基于交互式CT基础模型的实体肿瘤精准评估系统ONCOPILOT：革新RECIST 1.1标准与三维分割技术

为解决传统RECIST 1.1标准在肿瘤评估中存在的测量误差大、信息量有限及缺乏交互性等问题，法国研究团队开发了ONCOPILOT——一种基于8000例CT扫描训练的交互式三维分割基础模型。该模型通过点选、边界框等视觉提示实现精准分割，显著降低观察者间变异（ICC提升至0.94），测量误差较人工降低40%，并支持体积分析等高级生物标志物提取。研究发表于《npj Precision Oncology》，为肿瘤精准诊疗提供了可解释的AI辅助工具。

　　

肿瘤诊疗领域长期面临评估标准滞后的挑战。尽管RECIST 1.1（Response Evaluation Criteria in Solid Tumours）被视为金标准，但其依赖的线性测量仅反映肿瘤长径，无法捕捉不规则形状病灶的真实负荷，且人工测量存在高达20%的观察者间变异。更棘手的是，新兴的体积分析（volumetry）和形态学指标虽能更敏感地监测治疗反应，却因耗时费力难以临床普及。现有AI解决方案又受限于器官特异性设计、标注数据不足和缺乏人机交互机制。这一困境呼唤能融合临床经验与智能算法的革新工具。

法国Raidium公司的Leo Machado团队联合多所医疗机构，在《npj Precision Oncology》发表了名为ONCOPILOT的CT基础模型。研究通过预训练-微调两阶段策略：首先基于Segment Anything Model（SAM）架构，利用TotalSegmentator、MSD等公开数据集（2374例CT）学习通用解剖特征；随后专攻肿瘤分割，在ULS23挑战赛等6229例病灶数据上优化。关键技术包括三维自回归掩膜传播（autoregressive mask propagation）、多模态视觉提示（点选/边界框/编辑点），以及针对不规则形态的球形度指数（sphericity index）量化。

Foundation model
ONCOPILOT以SAM-Med3D为蓝本，在1280 GPU小时预训练后，通过10小时微调实现肿瘤特异性适配。测试显示其单次推理仅需50毫秒，全CT预处理耗时7秒，满足实时交互需求。

Segmentation performance
在包含38693例病灶的测试集中，ONCOPILOT的DICE系数全面超越nnUnet基线（0.71 vs 0.70），仅肺小结节（中位直径9mm）表现稍逊。引人注目的是，编辑模式可消除病灶形态偏倚——不规则肿瘤（球形度<0.6）的DICE从0.66提升至0.74（p<0.001），小病灶（<15mm）误差降低32%。

Morphology analysis
体积<1mL的病灶经编辑后测量误差从14.1%降至9.6%，达到放射科医师水平（ICC 0.94）。外部多中心验证中，其对23mm肺肿瘤的DICE达0.80，显著优于通用模型SAM-Med3D-turbo（0.44）。

Workflow integration
实际应用测试表明，AI辅助使RECIST测量时间缩短17%（17.2秒/例），观察者间变异从2.4mm降至1.7mm（p<0.05）。编辑功能尤其关键，可修正约15%的坏死淋巴结或浸润性病灶的初始分割错误。

这项研究标志着基础模型在医学影像的里程碑式应用。ONCOPILOT不仅将RECIST评估标准化，更突破性地实现了"放射科医师在环"（radiologist-in-the-loop）的交互范式——通过可视化提示和实时编辑，既保留临床判断权，又释放了体积生长率（volume growth rate）、肿瘤负荷（tumor burden）等三维生物标志物的潜力。局限性在于对小肺结节（<10mm）的敏感性不足，未来需通过数据平衡和注意力机制优化。团队强调，这种开放架构（基于公开数据集和SAM）为后续肝转移瘤、多时相分析等场景铺平了道路，有望重塑肿瘤临床试验监测和精准治疗决策体系。