MKNet系列架构在胰腺术后残余胰腺自动分割中的深度学习比较研究：突破术后CT影像分析瓶颈

《Abdominal Radiology》：MKNet-family architectures for auto-segmentation of the residual pancreas after pancreatic resection: a deep learning comparative study

本研究针对胰腺术后CT影像中残余胰腺分割的临床难题，开发了新型MKNet家族深度学习架构。通过对比术前术后数据集的表现，发现MAKNet模型在Hausdorff距离（HD=17.3±11.2 mm）和95%分位Hausdorff距离（HD95=11.5±10.2 mm）指标上最优，79%的分割结果仅需微小或无需修改。该研究实现了术后胰腺自动分割技术的突破，为术后并发症监测和肿瘤复发检测提供了重要工具。

　　

胰腺手术是治疗胰腺（前）恶性疾病的常见手段，但术后CT影像解读面临巨大挑战。由于手术切除后的解剖结构改变、术后纤维化以及个体间胰腺形态的天然差异，残余胰腺的精确分割变得异常困难。这种复杂性不仅要求放射科医生具备丰富的专业知识，还可能导致诊断延迟，影响术后并发症和肿瘤复发的及时发现。尽管深度学习技术在医学影像分割领域展现出巨大潜力，但现有模型主要针对术前相对正常的胰腺形态开发，在复杂的术后环境中表现不佳。

发表在《Abdominal Radiology》的这项研究首次系统评估了深度学习模型在胰腺术后分割中的性能。研究人员开发了MKNet家族架构（包括MKNet、MSKNet和MAKNet），通过多尺度卷积块（Multi-Scale Convolutional Blocks, MCBs）增强模型对复杂形态的捕捉能力。研究采用美国国立卫生研究院（NIH）的82例术前CT数据和IMPACT联盟的81例术后CT数据（术后<4周），通过4折交叉验证比较了多种先进模型的表现。

关键技术方法包括：使用PlatiPy库进行DICOM到NIFTI格式转换，采用[-100,240]的强度值裁剪和Min-Max标准化，将体素重采样至1 mm³各向同性分辨率；模型训练使用Novograd优化器，结合Dice和Focal Loss解决类别不平衡；性能评估采用Hausdorff距离（HD）、95%分位Hausdorff距离（HD95）、标准化表面距离（NSD）和Dice相似系数（DSC）等指标。

定量性能

在术后环境中，所有模型性能均显著下降，DSC下降约20%，HD增加3-7 mm，HD95几乎翻倍。MAKNet在边界精度指标上表现最优（HD 17.3±11.2 mm，HD95 11.5±10.2 mm），而Attention U-Net在DSC（66.0±13.8%）和NSD（27.8±8.4%）上领先。值得注意的是，重新实现现有模型（如PanKNet和MU-Net）未能复现文献报道的DSC值，差异达7-12%，凸显了评估标准统一的重要性。

定性性能

十名腹部放射科医生对MSKNet分割结果进行评估显示，79%的分割结果仅需微小或无需修改即可满足临床需求。专家们指出模型在萎缩胰腺组织和低对比度区域存在低估倾向，特别是在胰头部位容易与十二指肠混淆，而在胰尾部位则可能包含部分脾血管。

讨论与结论

研究表明，术前分割模型不能直接应用于术后环境，凸显了开发专用模型的重要性。虽然定量指标显示模型在远端胰腺切除术后有更好的DSC和HD值，但临床评估反而认为胰十二指肠切除术后分割结果更实用，这表明单纯追求数值指标优化可能无法完全反映临床价值。

研究存在的局限性包括放射科医生间评价一致性较低（Fleiss' κ=0.23），以及金标准标注可能受切片厚度和预处理影响。尽管如此，该研究首次证明了深度学习在术后胰腺分割中的可行性，为后续研究奠定了重要基础。

该技术的成功开发将显著加速术后胰腺的数据标注流程，减少临床医生工作量，并为放射科培训和教育提供有力工具。未来通过多中心外部验证和持续优化，这一方法有望成为术后胰腺影像分析的标准辅助工具。