胰腺导管内乳头状黏液性肿瘤（IPMN）是临床常见的胰腺囊性肿瘤，其恶变潜能具有高度异质性，给临床分层管理带来挑战。影像学检查是IPMN诊断及风险分层的核心依据。近年来随着人工智能技术的快速发展，IPMN的影像学诊断正从传统主观形态学定性评估，逐步迈向定量化、智能化精准分析。本文系统梳理IPMN的病理分型与影像学征象之间的内在对应关系，重点阐述基于福冈指南的风险分层体系，以及CT、MRI、EUS等多模态影像技术在高危征象与可疑征象识别中的应用价值。在此基础上，深入分析影像组学、深度学习等人工智能技术在IPMN诊断中的研究进展，并探讨模型在可解释性、标准化构建及临床转化方面存在的瓶颈与挑战。笔者认为，人工智能模型在高级别病变风险预测中展现出优于传统形态学指标的效能，但其临床应用仍需大规模、多中心前瞻性研究进一步验证。结合我国临床实践特点，本文提出人工智能技术在IPMN诊疗中安全落地、规范化转化的有效可行路径，以期为临床诊疗决策提供参考。

一、IPMN的分类与病理⁃影像学关联

1．IPMN的分型与病理分级：IPMN根据其累及的胰管系统，可分为主胰管型（main⁃duct IPMN， MD⁃IPMN）、分支胰管型（branch⁃duct IPMN， BD⁃IPMN）和混合型（mixed⁃type IPMN， MT⁃IPMN）。病理学上，依据上皮内瘤变程度，可将其分为LGD与HGD。其中，HGD与IC被统称为“高级别病变”，是手术切除的主要指征。

2．IPMN病理⁃影像学关联的基础：IPMN病理改变与影像学表现存在密切关联，二者对应关系是影像精准诊断的基础（表1）。LGD通常表现为薄壁囊肿，内壁光滑，黏液分泌量相对较少。随着病变进展至HGD，上皮细胞增殖活跃，形成乳头状结构，即影像上所见的附壁结节。当病变进一步发展为IC时，肿瘤细胞突破基底膜向间质浸润，可形成更大的实性肿块，并可能侵犯邻近血管和周围组织。

3．IPMN病理⁃影像学关联的局限性：临床实践中存在相当比例的病理⁃影像学错配现象。部分术后病理证实为HGD甚至早期IC的病例，术前影像学可能仅表现为低风险单纯囊肿，无典型附壁结节、主胰管扩张等高危征象。另一方面，胰管内黏液栓及炎性增生组织亦可能被误判为附壁结节，导致假阳性诊断。此类病理⁃影像学错配问题是传统形态学风险分层策略的关键盲点，也正是人工智能技术通过挖掘深层影像特征以实现风险精准评估、弥补现有诊断不足的重要切入点。

二、基于福冈指南的风险分层与多模态影像评估

1．高危特征的多模态评估：福冈指南定义的“高危影像学特征”包括增强实性附壁结节≥5 mm、主胰管内径≥10 mm以及梗阻性黄疸。其中，强化实性附壁结节≥5 mm是预测IPMN恶变的最主要独立危险因素。超声内镜（EUS）对附壁结节的检出灵敏度最优，尤其对直径<5 mm的微小附壁结节，目前被认为是附壁结节评估的金标准。MRI软组织分辨率高，动态增强扫描可清晰显示结节血供特征，检出效能优于CT。CT多期增强扫描虽可显示强化结节，但对微小病灶的灵敏度较低，且结节易与管腔内黏液栓相混淆。在主胰管直径≥10 mm的评估方面，磁共振胰胆管成像（magnetic resonance cholangiopancreatography， MRCP）具有无创、无辐射的特点，是评估主胰管直径和形态的最佳方法。

