MHP-Net：一种革命性的AI模型，用于精确分割肝脏肿瘤以用于诊断和治疗

东京科学研究所的研究团队开发了一种名为“MHP-Net”的新型人工智能模型，标志着医学影像领域小数据人工智能的重大进展。该模型在有限的数据集内，实现了肝脏肿瘤分割的领先性能。与需要数千例患者病例的传统模型不同，该模型使用从7至28个肿瘤中获取的3D图像块进行采样。此外，该模型的表现甚至超越了MICCAI 2017（全球肝脏肿瘤分割竞赛）的冠军作品。

　　

肝癌是全球第六大常见癌症，也是癌症相关死亡的主要原因。准确分割肝脏肿瘤是疾病管理的关键步骤，但放射科医生的手动分割工作耗费大量人力，且常常因专业知识不同而产生偏差。基于人工智能 (AI) 的肿瘤分割模型彻底改变了医学影像中的肿瘤评估——它们利用深度卷积神经网络，在医学扫描图像中识别并勾勒出肿瘤的精确形状、大小和位置。然而，这些模型的有效性严重依赖于海量数据（通常在 1,000 到 10,000 个病例之间）。对大数据的这种需求是医疗 AI 面临的一大障碍。 

为了克服这一障碍，由日本东京科学研究所（Science Tokyo）生物医学人工智能研究中心的铃木健司（Kenji Suzuki）教授和博士生杨宇桥（Yuqiao Yang）领导的研究团队开发了一种突破性的人工智能模型，该模型能够从计算机断层扫描（CT）扫描中准确分割肝脏肿瘤——即使在使用极小的数据集进行训练的情况下——其性能超越了目前最先进的系统。他们的研究成果于2025年5月16日发表在《IEEE Access》杂志第13卷上。  

这项创新的核心是一种名为多尺度 Hessian 增强型基于块的神经网络（MHP-Net）的全新架构。MHP-Net 的工作原理是将医学图像分解成小的 3D 图像块，这样 AI 就可以一次专注于图像的一部分，而不是整个图像。然后，它将原始 CT 图像中的每个块与相应的增强版本配对，这通过一种名为 Hessian 滤波的技术实现。Hessian 滤波有助于突出显示图像中的球形物体，例如肿瘤。 

最终结果是一个高分辨率的肿瘤分割图，能够从增强CT扫描图像中准确描绘出肝脏肿瘤。为了评估模型的性能，团队使用了“Dice相似度评分”，该评分以0到1的等级比较预测分割与实际结果（通常由专业放射科医生标注）的匹配程度。 

Suzuki 指出：“尽管训练集有限，只有 7、14 和 28 个肿瘤，但我们分别获得了 0.691、0.709 和 0.719 的高性能 Dice 分数。凭借这些分数，我们的模型超越了 U-Net、Res U-Net 和 HDense-U-Net 等主流成熟模型。” 

除了其出色的性能之外，该模型的轻量级架构还允许快速训练（10 分钟内）和实时推理（每位患者约 4 秒），使其非常适合在计算资源有限的临床环境中使用。 

“这只是小数据人工智能领域的一个开端，我们可以从有限的数据集中构建出有意义且与临床相关的深度学习模型。” Suzuki 说道。“MHP-Net 的成功也可以启发其他医学成像领域的小数据人工智能解决方案，例如罕见癌症的检测。” 

这项研究彰显了小数据AI在医学图像分析领域的潜力。通过降低训练所需的数据门槛，MHP-Net使AI在医学图像分析中的应用更加普及，尤其是在资源匮乏、数据获取渠道有限的医院和诊所。未来，研究人员计划探索小数据AI模型的更广泛应用，从而实现AI在全球医疗保健领域可扩展、经济高效且用途广泛的部署。