一个针对胰腺肿瘤诊断的多模态AI模型，对前瞻性数据集进行了交叉试验后，结果显示AI辅助诊断可显著提高新手内镜医师的准确性；通过提供可解释性分析结果，帮助经验丰富的内镜医师理解模型的决策逻辑，进一步提高了其对人工智能预测的接受度。华中科技大学同济医院消化内科程斌教授团队开发的这款诊断模型未来有望用于胰腺实体病变的临床诊断。该研究已发表在国际权威期刊《JAMA Network Open》上。

胰腺癌是胰腺肿块的常见原因，5年生存率约为10%，超声内镜是诊断胰腺癌的重要手段。然而，其他恶性较小的肿瘤（如胰腺神经内分泌肿瘤或实体假状肿瘤）和良性胰腺疾病（如慢性胰腺炎和自身免疫性胰腺炎）也可表现为胰腺肿块。由于胰腺癌的治疗和预后与其他病变有很大不同，准确的诊断至关重要。然而，目前超声内镜在区分恶性肿瘤和良性肿块方面的特异性并不理想，范围为50%-60%。

近年来，人工智能模型开始用于肿瘤的筛查、诊断、治疗指导和预后预测。但现有的深度学习模型只在单一模式上运行，忽略了其他方面的潜在诊断效果。

在本项研究中，该团队开发了一个多模态AI模型（Joint-AI模型），可基于患者的临床信息与超声内镜图片对胰腺占位综合考虑做出诊断。而传统单模态模型仅基于超声内镜图像，忽略其他临床信息对患者诊断的潜在价值。该团队使用超声内镜图像和临床信息，来区分癌与非癌性病变，并在内部、外部和前瞻性数据集中，测试了该模型。结果显示，准确率达到98%。

团队还进行了一项前瞻交叉试验，以进一步评估AI模型的性能和辅助能力。结果显示该模型的准确率相较于专家内镜医师、资深内镜医师与新手内镜医师均有不同程度的提升。其中，在该模型的辅助下，新手内镜医师的准确率可从69%显著提高至90%。

程斌表示，相较于传统的模式，联合AI模型结合了超声内镜图像和来自多个方面的临床信息，来模拟临床决策过程，非常方便用于临床工作流程中。目前团队正在进行临床转化，希望帮助临床医生能够在病理结果不确定的复杂情况下，做出更加准确的判断。