一种可临床应用且具有通用性的深度学习模型：跨多家机构用于CT影像中前纵隔肿瘤的研究

为何发现罕见胸部肿瘤至关重要

大多数人在就诊时几乎不会遇到“前纵隔肿瘤”这个词，原因在于这类生长——常涉及位于心脏前方的胸腺——很少见。然而一旦出现，这些肿块在CT影像上既难以识别又难以准确测量，这些任务通常需要大型癌症中心的专家来完成。本研究探讨经过精心训练的人工智能（AI）系统是否能够帮助多家医院的医生在常规CT影像上可靠地发现并勾画这些难觅的肿瘤，从而有望改善诊断和治疗计划，避免患者被遗漏。

从全国范围收集稀缺病例

由于前纵隔肿瘤不常见，第一道障碍就是找到足够的样本来训练AI系统。研究人员与日本国立癌症中心医院及全国135家转诊医院合作，克服了这一难题。在二十多年间，他们收集了711例胸部CT，每例来自不同的已通过组织学确诊的成年患者。为保证测试的公平与现实，他们将数据分为三组：一组用于训练的大样本集、一组用于微调的小样本集，以及一组完全独立的外部测试集——该测试集中包含来自121家未提供训练影像的医院的164例扫描。这样的严格分离模拟了该系统在从未“见过”的新医院部署时的表现。

将影像转化为可靠的训练材料

AI模型的质量取决于其学习的示例，因此团队在专家标注上投入大量精力。对每例CT扫描，专家都勾画出前胸肿瘤的精确边界。胸外科医生或放射技师首先绘制初始轮廓，随后两位有经验的诊断放射科医师进行复核。对任何分歧通过讨论达成一致，产生了反映临床专家实际解读方式的高质量参考标注。研究者使用商业化的无代码AI平台，让临床人员在无需编写程序代码的情况下构建并训练一个三维模型以模仿这些专家轮廓，从而使医疗人员能够直接参与并引导开发过程。

AI如何以三维方式“看见”肿瘤

系统的核心是一种三维化的U-Net神经网络架构，旨在分析整个CT体积而非单张切片。它将一组胸部图像作为输入，并为每个微小体素预测其是否属于肿瘤或正常组织，实质上是在肿瘤上绘制出一个三维遮罩。训练过程中，模型经历了随机旋转、缩放和裁剪等数据增强，使其对患者体位和扫描仪设置的微小差异具有鲁棒性。研究人员随后使用标准的重叠评分来衡量模型预测的肿瘤区域与专家绘制的吻合程度，这些评分既奖励边界的准确性，也关注肿瘤体积的完整覆盖。

在多家医院与不同肿瘤类型中的表现

在来自121家独立医院的外部测试集中，AI模型与专家分割显示出较高的一致性。平均重叠评分（Dice）为0.82，交并比（IoU）约为0.72；精确率与召回率均在0.82–0.85之间，表明模型很少将正常组织误判为肿瘤且能捕捉到大部分肿瘤组织。更重要的是，这些结果在不同厂商的扫描仪、不同肿瘤大小与类型之间都能保持，说明系统能应对临床真实环境中的多样性。作为检测器评估时——即仅判断是否能够发现每个病灶——在严格匹配规则下模型灵敏度约为0.87，且平均每次扫描的误报远低于一次，这样的特性在癌症筛查支持中尤其具有吸引力。

系统能帮上忙的方面与人类仍不可或缺的地方

对成功与失败案例的更细致分析显示出明显规律：AI在较大肿瘤上的表现最佳，而在非常小或对比度很低的病灶上往往较差，可能出现部分遗漏或将附近正常结构（如血管或积液）误判为病灶。这与放射学的日常经验一致：极小或低对比发现最容易被忽视。作者因此认为，该工具最适合在“人机协同”场景中使用。它可以作为高效的初读工具标出可疑肿瘤并勾画其边界，为放疗计划和手术提供现成体积数据，而放射科医师则将注意力集中在复核那些微小、隐匿或有歧义的区域。

对患者与未来工具的意义

对非专业读者而言，核心信息是：一个在罕见但严重的胸腔肿瘤群上训练的AI系统，能够可靠地帮助医生在CT影像上发现并勾画这些癌症，即便是在未向其提供过训练数据的医院也能发挥作用。通过提供准确的三维肿瘤地图并保持较低的误报率，该模型可加快诊断速度、支持更精确的放疗与手术规划，并为避免错过病灶提供额外保障。与此同时，这项工作也强调了AI不能替代专家判断——尤其是在对最小且最暗淡肿瘤的识别上——但作为一种有前景的辅助工具，当临床医生、影像数据与易用的AI平台结合时，其能力将不断增强。

引用: Takemura, C., Miyake, M., Kobayashi, K. et al. A clinically applicable and generalizable deep learning model for anterior mediastinal tumors in CT images across multiple institutions. Sci Rep 16, 6774 (2026). https://doi.org/10.1038/s41598-026-37504-z

关键词: 前纵隔肿瘤, CT影像中的深度学习, 医学图像分割, 癌症诊断辅助, 放射学人工智能