Фильтрующие сети Prompt-mamba для точной сегментации очагов гепатоклеточной карциномы на абдоминальной КТ

Почему важны более точные сканы печени

Рак печени — один из самых смертоносных видов рака в мире, отчасти потому, что многие опухоли трудно разглядеть на рутинных медицинских снимках. Радиологи используют КТ-изображения, чтобы аккуратно очертить контуры каждой опухоли — кропотливая работа, которая напрямую влияет на план операций, абляции и последующее наблюдение. В этой статье представлен новый искусственный интеллект (ИИ), названный Prompt-Mamba-AF, предназначенный для автоматического выделения опухолей печени точнее и стабильнее существующих инструментов, особенно мелких ранних очагов, которые проще всего пропустить.

Новый способ подсказать компьютеру, где смотреть

Одна из ключевых трудностей в визуализации печени в том, что опухоли могут быть маленькими, неправильно формы и почти того же оттенка, что и окружающие ткани. Традиционные ИИ-системы пытаются извлечь всю информацию прямо из исходного изображения, из-за чего они часто распыляют ресурсы на весь живот вместо того, чтобы сконцентрироваться на печени. Prompt-Mamba-AF добавляет дополнительную подсказку: грубую маску, показывающую, где находится печень. Эта «подсказка» направляет алгоритм сосредоточиться на органе интереса, отфильтровывая отвлекающие фоновые структуры вроде рёбер, селезёнки и кишечника. Сужая область поиска ещё до более глубокой обработки, система может посвятить большую часть своих ресурсов разделению опухоли и здоровой ткани печени.

Отслеживание тонких закономерностей в 3D-объёмах

КТ-сканы — трёхмерные, они состоят из множества тонких срезов, уложенных друг на друга. Небольшой злокачественный узелок может проявляться явно только при рассмотрении этих срезов в целом. Многие существующие нейросети либо анализируют лишь несколько срезов одновременно, либо опираются на тяжёлую математическую операцию, называемую self-attention, которая становится очень медленной и требовательной к памяти для полноценных 3D-томограмм. Вместо этого Prompt-Mamba-AF использует более новый тип последовательной модели, известный как модель состояния (state-space model), чтобы связывать информацию по всему скану при гораздо меньших вычислительных затратах. Модуль «Mamba» эффективно отслеживает дальние зависимости, помогая системе замечать слабые, но согласованные аномалии и обеспечивать плавные, непрерывные границы опухоли между срезами.

Более чёткие контуры, меньше пропусков, в разных больницах

Исследователи протестировали Prompt-Mamba-AF на нескольких публичных наборах данных, собранных в разных больницах и на разных сканерах. На крупной международной коллекции КТ-изображений с опухолями печени новый метод превзошёл ряд популярных свёрточных и трансформерных сетей по стандартным метрикам точности, при этом используя меньше параметров, чем многие конкуренты. Он особенно хорошо находил мелкие опухоли: в очагах объёмом менее 5 куб. см метод показал наилучшее совпадение с экспертными разметками и обнаружил больше крошечных узелков, которые другие системы пропускали. При обучении на одном наборе КТ и оценке «как есть» на отдельном наборе КТ, а также на МРТ, модель по-прежнему демонстрировала лучшие результаты, что указывает на то, что она усвоила общие формы печени и опухолей, а не переобучилась под конкретный аппарат или место съёмки.

Встроенные меры защиты для шумных реальных изображений

Больничные сканы редко бывают идеальными: шум при низкой дозе облучения, небольшое движение пациента и артефакты от металлических имплантов могут затемнять детали. Чтобы имитировать такие условия, команда намеренно искажала тестовые изображения синтетическим шумом, размытием и отсутствующими участками. Все алгоритмы работали хуже, но Prompt-Mamba-AF деградировал меньше всего. Подсказка о печени помогала модели игнорировать нерелевантные артефакты за пределами органа, а глобальный обзор модуля Mamba позволял выводить непрерывность опухоли даже при повреждении частей контура. Отдельный этап фильтрации, учитывающий структурную информацию, в декодере дополнительно очищал рваные или фрагментированные края, давая контуры опухолей, более похожие на то, что нарисовал бы радиолог.

К гибкому, переиспользуемому медицинскому ИИ

Помимо рака печени, авторы проверили, как их архитектура переносится на другие органы и типы изображений без дополнительного дообучения. Используя простые маски для указания почек, камер сердца или поджелудочной железы, та же сеть показала высокую производительность на этих новых задачах, соперничая или превосходя модели, специально настроенные под каждый орган. Это говорит о том, что разделение «где смотреть» (подсказка) и «как очертить границу» (основная сеть) может быть эффективным рецептом для создания универсальных инструментов для медицинской визуализации.

Что это значит для пациентов

Для неспециалистов главный вывод таков: Prompt-Mamba-AF делает компьютерную помощь в лечении рака печени одновременно более точной и более практичной. Сосредотачиваясь на печени, эффективно читая целые 3D-сканы и обеспечивая чистые, реалистичные контуры опухолей, система обнаруживает больше мелких очагов и даёт более надёжные измерения в разных больницах и на разных сканерах. В долгосрочной перспективе такие системы могут помочь радиологам выявлять рак печени раньше, планировать операции с большей уверенностью и объективнее отслеживать ответ на лечение, не требуя огромных вычислительных ресурсов или массивных универсальных «фондовых» моделей.

Цитирование: Xia, L., Chen, HY., Cao, YW. et al. Prompt-mamba filtering networks for accurate hepatocellular carcinoma lesion segmentation in abdominal CT. npj Digit. Med. 9, 193 (2026). https://doi.org/10.1038/s41746-026-02371-5

Ключевые слова: рак печени, КТ-изображения, медицинский ИИ, сегментация опухолей, гепатоклеточная карцинома