2D and 3D analyses in series raised specificity to 95.2%.
DOI: 10.1186/s12885-023-10536-8 · PMID 36650440
閱讀原文 ↗
J Gastroenterol Hepatol · 2021
Review
人工智慧在胰臟與膽道疾病的應用（回顧性綜述）
Applications of artificial intelligence in pancreatic and biliary diseases
Review回顧性綜述
ML＋DL方法學總覽
胰膽疾病應用領域
回顧性綜述論文，介紹機器學習與深度學習兩大 AI 方法論，並梳理 AI 在胰臟膽道疾病的研究版圖。胰膽疾病診斷與治療選擇複雜，常需整合多來源資料；AI 可應用於疾病偵測／診斷、風險分層與預後預測，輔助臨床醫師決策。
A concise review of major AI methodologies (machine learning, deep learning) and the current landscape of AI research in pancreatobiliary diseases — where diagnosis and treatment selection are often complex — covering detection/diagnosis, risk stratification and prognosis prediction to supplement clinicians.
DOI: 10.1111/jgh.15380 · PMID 33624891
閱讀原文 ↗
摘要為譯自原文 Abstract 之整理（英文為原文精簡），完整內容請以 PubMed 原文為準。
回到臨床證據