基于解剖引导掩码自编码与域自适应提示（AMAP）的多模态脑动脉瘤检测与分割新方法

《npj Digital Medicine》：Anatomically-guided Masked Autoencoder with Domain-Adaptive Prompting (AMAP) for multimodal cerebral aneurysm detection and segmentation

本研究针对脑动脉瘤检测中存在的微小病灶识别困难、血管分叉误分割及跨中心泛化性能不足等挑战，提出了一种融合解剖先验的AMAP框架。该研究通过解剖引导的掩码自编码器预训练、域自适应提示微调及边界感知对比学习三大核心技术，在三个公共数据集上实现了84.6%的Dice分数和0.89的每例假阳性数，显著提升了小动脉瘤检测灵敏度与跨域稳定性，为临床可信AI系统开发提供了新范式。

　　

在脑血管疾病诊疗领域，颅内动脉瘤犹如潜伏的"不定时炸弹"，其破裂可能导致致命的蛛网膜下腔出血。尽管CT血管成像（CTA）和磁共振血管成像（TOF-MRA）等技术已广泛应用于临床筛查，但传统人工智能方法在检测微小动脉瘤（<5mm）、区分血管分叉结构与保持跨中心稳定性方面仍面临严峻挑战。现有模型往往因缺乏血管解剖先验知识、对域偏移敏感而出现高假阳性率，这严重制约了AI辅助诊断系统的临床落地。

为突破这些瓶颈，由黄明轩、刘甜甜、张佳音等研究者组成的跨学科团队在《npj Digital Medicine》发表了题为"Anatomically-guided Masked Autoencoder with Domain-Adaptive Prompting (AMAP) for multimodal cerebral aneurysm detection and segmentation"的创新研究。该工作提出的AMAP框架通过三大技术革新实现了脑动脉瘤检测与分割的精准化与鲁棒化：首先采用解剖引导的掩码自编码器（MAE）预训练策略，将自监督学习聚焦于脑血管区域；其次引入域自适应提示机制，结合全局血管先验与病例特异性提示；最后设计边界感知对比学习与梯度稳定指数移动平均（GS-EMA）优化，显著提升跨域泛化能力。

关键技术方法包括：基于血管形态学生成的解剖引导掩码策略；融合共享提示与实例动态提示的域自适应微调；结合GS-EMA的边界感知对比学习框架。研究使用ADAM（TOF-MRA）、IntrA（CTA）和CQ500三个公共数据集进行验证，涵盖490余例临床数据。

主要研究成果

核心性能突破

在三个公共数据集上的综合评估显示，AMAP在Dice相似系数（84.6%）、95%豪斯多夫距离（3.9mm）和假阳性控制（0.89例/每例）等指标上均显著优于现有方法。与医学领域主流模型相比，AMAP将Dice分数提升3-5个百分点，同时将假阳性率降低约20%。特别值得注意的是，该框架在参数量（Params）和计算复杂度（FLOPs）与UNETR相当的情况下，实现了更优的精度-召回平衡。

消融实验验证

通过系统性的模块消融研究（表3），研究人员揭示了各技术组件的贡献度：解剖引导的MAE预训练单独带来2.1%的Dice提升；域自适应提示机制进一步将性能推高至83.7%；而边界感知泛化策略最终将FP/例降至0.87。这证实了血管聚焦重建、提示引导优化和边界对齐三个组件的协同增效作用。

跨域泛化能力

在模拟真实临床场景的跨中心测试中（ADAM→IntrA，IntrA→CQ500等），AMAP展现出卓越的稳定性。其相对性能下降率（RPD）仅为11.2%，显著低于基线模型的15%以上下降率。特别是在CTA与TOF-MRA模态间的交叉测试中，Dice分数保持在83.2%以上，验证了框架对成像协议差异的适应性。

可视化分析

定性结果显示（图4-6），AMAP生成的分割掩码与金标准高度吻合，尤其在微小动脉瘤（直径2.3mm）和复杂血管分叉区域表现出精确的边界保持能力。通过注意力-真值交并比（IOU）量化分析（表6），提示引导机制将模型关注点与真实病灶区域的对齐度从基线模型的21%提升至72%，证实了解剖先验引导的有效性。

临床价值验证

按动脉瘤尺寸分层的性能分析（表8）显示，AMAP对<3mm微小动脉瘤的检测灵敏度达到80.2%，较Med-MAE基线提升近12个百分点。在不同解剖位置（ICA、MCA、AComA等）的亚组分析中（表7），Dice分数均稳定在82.5%以上，证明了方法对动脉瘤形态多样性的适应性。

讨论与展望

本研究通过解剖引导的自监督学习、域自适应提示和边界感知泛化三方面创新，建立了脑动脉瘤分析的新范式。AMAP不仅实现了量化指标的显著提升，更通过可解释的提示机制增强了临床可信度。研究团队也指出当前工作的局限性：依赖回顾性数据、缺乏前瞻性临床验证、对动脉瘤 mimics（漏斗状扩张、血管襻等）的识别能力尚未验证。

未来工作将聚焦于前瞻性多中心临床试验、扩展至数字减影血管造影（DSA）等模态、结合血流动力学特征进行破裂风险预测，并探索临床工作流集成路径。该研究为开发解剖知识引导的医学影像基础模型提供了重要借鉴，推动可信AI在脑血管疾病管理中的实际应用。