2026年8月8日，澳门理工大学应用科学学院檀韬/孙悦课题组联合南方医科大学严承功教授作为共同通讯作者，在国际权威期刊《Nature Communications》在线发表题为“MRICombo: a deep-learning-based framework for universal volumetric segmentation grading-staging and malignancy detection across heterogeneous MRI”的研究论文。研究团队开发了一套名为MRICombo的统一深度学习框架，能够基于九种异质MRI序列同时完成多器官解剖结构分割、肿瘤定位、肿瘤分级分期以及良恶性鉴别诊断。
该研究构建了一个覆盖2354名个体、总计7380个MRI序列的大规模多模态数据集MRIComboData，涉及T1、T1c、T2、FLAIR、DWI、ADC、DCE、AP和VP共九种成像序列和25种解剖结构与肿瘤类型。在模型设计方面，研究团队创新性地提出了提示重构混合专家架构，该架构通过数据集提示和任务提示两套引导机制动态调配专家网络的激活路径，同时引入了掩码特征重建分支，旨在强制网络学习跨序列和跨器官的通用特征表征。
在分割任务上，MRICombo在14种器官结构和11种肿瘤类型的分割中取得了平均Dice相似系数0.836和0.625的成绩，在器官分割和肿瘤分割上分别超越此前最优模型2.54%和2.52%。在肝脏、左肾、右肾和脾脏等腹部大器官的分割中Dice系数均超过95%，在脑肿瘤全瘤和肿瘤核心的分割上也分别达到88.55%和80.01%。研究团队在肿瘤分割任务中观察到，对于鼻咽癌、转移瘤、膀胱癌和乳腺癌等临床挑战性较高的病灶类型，MRICombo依然取得了60%以上的平均Dice系数。
在分类诊断方面，MRICombo对脑胶质瘤分级、膀胱癌肌层浸润分期、鼻咽癌T分期以及乳腺和肝脏肿瘤良恶性鉴别五项任务展现出了稳定的判别能力，平均受试者工作特征曲线下面积达到0.920。其中脑胶质瘤高分级与低分级鉴别的AUROC达到了0.992，肝脏肿瘤良恶性分类为0.917，膀胱癌浸润分期为0.926。在与六名不同年资放射科医师的对比测试中，MRICombo在五项诊断任务上的表现均超过了所有人类读片者的平均水平。
研究团队还系统评估了模型在序列缺失条件下的鲁棒性，对于每个多序列数据集穷尽了所有可能的序列组合情况。在器官分割任务中，缺失序列条件下的平均Dice系数相较完整序列仅下降了1.49%，肿瘤分割下降了3.02%。在分类任务上，平均AUROC降低约8%，其中脑胶质瘤分级在缺失序列时仍保留了完整序列92.1%的AUROC水平。这一鲁棒性对临床实际应用颇具价值，因为临床场景中序列缺失普遍存在。在对四个独立外部数据集的泛化验证中，MRICombo在肝脏、脑肿瘤和乳腺肿瘤分割任务上保持了94.6%、98.2%以上的性能保留率。在未见过的海马体分割迁移学习任务中，该框架也取得了平均Dice系数87.13%的成绩，超越了从零训练的多项专用模型。
这项研究展示了一个统一的框架能够有效处理多个分割和分类任务，其性能可与针对特定任务设计的专用模型相匹敌。该框架在降低部署成本和简化诊断流程方面展现出一定的应用潜力。
READING
BioPeers
热门跟贴