2．可疑影像学特征的多模态评估：IPMN可疑高危影像学特征主要包括囊肿直径≥3 cm、增强附壁结节（直径<5 mm）、囊壁增厚伴强化、主胰管直径5～9 mm、胰管管径突发狭窄并伴远端胰腺萎缩等。以囊肿直径≥3 cm为例，多项研究证实其作为单一预测因子的临床价值有限，若将其作为手术或EUS检查指征，易造成明显的过度诊疗。附壁结节的影像学评估存在较大的观察者间差异及不同检查模态间差异：EUS对微小附壁结节检出的灵敏度最高，但属于侵入性检查；MRI与CT在结节的定性诊断及定量评估方面各有优劣。各主流影像检查技术在IPMN诊断中的优劣势对比详见表2。

3．传统形态学风险特征的局限性：综合福冈指南中的高危与可疑影像学特征，其在外部验证队列中预测IPMN高级别病变的AUC值通常在0.60～0.75，敏感性尚可，但特异性欠佳。基于形态学征象构建的福冈评估体系对典型高危病变具有较好的识别效能，然而面对临床“灰区”病例（如仅有可疑征象、主胰管中度扩张、微小壁结节或直径2~3 cm的BD⁃IPMN）时，诊断局限性显著。这一难点正是当前人工智能模型研究与优化的核心方向。

三、人工智能在IPMN诊断中的应用进展

1．人工智能的主要应用场景：人工智能技术，尤其是影像组学与深度学习，为突破传统形态学诊断瓶颈提供了新的可能。现有研究依据其旨在解决的核心临床问题，可归纳为3个主要场景（图1）。

（1）术前精准区分低级别与高级别病变。该方向是当前人工智能研究最为集中的领域，其核心目标是提升对HGD/IC的诊断特异性，以减少不必要的手术。现有模型主要通过影像组学或深度学习网络，从CT或MRI图像中提取人眼难以识别的定量深层特征。具体而言，影像组学通过高通量提取大量定量影像特征，并利用机器学习算法构建预测模型。例如，一项基于CT影像组学的研究通过分析肿瘤的纹理、形态及信号强度等特征，构建的BD⁃IPMN恶性程度预测模型AUC值可达0.88；另一项基于MRI的研究则发现，联合T2WI与增强后T1WI影像组学特征可显著提升HGD的诊断效能。

深度学习则通过构建多层神经网络实现图像深层特征的自动学习。与影像组学需手动分割感兴趣区（region of interest， ROI）不同，深度学习可以实现端到端智能诊断。有研究采用卷积神经网络（convolutional neural network， CNN）直接从MRI图像中完成特征学习与预测，其IPMN恶性程度评估的AUC值达0.91，优于放射科医师诊断水平。然而，深度学习模型训练依赖大规模标注数据，且其“黑箱”特性使得临床医师难以追溯决策依据，成为临床应用的主要障碍。

为破解“黑箱”问题，可解释性AI技术，如梯度加权类激活图（gradient⁃weighted class activation mapping， Grad⁃CAM）已逐渐应用于IPMN研究。Grad⁃CAM可通过生成热力图直观显示模型做出诊断时所关注的关键区域，显著提升模型的可信度与临床可解释性。目前代表性模型预测效能稳定，AUC值多介于0.80～0.92，显著优于传统福冈指南。

（2）对“福冈灰区”病例实施风险再分层。这是人工智能最具临床转化价值的应用场景，即针对仅具有“可疑特征”的“福冈灰区”病例进行精准风险再分层。此类患者在传统指南中多建议行EUS检查或密切随访，但临床决策路径仍缺乏明确标准。人工智能模型可深度挖掘影像组学信息，将该类人群进一步细分为高风险亚组（需积极干预）与极低风险亚组（可安全延长随访周期），最终实现个体化精准诊疗。

