胰腺癌早诊人工智能模型 Redmod 研究和长期随访

胰腺癌早诊人工智能模型 Redmod 研究


美 国 梅 奥 诊 所 Mukherjee等，研究开发了人工智能模型 Redmod，通过标准 CT 影像识别出隐匿的组织特征，可较临床确诊提前 475 天（中位数）发现胰腺癌的踪迹，AUC 达到 0.82，敏感性较放射科医生提升近倍。（Gut. 2026 年 4 月 28 日在线版）
Redmod 在与放射科医生的直接对比测试中，正确识别早期胰腺癌病例的比例为 73%，而医生审阅同一影像的识别率仅约 39%。在距确诊超过两年的扫描图像中，这一差距进一步扩大，AI 检出率为 68%，医生仅为 23%。
胰腺癌患者 5 年生存率约 10%，超 85% 的患者发现时已为晚期，治疗手段有限，提早胰腺癌诊断的时间窗将大幅度提升预后。建模研究显示，若能将局部胰腺导管癌的比例从 10% 提升到 50%，胰腺癌患者生存率可能实现翻倍以上。
Redmod 系统的核心能力在于分析 CT 图像中人眼无法识别的细微模式变化。该系统由美国梅奥诊所研究人员及合作团队开发，通过对超过 1400 人的扫描数据进
行训练和测试，其中包括 219 例早




















期 CT 读片结果正常、但后来确诊为胰腺癌的患者。患者确诊胰腺癌前 3~36 个月接受过 CT 检查，并匹配了 1243 名随访 3 年中未患病的对照组，二者比例贴近真实世界筛查场景。为避免主观误差，研究采用基于 3D nnU-Net 架构的深度学习模型进行全自动胰腺体积分割，确保了对胰腺边界刻画的精准度与可重复性。融合逻辑回归（LR）、随机森林（RF）和极端梯度提升（XGBoost）三种算法的优势输出最终诊断结果， Redmod 模型完成。
219 例患者数据构成了验证 AI 早期预测能力的关键样本，这些扫描在当时被放射科医生判定为正常，而 Redmod 能从中回溯性地识别出异常信号，中位提前约 475 天发出预警。在独立测
试集（493 例） 中，Redmod



















表现出远超资深放射科医生的能力， 其 AUC 达到 0.82， 特异性 81.1%， 准确率 80.1%， 敏感性为
73.0%，而放射科医生的敏感性仅为 38.9%。
Redmod 最显著的特征是能提前临床确诊前很长一段时间捕捉到胰腺癌信号，中位提前时间 475天，确诊前 3~24 个月敏感性可维持在 75%，＞ 24 个月的情况仍能维持在 68.4%。Redmod 与放射科医生比较的差距在时间维度上更突出，对于距确诊超过两年的扫








25







描图像，AI 检出率为 68%，医生仅为 23%。意味着在病变信号最微弱、距离临床确诊最远的阶段， AI 的相对优势反而更大。这一时间窗口具有深远意义，实现如此早期的检测将大幅提升治愈概率和改善生存转归。
研究者测试了不同的数据集， Redmod 表现出了极强的通用性和稳定性。Redmod 表现出良好的泛化能力，在不同医院、不同扫描设备的数据上表现稳定，且对未发展为癌症的人群，正确分类率超过 80%，显示出较低的误报倾向。
该研究数据显示，AI 早期检测工具意义不仅在于技术层面的检出率提升，更在于能将更多患者推入手术或其他根治性治疗可行的窗口期，诊断时机是决定生存转归的最关键单一因素。从临床路径看，Redmod 应用场景或将聚焦于高风险人群的主动筛查，如伴有不明原因体重下降和新发糖尿病的老年人群，通过对这类人群的常规CT进行AI 辅助分析，实现风险分层和早期预警。
研究者指出，尽管研究结果令人瞩目，Redmod 在进入常规临床应用前，需经过前瞻性研究验证，




























确证其可切实改善患者预后。回溯性研究与前瞻性临床应用之间存在本质区别，回溯性研究在已知结果前提下评估模型表现，前瞻性研究需在真实筛查场景中证实AI 介入可带来量化的生存获益。




























如何将 AI 整合入现有医疗体系、如何界定筛查适用人群、如何处理假阳性带来的过度诊断风险，都是推广应用前需系统解决的问题。

游客，您所在的用户组（游客）暂无权限查看回复内容，请微信注册本站

rel="nofollow"