基于深度学习的胰腺癌可切除性多模态评估

该研究提出一种全自动多模态深度学习框架，利用3D增强CT影像和17项结构化临床信息，依据NCCN标准将胰腺导管腺癌患者分为可切除、交界可切除和局部晚期三类。模型采用Swin-UNETR骨干网络辅助分割胰腺、肿瘤及血管，融合解剖特征与临床嵌入，并通过动态多任务目标平衡分割与分类任务。

传统专家评估胰腺癌可切除性存在显著变异，此自动化方法可减少主观差异，提供标准化分类，有望提升术前决策的一致性。

框架先通过Swin-UNETR对CT进行解剖结构分割，获取肿瘤与血管的空间关系；再与17项临床变量（如肿瘤标志物、症状）的轻量嵌入拼接；训练时根据当前分割Dice动态调整分类与分割的损失权重，迫使特征同时包含解剖细节和判别性信息。

• 该框架在真实多中心临床数据上的泛化性能如何？
• 动态多任务目标对分割精度与分类准确率的具体增益是否经过独立验证？
• 模型所需CT和临床数据的采集标准是否严格，部署时能否兼容不同医院的扫描协议？