基于深度学习的腹部 CT 扫描胆囊癌（GBC）分割：多中心研究，助力精准医疗

为训练并验证从增强 CT 图像中自动分割胆囊癌（GBC）病变的模型，来自四个不同三级转诊医院的研究人员开展相关研究。结果显示 2D 模型表现优于 3D 模型，MedSAM 分割性能最佳。该研究为 GBC 的精准诊断提供了新方法。

　　在这项回顾性研究中，研究人员选取了在四家不同的三级转诊医院进行过增强计算机断层扫描（CT）且病理证实未经治疗的胆囊癌（GBC）患者。训练和验证队列包含来自中心 1 的 317 名患者的 CT 扫描数据，内部测试队列是来自中心 1 的 29 名时间上独立的患者（内部测试 1），外部测试队列则是来自其他三个中心的 85 名患者的 CT 扫描数据。研究人员训练了如 SAM Adapter、MedSAM、3D TransUNet、SAM-Med3D 和 3D-nnU-Net 等先进的 2D 和 3D 图像分割模型，用于自动分割 GBC。以手动分割为参考标准，通过骰子系数（dice score）和交并比（IoU）评估模型在测试数据集上分割 GBC 的性能。结果表明，2D 模型的表现优于 3D 模型。总体而言，MedSAM 在内部测试集（平均骰子系数（标准差）0.776（0.106），平均交并比 0.653（0.133））和外部测试集（平均骰子系数（标准差）0.763（0.098），平均交并比 0.637（0.116））上均获得最高分数。在 3D 模型中，TransUNet 的分割性能最佳，内部测试集的平均骰子系数（标准差）和交并比（标准差）分别为 0.479（0.268）和 0.356（0.235），外部测试集为 0.409（0.339）和 0.317（0.283）。分割性能与 GBC 的形态无关，且任何分割模型的骰子系数 / 交并比与 GBC 病变大小之间的相关性都较弱。研究人员在大量数据集上训练了 2D 和 3D 的 GBC 分割模型，并在外部数据集上进行了验证，其中基于 2D 提示的基础模型 MedSAM 取得了最佳的分割性能。