编辑推荐：
在非小细胞肺癌（NSCLC）诊疗中，IV 期 NSCLC 因肿瘤形态异质性等问题，其肿瘤精准分割面临挑战。研究人员评估基于深度学习的 3D 架构自动分割方法，发现 Attention U-Net 表现最佳，还提出置信分数量化不确定性。该研究为临床提供帮助，推动 AI 在医学影像领域应用。
肺癌严重威胁人类健康，是全球癌症相关死亡的主要原因之一。其中，非小细胞肺癌（NSCLC）最为常见，约占肺癌病例的 85%。然而，肺癌的总体预后不容乐观，NSCLC 患者的五年生存率仅约 25%，IV 期患者更是低于 10%。对于晚期肺癌患者，免疫疗法虽带来新希望，但并非对所有患者有效，且费用高昂。因此，开发可靠的生物标志物预测治疗反应，实现个性化医疗至关重要。
在肺癌诊疗过程中，CT 扫描发挥着关键作用，可用于疾病诊断、治疗效果评估和长期随访。放射组学通过提取定量影像学特征，为肿瘤表型分析提供支持，在预测患者预后和分层方面具有重要价值。但传统放射组学依赖手工设计的特征，近年来深度学习方法逐渐兴起，尤其是卷积神经网络（CNNs），可自动从数据中学习多尺度特征。不过，实现准确的肺肿瘤分割仍面临诸多困难，特别是在 IV 期 NSCLC 患者中，肿瘤的异质性、复杂的伴随疾病以及多中心数据集的差异，都增加了分割的难度。此外，模型预测的不确定性也会影响临床决策的可靠性。
为解决这些问题，国外研究人员开展了一项关于 IV 期 NSCLC 肿瘤自动分割和不确定性量化的研究。该研究成果发表在《Computerized Medical Imaging and Graphics》上，为肺癌诊疗提供了新的思路和方法。
研究人员使用来自 Deep-Lung-IV 研究的 387 例 CT 扫描数据，这些数据来自多个欧洲中心，具有高度的异质性。在技术方法上，主要包括以下关键步骤：
- 数据预处理：对图像进行重新定向、裁剪和强度归一化处理。使用基于深度学习的肺探测器自动裁剪肺部区域，将图像调整为标准分辨率，并通过腹部窗口对 Hounsfield 单位（HU）进行限制，将体素强度缩放到 0 - 1 之间。
- 模型选择与训练：研究了 U-Net、Attention U-Net 和 UNEt TRansformer（UNETR）等网络架构，还应用了 nnU-Net 框架。采用 5 折交叉验证策略训练模型，通过部分网格搜索优化超参数，最终选择 Attention U-Net 作为最优模型。
研究结果如下：
- 模型性能评估：经过优化的 Attention U-Net 模型在测试集上表现出色，平均 Dice 分数达到 0.76（±0.20），第一四分位数为 0.7。该模型在不同亚组中表现稳定，但在小肿瘤体积或复杂情况下（如肺不张和胸腔积液）Dice 分数较低。
- 消融研究：比较不同架构发现，Attention U-Net 性能最佳，其注意力门机制有助于聚焦肿瘤区域，提高分割精度。窗口化实验表明，腹部窗口虽会排除部分磨玻璃影区域，但能提高肿瘤实体部分的分割精度，适用于晚期疾病。增加训练数据集大小可提升模型性能，当数据集达到约 200 张图像时，性能提升趋于平缓，但更多数据仍有助于捕捉新细节。
- 置信分数评估：通过深度集成方法计算置信分数，该分数与 Dice 系数的皮尔逊相关系数达到 0.86，能有效区分可靠和不确定的分割结果。与蒙特卡罗随机失活（Monte Carlo Dropout，MCDO）方法相比，深度集成方法更可靠。
研究结论和讨论部分表明，该研究验证了基于监督学习的肿瘤分割方法在多中心 3D CT 扫描中的可行性，为 IV 期 NSCLC 患者的肿瘤分割提供了实用指导。置信分数的应用有助于在临床工作流程中筛选可靠的分割结果，提高自动化流程的安全性和可靠性。然而，研究也存在一些局限性，如可用的标注数据有限、超参数优化受时间和资源限制、评估指标存在一定局限性等。未来研究可针对这些问题进一步探索，如采用半监督学习方法利用未标记数据、改进评估指标等。总体而言，该研究为深度学习在肺癌 CT 扫描肿瘤分割中的应用提供了重要参考，推动了可信 AI 算法在医学影像领域的发展，有望加速 AI 在临床实践中的广泛应用，为肺癌患者的个性化治疗带来新的突破。