（3）预测术后复发风险。部分前沿研究已开始探索基于术前影像特征预测IPMN患者术后复发风险。该方向对指导术后辅助治疗决策、制定个体化随访策略具有重要临床价值。

2.人工智能应用的批判性审视：尽管人工智能模型在回顾性研究中展现出优异的诊断效能，但其自身局限性仍不容忽视。首先，对于已存在明确高危影像学特征（如强化实性附壁结节≥5 mm、主胰管内径≥10 mm）的患者，临床通常直接采取手术干预，人工智能对此类病例的增量诊断价值有限。其次，现有模型普遍存在黑箱效应，决策机制难以阐释，显著降低了临床医师对模型结果的认可度。最后，不同医疗中心、检查设备差异所引发的图像质量差异导致的“域偏移”问题，是所有人工智能模型从实验室走向真实世界临床应用亟待突破的核心瓶颈。解决该问题，亦是推动人工智能技术普惠至基层医院、缩小区域间诊疗差距的关键所在。

因此，在获取高质量前瞻性临床试验证据之前，人工智能模型的合理定位应为多学科团队（multidisciplinary team， MDT）诊疗讨论中的辅助风险评分工具，为临床决策提供客观参考依据，而非直接替代医师做出最终临床决策。

3.人工智能临床转化的可行路径：推动人工智能模型在IPMN诊疗中安全、规范化地实现临床落地，需构建分阶段、循序渐进的转化路径：（1）大规模多中心外部验证。依托不同地域、不同设备来源的数据集开展严格的外部验证，评估模型的稳定性与泛化能力；（2）前瞻性决策效能研究：将成熟的人工智能模型嵌入MDT诊疗流程，在前瞻性队列中比较人工智能辅助决策与传统常规决策在减少不必要手术、提高HGD/IC检出率等方面的差异；（3）指南体系整合纳入：若前瞻性研究证实模型具备确切临床获益，可考虑将通过验证的人工智能评估工具纳入新版临床指南作为补充推荐内容。

结合我国临床实践特点，笔者认为，构建基于中国本土人群的IPMN多模态影像数据库，是打破数据孤岛、推动基层诊疗同质化的必由之路。目前国内虽缺乏大规模流行病学基线数据，但国内学者在适配国人特征的风险分层体系构建上已取得重要进展。在传统形态学评估层面，国内研究并未局限于对福冈指南的照搬验证，而是重点开展风险阈值的本土化校准工作。国内多项多中心研究表明，通过对壁结节直径（优化阈值为9.5 mm）、囊壁增厚、胰管截断征等征象进行精细化界定，所构建的恶性风险预测模型优于单一国际通用标准，其C指数可达0.847。上述工作提示，基于西方人群制定的传统形态学诊断标准在我国IPMN患者中存在适用性偏差，亟需依托本土大数据进行修正与优化。在智能化诊断层面，国内研究已逐步从传统形态学征象转向深层特征量化挖掘。多项研究证实，基于MRI构建列线图模型、基于CT静脉期的纹理分析等人工智能方法，均可有效提取人眼无法识别的病灶微观异质性信息。尤其针对传统影像难以定性的灰区病变，人工智能模型的诊断效能（AUC为0.85~0.86）显著优于传统形态学指标（AUC=0.67）。现阶段，国内诸多高质量单中心研究已为IPMN智能化诊疗奠定基础，但要实现从单中心专用模型向通用型临床工具的跨越，仍需依托国家层面的统筹规划，建立标准化的影像数据共享机制予以支撑。

综上所述，目前IPMN影像学诊断正处于由主观形态学评估向人工智能驱动精准风险分层转型的关键阶段。基于福冈指南的传统分层体系在临床实践中发挥了重要作用，但面对灰区病变时诊断效能仍有待提升。以影像组学、深度学习为代表的人工智能技术为突破上述瓶颈提供了新思路，但其临床应用仍面临可解释性不足、行业标准化不统一、泛化能力有限等诸多挑战。推动IPMN影像学诊断领域的持续发展，需要多学科协同推进：搭建开放共享的国际化IPMN影像与临床数据库，统一数据标准、评价指标与验证数据集；开展高质量多中心前瞻性临床研究，充分验证人工智能模型的实际临床获益；加强放射科、胰腺外科、消化内科、病理科及生物信息团队的跨学科深度协作。最终构建融合传统影像学经验与人工智能量化指标的动态个体化风险管理体系，形成IPMN诊疗新范式，使精准诊疗理念惠及更多患者。