深度学习驱动的S2S系统：从筛查到分型的细粒度疾病放射诊断新范式

这篇研究提出了一种名为S2S-Med的人工智能系统，通过整合CT扫描的多阶段诊断流程（包括异常检测、分割和癌症亚型分类），显著提升了细粒度疾病（如43种纵隔肿瘤亚型）的诊断准确性。该系统采用跨视图（cross-view）、跨模态（cross-modality）和跨尺度（cross-scale）模块，模拟临床推理过程，在检测敏感度（0.996）、分割Dice评分（0.804）和分类准确率（0.456）上均优于现有工具（如CAIMEN-CL）。人机协作实验表明，S2S-Med能独立提升医师诊断水平，但医师信任度与AI辅助效果呈正相关（R2 =0.7446），为AI驱动的精准医学提供了可扩展解决方案。

　　

概念与架构
S2S AI创新性地构建了覆盖筛查至分型的全流程诊断框架，突破了传统AI单任务局限。通过跨视图模块模拟医师多视角读片策略（轴向、冠状、矢状面），结合跨模态模块利用增强CT数据预训练提升小样本亚型识别能力，系统在纵隔肿瘤检测中实现近乎完美的敏感性（1.000）。与CAIMEN-CL相比，其分割性能提升4.9%（Dice 0.804 vs 0.766，p=0.001），尤其在神经内分泌肿瘤（+35.0%）等复杂病例中优势显著。

数据特征
研究基于中国20家医疗中心的7,765例纵隔肿瘤CT数据，包含12大类43亚型。数据预处理采用DenseNet121定位肺区，标准化至256×256×256分辨率。值得注意的是，仅使用平扫CT时，系统对胸腺瘤（准确率0.722）和良性囊肿（Dice 0.789）等关键类型的识别仍保持稳定，证实其在资源有限场景的适用性。

技术突破

1. 跨尺度分析：通过多头注意力机制融合病灶全局（8×8特征图）与局部（2×2 ROI）特征，使细粒度分类准确率提升4.3%（p=0.031）；
2. 三维整合：跨切片模块捕获病灶在相邻CT层面的动态变化，对淋巴腺病等解剖复杂病变的分割效果提升44.9%（Dice 0.658 vs 0.454）；
3. 任务协同：当引入完整分割信息时，分类准确率较无定位模型提升71.4%（0.456 vs 0.266），印证了多阶段信息传递的价值。

临床验证
在9名医师参与的实验中，S2S-Med使各层级医师的细粒度诊断准确率普遍提升，但有趣的是，即使资深医师的AI辅助结果（最高0.52）仍低于系统独立表现（0.456）。研究首次发现医师对AI的信任率与其最终准确率呈强相关（R²
=0.7446），提示在复杂疾病诊断中，建立AI可信度可能比单纯提升算法更重要。

应用前景
该系统已扩展至肾肿瘤诊断（见补充材料），其模块化设计支持适配不同影像模态（如MRI）。作者建议未来开发云端部署方案，并通过可解释性接口平衡AI依赖风险。这项研究为AI在甲状腺癌、前列腺癌等需活检确诊的疾病中实现无创早期诊断提供了范式参考。

局限与展望
当前系统在部分罕见亚型（如B细胞淋巴瘤，n=4）表现仍需更多数据验证。跨中心测试显示，当训练数据缩减50%时，基于3D卷积的替代模型（CV-3D S2S-Med）性能下降2.0%，而跨视图模块仍保持稳定，凸显其数据效率优势。研究者呼吁开展更大规模的多病种临床试验，以进一步验证框架的普适性。