NACS-Net: Normality–Anatomy–Concept Segmentation for Clinically Significant Prostate Cancer on T2-Weighted MRI

在医学影像领域，目标通常是“大海捞针”。对于前列腺癌而言，那根“针”就是隐藏在一个巨大器官内部的微小且难以察觉的肿瘤。医生依靠磁共振成像（MRI）来实现在无需手术的情况下观察体内情况。其中一种特定的 MRI 类型被称为 T2 加权成像，它能产生清晰的软组织图像，并在医院中广泛应用。然而，在这些图像上识别癌症是出了名的困难。肿瘤通常很小，与周围的健康组织混在一起，并且仅出现在扫描中的极少数切片中，而图像的其他部分则是空白空间。这使得计算机程序很难学习要寻找的目标，因为它们往往会忽略稀有的肿瘤，而专注于常见的健康背景。此外，在一个医院训练的计算机程序在面对来自另一家医院的图像时往往会失效，因为机器和扫描设置存在细微差异。

研究人员一直试图构建能够自动在这些癌变区域周围绘制精确轮廓的人工智能系统。虽然有些系统擅长找到肿瘤的大致区域，但它们往往难以精准定位边缘，或者误将健康组织标记为癌症。一项新研究介绍了一个名为 NACS-Net 的系统，专门设计用于处理这些难题，且仅使用一种类型的 MRI 扫描。该系统并非直接寻找肿瘤，而是首先学习正常的、健康的组织是什么样子的。通过理解“正常”，它能更好地发现预示问题的细微偏差。该系统还会不断根据前列腺腺体的地图检查自身的工作，以确保它绝不会将器官外的组织标记为癌症。最后，它将内部思维简化为几个核心概念，这有助于它在面对来自不同机器的图像时保持一致性。结果表明，这种方法创造了更清晰、更准确的肿瘤轮廓，并显著减少了误报，优于以往的方法；不过，研究人员指出，该系统尚未达到完美，仍需进一步测试以确认其在实际临床中的可靠性。

寻找前列腺癌的挑战是三重性的。首先，癌变病灶通常非常微小，仅占据图像的一小部分，而扫描的大部分显示的是健康组织。这种不平衡会干扰标准的计算机模型，使它们习惯于只看到健康组织而忽略了稀有的病变点。其次，在 T2 加权图像上，癌症看起来与周围组织非常相似，提供的对比度极低，难以将其区分开来。第三，在特定医院数据上训练的模型在测试来自另一家医院的数据时往往会失败，因为由于 MRI 扫描仪的不同，图像看起来会有细微差别。为了解决这些问题，研究人员开发了一个框架，将一个强大的预训练计算机视觉模型（本质上是一个已经学习了识别数百万张图像模式的系统）适配到前列腺癌这一特定任务中。他们并没有重新训练整个庞大的模型（这需要巨大的计算能力和数据），而是添加了轻量级的模块，教导系统如何将其通用知识应用于这一特定的医学问题。

其解决方案的第一部分侧重于大量存在的健康组织。系统并没有将扫描中的健康部分视为无用的背景，而是利用它们来学习“正常”状态的详细图景。它创建了一张健康前列腺组织的心理地图，然后将扫描的每一部分都与这张地图进行对比。如果图像的某个部分看起来与健康地图不符，系统就会将其标记为潜在病灶。这种“偏差”图起到了一种引导作用，突出了组织表现异常的区域。这种方法有助于系统发现其他方法可能错过的细微、低对比度的肿瘤，有效地将“健康组织过多”的问题转化为了一个有用的线索。

系统的第二部分确保计算机始终聚焦在正确的区域。由于前列腺癌只能在前列腺腺体内生长，研究人员在系统中内置了一条规则，不断根据腺体形状的地图来检查其预测结果。这张地图是在主要分析开始前由一个独立的工具自动生成的。随着系统不断精炼对肿瘤位置的预测，它会反复检查以确保预测始终保持在前列腺边界内。如果系统开始猜测肿瘤位于周围区域，这种检查机制就会对其进行纠正。这个过程分多个步骤进行，系统在每一步都会变得更加精确，但始终被限制在前列腺范围内。这极大地减少了系统误将腺体外的健康组织识别为癌症的情况，而这是其他模型的常见错误。

第三个组件旨在提高系统在不同医院之间的可靠性。研究人员增加了一个步骤，要求系统在做出最终决定之前，必须将其发现总结为一组简单的、抽象的概念。这迫使系统忽略那些可能属于特定扫描仪或医院的微小且无关紧要的细节，转而关注癌症的核心特征。虽然研究人员尚未为这些抽象概念分配具体的医学名称，但它们充当了一个过滤器，帮助系统更好地泛化到新数据。这种“概念瓶颈”起到了正则化的作用，确保系统的逻辑即使在输入图像发生变化时也能保持一致。

在针对来自多家医院的大规模 MRI 扫描集的测试中，该新系统在内部误报控制以及外部重叠度和边界准确度方面，表现出了优于几种现有先进方法的良好估计值。在内部测试中，它在勾勒肿瘤轮廓方面的 AUC 达到了 0.444，高于其他模型。它还产生了更少的误报，平均每位患者约有 4.5 次错误检测，而其他系统的数值则更高。该系统还在一个完全独立的、来自不同数据集的患者组中进行了测试，而该组患者在之前从未见过。在这次外部测试中，它保持了合理的准确水平，达到了 23.5% 的得分，并保持了较低的误报率，尤其是腺体外的误报。然而，由于该外部组仅包含确诊癌症的患者，因此无法计算标准的检测排名指标。这表明该系统足以应对现实世界医学影像中的变化，尽管它并不声称在整体检测准确度上优于最强的现有模型。

然而，研究人员谨慎地表示，该系统并未宣称已彻底解决了问题。当他们将新系统与最强的现有模型进行直接对比时，发现虽然新系统在减少误报和锐化肿瘤边缘方面表现更好，但在整体检测准确度方面并未显著超越对方。研究还强调，该系统目前依赖于单一类型的 MRI 扫描，而医生通常使用多种类型的扫描来获取完整的图像。研究人员承认，系统的性能受限于初始前列腺地图的质量；如果该地图不准确，系统保持聚焦的能力就会受到影响。此外，系统用于决策的抽象概念尚未经过医学专家的验证，以确保它们对应于真实的生物学特征。

研究结论认为，这种新方法为改进前列腺癌分割提供了一种极具前景的方式，特别是通过利用健康组织作为引导，并在整个过程中执行解剖学规则。它证明了将预训练视觉模型与特定任务导向模块相结合，可以解决医学影像中的独特挑战，如病灶微小和医院间的数据差异。虽然该系统在减少误差和提高边界精度方面展现出强大潜力，但研究人员强调，仍需进一步工作来验证其内部概念的医学意义，并测试其在多种类型 MRI 扫描下的表现。其终极目标是创建一个能够辅助放射科医生进行更准确诊断的工具，但目前，该系统仍是一个复杂的科研原型，而非成熟的临床产品。