基于深度学习的胰腺肿瘤分段模型在公共内镜超声数据集上的表现

背景：胰腺癌是最具侵袭性的癌症之一，生存率极低。超声内镜（EUS）是关键的诊断手段，但其效果受操作者主观性制约。本研究评估了一种基于Vision Transformer的深度学习分割模型在胰腺肿瘤识别中的应用。

方法：使用以Vision Transformer为骨干的USFM框架构建分割模型，采用17,367张EUS图像（来自两个公开数据集）进行5折交叉验证训练。模型在独立测试集（包含来自另一公开数据集的350张EUS图像，均由放射科医师手动标注）上验证。预处理包括灰度转换、裁剪及统一缩放至512×512像素。评估指标涵盖戴斯相似系数（DSC）、交并比（IoU）、敏感性、特异性及准确率。

结果：在5折交叉验证中，模型平均DSC为0.651±0.738，IoU为0.579±0.658，敏感性达69.8%，特异性为98.8%，准确率为97.5%。在外部验证集上，模型DSC为0.657（95% CI: 0.634–0.769），IoU为0.614（95% CI: 0.590–0.689），敏感性为71.8%，特异性达97.7%。结果整体稳定，但9.7%的案例出现错误多重预测现象。

结论：基于Vision Transformer的模型在EUS图像胰腺肿瘤分割中表现出良好性能。然而，数据集的异质性和有限的外部验证表明，该技术仍需进一步优化、标准化并进行前瞻性研究验证。