一种用于磁共振成像驱动膀胱癌分类的域自适应深度对比网络

更聪明的扫描为何重要

膀胱癌常见且可能危及生命，但并非所有膀胱肿瘤的行为都相同。有些肿瘤局限于膀胱壁表面，而另一些则侵入肌层，需要更积极的治疗。医生使用磁共振成像（MRI）来评估肿瘤侵袭深度，然而这些影像难以判读且在不同医院间存在差异。这项研究提出了一种新的人工智能（AI）系统，旨在更一致、更准确地解读膀胱MRI扫描，无论影像来自何处。

两类肿瘤，两条截然不同的路径

对于患者来说，关键问题是肿瘤是局限于膀胱内层（非肌层侵袭性）还是已经侵入肌层（肌层侵袭性）。答案决定了从手术方式到化疗和放疗的整个治疗方案。当前医生依靠内窥镜检查、组织取样和影像学综合判断，但MRI上肿瘤常表现为边界模糊、形状异常或体积较小，增加判读难度。此外，不同厂商和医院的扫描仪会产生外观略有差异的图像，这会干扰常规计算模型的表现。

构建一个“走得远”的AI

作者开发了名为DADCNet的系统以克服这些难题。他们在来自四家不同医疗中心的279例膀胱癌患者的MRI扫描上训练该系统，这些中心使用了不同品牌和设置的扫描仪。与其只在一家医院学习然后在另一家测试，网络在训练时同时输入来自“本地”中心和未来会遇到的“新”中心的图像。模型内部的特征提取阶段将原始图像转换为数值模式，而一个特殊的“域自适应”模块则使这些模式在不同医院之间更为相似。这有助于AI关注影像中的医学信息，而非扫描仪的特性差异。

教会系统识别明显差异

第二项创新在于训练网络以区分两种疾病类型的方法。除了简单奖励正确答案外，作者使用了一种技术，鼓励相同类型的肿瘤在模型的内部空间中紧密聚集，同时将不同类型图像相互推远。随着训练进行，这种基于对比的方法帮助模型在非肌层侵袭性和肌层侵袭性之间划出更清晰的边界。可视化工具显示，最初交织在一起的两组内部表示，随着训练逐步分离成不同的簇。

将新方法付诸测试

研究者将他们的系统与多种在医学影像中广泛使用的知名深度学习模型进行了比较。通过对不同数据切分进行重复测试，DADCNet在准确率和在正确识别肌层侵袭性肿瘤与避免误报之间的平衡方面表现更佳。当设计中的某些部分被关闭——无论是跨中心自适应模块还是基于对比的训练——性能都会下降且变得不稳定，强调了两部分同时重要性。额外的实验模拟了真实世界使用情形：在一些医院训练并在完全不同的一家测试，结果显示DADCNet比其他模型更能优雅地应对这些变化。

看清AI“注视”的位置

为让临床医生放心，团队考察了网络在做出预测时依赖MRI扫描的哪些区域。热图显示模型主要关注肿瘤本身及其邻近的肌层——这正是放射科医生在判断癌症是否侵入肌层时检查的区域。人类与机器注意力的这种一致性，加上模型内部肿瘤类型的清晰分离，表明系统并非仅仅记住表面模式，而是在学习具有医学意义的线索。

这对患者意味着什么

简而言之，这项工作表明，经过精心设计的AI可以高精度地解读膀胱MRI扫描，即便这些扫描来自不同医院和设备。通过学习忽略中心之间的技术差异并强化早期与晚期疾病间的对比，DADCNet有望帮助医生更自信、一致地决定膀胱癌的治疗强度。尽管仍需更大规模的研究和更广泛的测试，但这种方法指向了可在医院间良好移植的未来影像工具，帮助确保患者基于更可靠的影像解读获得恰当的治疗水平。

引用: Huang, J., Hu, H., Sun, M. et al. A domain-adaptive deep contrastive network for magnetic resonance imaging-driven bladder cancer classification. npj Digit. Med. 9, 305 (2026). https://doi.org/10.1038/s41746-026-02499-4

关键词: 膀胱癌 MRI, 肌层侵袭性膀胱癌, 医学影像 人工智能, 域自适应, 对比学习