用于腹部CT上准确肝细胞癌病灶分割的Prompt-mamba过滤网络

更佳肝脏影像为何重要

肝癌是全球致死率很高的癌症之一，部分原因在于许多肿瘤在常规医学影像中难以清晰可见。放射科医师使用CT图像勾画每个肿瘤的精确轮廓，这是一项繁复的工作，直接影响手术、消融以及后续随访治疗。本文介绍了一种新的人工智能（AI）系统，称为Prompt-Mamba-AF，旨在比现有工具更准确、更稳定地自动描绘肝脏肿瘤，尤其擅长检测那些最容易被漏掉的早期微小病灶。

教计算机在哪里关注的新方法

肝脏影像的一个核心挑战是肿瘤可能很小、形状不规则且与周围组织的灰度接近。传统的AI系统试图直接从原始图像中全部学习，这常常导致模型在整个腹部范围内浪费计算资源，而不是集中关注肝脏。Prompt-Mamba-AF增加了一条额外提示：一个粗略的肝脏掩模，指示肝脏的大致位置。这个“提示”引导算法将注意力集中在目标器官，过滤掉肋骨、脾脏和肠道等干扰背景结构。通过在更深层处理之前缩小搜索区域，系统能够把更多计算能力用于区分肿瘤与健康肝组织。

在三维影像中追踪细微模式

CT扫描是三维的，由许多薄层切片堆叠而成。一个小的癌性结节可能只有在将这些切片整体考虑时才清晰可见。许多现有神经网络要么一次仅查看少数切片，要么依赖一种称为自注意力的昂贵操作，这在处理完整三维体积时会变得非常缓慢且占用大量内存。Prompt-Mamba-AF则使用一种更新的序列模型，即状态空间模型，在整个扫描中以更低的计算代价关联信息。这个“Mamba”模块高效地跟踪远程结构，帮助系统发现微弱但一致的异常，并使肿瘤边界在切片之间保持平滑和连续。

更清晰的轮廓、更少的漏检，跨多家医院稳定表现

研究人员在多个来自不同医院、使用不同扫描仪的公共数据集上测试了Prompt-Mamba-AF。在一个大型国际肝脏肿瘤CT集合上，该方法在标准准确性指标上略胜于多种流行的卷积和Transformer类网络，同时参数量少于许多竞争模型。它在发现小肿瘤方面尤为出色：对体积低于5立方厘米的病灶，其与专家标注的重叠度最高，并找回了其他系统漏掉的更多微小结节。当模型在一个CT数据集上训练并“原样”在独立的CT数据集以及MRI扫描上评估时，仍然表现最佳，这表明它学到的是一般的肝脏和肿瘤形状特征，而不是对单一设备或机构的过拟合。

为真实世界杂乱影像设计的内置保护

医院扫描很少完美：低剂量成像产生的噪声、轻微的患者运动以及金属植入物产生的条纹都会遮盖细节。为模拟这些情况，团队在测试图像中故意添加了合成噪声、模糊和缺失区域。所有算法的性能都有下降，但Prompt-Mamba-AF的退化最小。肝脏提示帮助模型忽略器官外的无关伪影，而Mamba模块的全局视野使其即便在轮廓部分受损时也能推断出肿瘤的连续性。解码器中的另一个结构感知过滤步骤进一步清理了锯齿状或碎裂的边缘，从而生成更接近放射科医师绘制轮廓的肿瘤边界。

迈向灵活、可复用的医学AI

除了肝癌，作者还探索了其设计在无需重新训练情况下向其他器官和影像类型迁移的能力。使用表示肾脏、心腔或胰腺的简单掩模，同一网络在这些新任务上也取得了很强的表现，能与或超过为每一器官定制的模型。这表明将“在哪里看”（提示）与“如何描绘边界”（核心网络）分离，可能是构建通用医学影像工具的一种有效方法。

这对患者意味着什么

对非专业读者而言，核心信息是Prompt-Mamba-AF使肝癌护理中的计算机辅助既更准确也更可行。通过聚焦肝脏、高效读取整个三维扫描并生成干净、逼真的肿瘤轮廓，它能检测到更多小病灶并产生在不同医院和扫描仪之间更值得信赖的测量值。长期来看，此类系统可能帮助放射科医师更早发现肝癌、更自信地制定手术计划，并更客观地监测治疗反应，而无需庞大的计算资源或大规模的通用“基础”模型。

引用: 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

关键词: 肝癌, CT影像, 医学人工智能, 肿瘤分割, 肝细胞癌