HMC-transducer: иерархический mamba-CNN транспондер для надежной сегментации опухолей печени

Почему точные карты опухолей важны

Для пациентов с раком печени или почек врачи опираются на КТ‑сканы, чтобы решить, возможна ли операция, лучевая терапия или другие методы лечения. Ключевой этап — тщательное обведение каждой опухоли в трех измерениях, работа медленная, кропотливая и подверженная вариациям при ручной разметке. В этой статье представлен новый вид системы искусственного интеллекта, который может автоматически очерчивать опухоли точнее и стабильнее прежних методов, что потенциально помогает клиницистам планировать лечение быстрее и с большим доверием.

Видеть всю картину в 3D‑сканах

Опухоли печени особенно трудно очерчивать: они сильно различаются по размеру и форме и часто сливаются с окружающими тканями. Традиционные модели глубокого обучения на основе сверточных нейронных сетей (CNN) очень хороши в выявлении тонких деталей на изображениях, но им сложно учитывать дальние пространственные взаимосвязи — как структура в одной области скана соотносится с удаленной областью. Новые модели типа Transformers умеют захватывать такой широкий контекст, но для больших 3D‑объемов КТ они становятся чрезвычайно трудоемкими в вычислении, что ограничивает их практичность в реальных больницах. Авторы утверждают, что для успеха система должна одновременно быть внимательной к деталям и учитывать глобальную картину, не требуя при этом вычислительных ресурсов уровня суперкомпьютера.

Новый гибридный «мозг» для медицинских изображений

Чтобы удовлетворить эту потребность, исследователи разработали HMC‑Transducer — гибридную архитектуру, объединяющую CNN и новую семью моделей пространственных состояний, в частности модель Mamba. CNN‑блоки фокусируются на четких локальных деталях, например на резких границах опухоли. Блоки Mamba отслеживают поток информации по всему 3D‑скану при линейной вычислительной сложности, избегая резкого роста стоимости, характерного для Transformers. Специально спроектированный «направленно‑чувствительный 3D Mamba» обрабатывает скан по трем осям — сверху вниз, слева направо и спереди назад — чтобы модель учитывала реальную анатомическую структуру, а не сводила объем к одномерной последовательности чисел.

Дать модели возможность решать, что важно и где

Центральное нововведение — способ комбинирования этих двух типов признаков. Вместо простого сложения или последовательного наложения выходов CNN и Mamba, HMC‑Transducer использует механизмы управляемого слияния (gated fusion), который обучается для каждой маленькой области скана определять, чему больше доверять — локальным деталям или глобальному контексту. В областях с четкими, резкими границами ворота могут опираться на признаки CNN; там, где опухоли размыты, инфильтративны или находятся рядом с крупными сосудами, механизм может придавать больший вес широкому обзору от Mamba. Эксперименты показывают, что такое адаптивное смешение даёт более точные и стабильные сегментации, чем отдельно CNN или модели на базе Mamba, а также заметно превосходит ранние гибридные подходы с фиксированным, неадаптивным слиянием признаков.

Проверено на разных органах, сканерах и клиниках

Команда оценила подход на трех крупных открытых датасетах: LiTS17 и MSD‑Liver для опухолей печени и KiTS21 для опухолей почки. По этим бенчмаркам HMC‑Transducer последовательно показывал более высокое совпадение с экспертной разметкой опухолей по сравнению с сильными базовыми методами, включая широко используемый nnU‑Net и ведущие модели типа Transformer и Mamba. Модель также лучше обобщалась при обучении на одном наборе данных по печени и тестировании на другом, собранном в других больницах — сценарий, имитирующий реальное развёртывание с разными сканерами и протоколами. В прямом сравнении крупные «фундаментальные модели», такие как SAM и его медицинские варианты, использованные «из коробки» без специализированной дообученности, существенно отставали, что подчёркивает: для критичных задач пиксельного уровня в медицине по‑прежнему нужны специфичные и тщательно настроенные решения.

От лабораторных результатов к клинической поддержке

Для неспециалиста главный вывод в том, что эта работа приближает ПО для картирования опухолей к тому, что действительно нужно врачам: инструменту, сочетающему надежность и эффективность. Объединив два дополняющих друг друга способа «видения» — один сильный в мелких деталях, другой в общей картине — HMC‑Transducer очерчивает опухоли печени и почек точнее и надёжнее прежних систем, при этом работая на стандартном высокопроизводительном больничном оборудовании. Хотя до широкого клинического применения нужны дальнейшие шаги, включая расширенное тестирование на других органах и типах изображений, подход представляет собой многообещающее продвижение к автоматизированным 3D‑картам опухолей, которые могли бы ускорять диагностику, повышать точность операций и способствовать более персонализированному лечению рака.

Цитирование: Zhu, J., Xu, C., Lei, C. et al. HMC-transducer: hierarchical mamba-CNN transducer for robust liver tumor segmentation. npj Digit. Med. 9, 176 (2026). https://doi.org/10.1038/s41746-026-02361-7

Ключевые слова: сегментация опухолей печени, ИИ в медицинской визуализации, глубокое обучение, анализ КТ, гибридные нейронные сети