基于多模态深度学习的肝癌肿瘤自动标注系统：提升诊断效率与精准度的创新研究

《IEEE Journal of Translational Engineering in Health and Medicine》：Effective Tumor Annotation for Automated Diagnosis of Liver Cancer

本研究针对肝癌CT诊断报告中肿瘤标注效率低、依赖人工的临床痛点，开发了一套集成肿瘤分割、定位、测量与识别的自动标注系统。团队提出Multi-Residual Attention U-Net（MRAU-Net）解决梯度消失与特征权重均衡问题，利用Multi-SeResUnet实现肝脏Couinaudi分段定位，结合放射组学特征多标签分类与回归模型完成肿瘤特性识别与尺寸测量。实验表明，该系统肿瘤标注准确率达91.6%，尺寸平均误差仅0.432 cm，显著降低放射科医生工作量，为肝癌精准诊疗提供高效工具。

　　

在当代医学影像学领域，人工智能技术正逐步重塑疾病诊断的范式。尤其在肝癌诊疗中，计算机断层扫描（CT）影像的判读是临床决策的核心依据。然而，传统流程中，放射科医生需手动在CT图像上勾画肿瘤区域、测量其尺寸、判定所在肝段并描述特征，最终形成诊断报告。这一过程不仅耗时费力，更因主观差异可能导致标注不一致性，进而影响治疗方案的精准性。尽管深度学习技术已在医学图像分割领域取得显著进展，但现有方法在肝肿瘤自动标注的完整性与准确性上仍存挑战：例如模型对微小肿瘤的敏感度不足、肝脏解剖分段复杂度高、以及多任务协同标注的集成度不够等。

为解决上述问题，由高雄长庚纪念医院与高雄多所高校联合研究团队在《IEEE Journal of Translational Engineering in Health and Medicine》发表了一项创新性研究，提出一套端到端的肝肿瘤自动标注系统。该系统通过四大核心模块——肿瘤分割、肿瘤定位、肿瘤测量与肿瘤识别，实现从原始CT图像到结构化诊断报告的全流程自动化。研究强调，所谓“肿瘤标注”并非单一任务，而是涵盖空间位置、形态学特征与临床语义信息的综合输出，其质量直接关联诊断效率与可靠性。

为实现高质量标注，团队首先构建了离线训练与在线标注双阶段框架。离线阶段，利用历史CT数据与经自然语言处理转化的结构化标签（准确率90.99%）训练各模块模型；在线阶段，未知CT图像依次经肝脏分割、肿瘤分割、肝段划分、特征提取与分类处理，最终融合位置、尺寸与特性信息生成标注报告。该系统创新性地采用多模型协同策略，取代传统单一复杂模型，以降低计算复杂度并提升各子任务精度。

关键技术方法包括：1）肿瘤分割采用融合连续残差连接与通道-像素双注意力机制的MRAU-Net，辅以阈值化与三维形态学后处理；2）肿瘤定位基于Multi-SeResUnet对肝脏进行Couinaudi八分段，并通过交并比阈值判定肿瘤所在肝段；3）肿瘤测量通过回归模型将像素距离转换为物理尺寸（参数a=0.0748, b=-0.2011）；4）肿瘤识别基于放射组学特征（如形状伸长率、主轴长度等），结合特征选择（信息增益或皮尔逊相关系数）与多标签分类器（支持向量机或随机森林）实现特性预测。实验数据来源于LiTS公共数据集（131例患者）、MedSeg肝段分割数据（50例）及高雄长庚医院临床数据（70例患者），均经五折交叉验证评估。

肿瘤分割性能

研究团队在LiTS数据集上对比了U-Net、注意力U-Net（AUnet）、残差U-Net（ResUnet）等主流模型。结果显示，提出的MRAU-Net以显著优势领先（Dice系数最高），其多重残差结构与注意力机制有效缓解了梯度消失问题，尤其提升了对小肿瘤的分割精度。后处理中的三维形态学操作进一步优化了分割边界连续性。

肿瘤定位效果

肝段分割实验中，团队比较了单模型与多模型策略在2D与3D图像上的表现。结果表明，基于Multi-SeResUnet的多分类器框架在3D空间表现最佳，其Dice值显著高于传统单模型方法。由此实现的肿瘤定位准确率、精确率与召回率均满足临床需求（如定位精度>91%），验证了分而治之策略在复杂解剖结构划分中的有效性。

肿瘤测量稳健性

通过对70例临床数据中肿瘤尺寸（主要分布1-5 cm）的回归分析，测量模型的平均绝对误差（MAE）为0.433 cm，均方根误差（RMSE）为0.639 cm。统计验证显示预测值与真实值间皮尔逊相关系数（PCC）达0.951（p<0.01），证明模型在尺寸换算上的可靠性。

肿瘤识别效能

在11类标签的多标签分类任务中，支持向量机（SVM）与随机森林（RF）表现最优（F1-score领先），而线性判别分析（LDA）因数据非线性特性效果较差。特征重要性分析揭示形状特征（如伸长率、球度）与一阶统计量（能量、熵）对肿瘤特性判断贡献最大。

研究结论指出，该肿瘤自动标注系统首次实现了肝肿瘤CT影像分析中分割、定位、测量与识别的全流程自动化，其91.6%的整体标注准确率与亚厘米级尺寸误差展现了临床转化潜力。目前系统已于高雄长庚纪念医院试运行，初步反馈证实其可将单例报告耗时降低30%以上，有效减轻放射科医生负担并减少诊断差异。未来工作将聚焦于跨中心数据泛化（如联邦学习）、GPU算力优化以支持数据增强，以及扩展肿瘤分期、侵袭性等高级标注属性。此项研究为肝癌精准诊疗提供了可嵌入现有临床决策支持系统的工具范式，有望推动人工智能在 translational engineering（转化工程）领域的实质性落地。