在胰腺导管腺癌（PDAC）中，准确判断肿瘤的可切除性依赖于对CT影像中肿瘤与主要胰腺周围血管相互作用的评估。然而，专家评估往往存在显著的变异性。我们提出了一种完全自动化的多模态深度学习框架，该框架联合分析3D对比增强CT影像和结构化临床信息，将患者分类为三种国家综合癌症网络（NCCN）切除性类别（可切除、边缘可切除、局部晚期）。
该方法使用Swin-UNETR作为主干网络，通过辅助分割胰腺、肿瘤和血管结构来获取解剖学相关的图像表示。这些特征与从17个常规收集变量中得出的紧凑临床嵌入融合，并由轻量级分类头进行处理。模型训练由动态多任务目标引导，根据当前肿瘤Dice性能调整分割与分类之间的平衡，促进解剖信息丰富且具有辨别力的特征表示。
博主点评： 本研究展示了深度学习在医学影像分析中的潜力，尤其是在复杂的胰腺癌可切除性评估中。通过结合CT影像和临床数据，模型不仅提高了评估的准确性，也为个性化治疗提供了重要支持。这种多模态方法无疑为未来的癌症诊断和治疗开辟了新的方向。