LCTfound：基于扩散预训练的全肺CT视觉基础模型在疾病诊断与影像增强中的突破性应用

《Nature Communications》：A lung CT vision foundation model facilitating disease diagnosis and medical imaging

本研究针对肺CT影像标注数据稀缺及现有模型生成能力有限等临床挑战，开发了基于105,184例CT扫描训练的LCTfound基础模型。该模型通过扩散预训练联合编码影像与临床信息，在8项任务中超越基线模型：罕见病诊断（纵隔肿瘤Dice 0.7895）、NSCLC预后预测（P<0.001）、虚拟CTA（PSNR 21.14）、稀疏重建（LPIPS 0.0153）等，为精准医疗提供可部署的一体化解决方案。

　　

在全球每年数亿次的肺部CT检查中，人工智能（AI）正逐渐成为辅助医生诊断疾病、规划手术的重要工具。然而，当前医疗AI的发展面临两大瓶颈：一是高质量标注数据严重匮乏，特别是对于纵隔肿瘤、肺泡蛋白沉积症（PAP）等罕见疾病，获取足够病例训练模型极为困难；二是现有模型多针对单一任务开发，泛化能力有限，且在图像质量增强、三维重建等需要像素级处理的任务上表现不佳。这些限制使得AI在真实临床场景中的广泛应用受到制约。

为解决这些难题，由清华大学戴琼海院士、吴天阴教授、徐枫教授与广州医科大学附属第一医院何建行教授领衔的研究团队，在《Nature Communications》发表了题为"A lung CT vision foundation model facilitating disease diagnosis and medical imaging"的研究。该研究构建了迄今规模最大的肺CT数据集LungCT-28M（包含105,184次扫描、2800万图像），并在此基础上开发了基于去噪扩散概率模型（DDPM）的视觉基础模型LCTfound。这一模型通过自监督学习方式，将影像参数（如窗宽、窗位）与临床信息作为条件引导，实现了从疾病诊断到影像质量提升的多任务统一处理框架。

关键技术方法包括：1) 基于五中心485,885例CT扫描构建LungCT-28M预训练数据集，通过自然语言处理（NLP）模型自动提取诊断标签；2) 采用融合Transformer模块的U-Net架构（参数量200M），以DDPM策略进行条件扩散预训练；3) 针对不同下游任务设计适配器，如多层感知机（MLP）用于分类任务，冷扩散方法用于低剂量CT增强；4) 在多中心数据集上验证8类任务性能，包括纵隔肿瘤分割、非小细胞肺癌（NSCLC）预后预测、虚拟CT血管成像（CTA）、稀疏视图重建等。

LCTfound促进疾病诊断与预后评估

在NSCLC预后预测任务中，LCTfound在LUNG1数据集上展现出最优的生存分层能力（P<0.001）。通过梯度加权类激活映射（Grad-CAM）可视化显示，模型注意力集中于病变区域，印证其临床相关性。对于新辅助化疗免疫治疗的病理反应预测，LCTfound在内部和外部测试集上的曲线下面积（AUROC）均领先于MAE、RadImageNet等基线模型。

在罕见病诊断方面，针对发病率为百万分之0.2的肺泡蛋白沉积症（PAP），LCTfound在仅使用297例训练数据时AUROC达0.9532，较次优模型提升6.01%。对于解剖结构复杂的纵隔肿瘤分割任务，在五个外部测试集上Dice系数平均提升3.73%，显著优于MedSAM、MAE等通用医学影像模型。

LCTfound增强三维建模与AI辅助手术导航

研究团队在全肺三维建模中定义了21个解剖结构（如支气管、动静脉等）。LCTfound在所有结构的语义分割任务中均取得最优结果，特别是在气管、细小血管等复杂结构上误差显著降低。通过云平台部署的交互式网站（https://demo.lctfound.com）已实现临床转化，为肺结节精准切除手术提供导航支持。

LCTfound支持多场景影像增强

在影像质量提升方面，LCTfound展现出强大的生成能力：虚拟CTA任务中，峰值信噪比（PSNR）达21.14，较条件扩散模型提升12.9%；在16视图稀疏重建任务中，LPIPS指标降至0.0153，显著优于DuDoTrans等专用重建算法；低剂量CT增强任务（5%剂量）在六项指标中全面领先。值得注意的是，基于LCTfound重建图像训练的纵隔肿瘤分割模型，性能接近原始全视图CT数据，证实其增强结果的临床可用性。

研究结论指出，LCTfound作为首个基于扩散模型的肺CT基础模型，成功实现了诊断性任务与生成性任务的统一。其创新性体现在：1) 通过条件扩散预训练融合影像与临床信息；2) 在像素级任务中保持解剖结构一致性；3) 支持少样本场景下的快速适配。作者同时指出模型存在计算效率待优化、未整合多模态信息等局限，未来将向三维架构与语言模型融合方向演进。该研究为医学基础模型提供了新范式，其开源策略（https://github.com/gingerbread000/LCTfound）将加速医疗AI的临床落地。