基于多模态MRI与通用医学基础模型的精准前列腺癌分割系统PCaSAM研究

本研究针对前列腺癌(PCa)多模态MRI图像分割的临床挑战，创新性地开发了PCaSAM模型。该研究通过整合通用医学基础模型MedSAM与多模态融合技术，在包含1431例的多中心数据集验证中，实现了平均DSC 0.721-0.706的优异分割性能，较现有方法提升8.7-14.7%。特别值得注意的是，该系统显著提升PI-RADS评分准确率（AUC增加8.3-8.9%），为临床决策提供了高效可靠的自动化工具。

　　

前列腺癌作为男性高发恶性肿瘤，其精准诊断一直面临重大挑战。传统MRI图像分析依赖放射科医师手动勾画病灶边界，存在效率低、主观性强等问题。尽管深度学习技术如U-Net已应用于前列腺癌分割，但面对多中心数据差异、病灶异质性等复杂情况时，现有模型的泛化能力和精度仍显不足。更关键的是，临床广泛使用的PI-RADS评分系统亟需自动化工具支持，以提升诊断一致性。

针对这些临床痛点，来自香港科技大学等机构的研究团队在《npj Digital Medicine》发表了突破性研究成果。该研究创新性地将通用医学基础模型MedSAM与多模态MRI技术相结合，开发出全自动前列腺癌分割系统PCaSAM。通过构建包含1431例的多中心数据集（Prostate158、PI-CAI等），研究人员设计了双阶段模型架构：首先采用多模态融合模块(MFM)整合T2W、DWI、ADC图像特征，再通过提示生成模块(PGM)实现自动化边界框定位。关键技术包括基于Transformer的多头交叉注意力(MHCA)模态融合、多尺度模态注意力(MSMA)机制，以及创新的边界框迭代优化算法。

研究结果显示，PCaSAM在内部测试集达到0.729（Prostate158）、0.749（PI-CAI）、0.685（PMUB）的DSC值，较基础模型MedSAM提升8.7-14.7%。

更令人瞩目的是，在外部验证集IPS-A/B上，其性能仅下降0.015（DSC 0.706），显著优于传统模型0.278-0.295的表现，证明其卓越的泛化能力。

模型效率方面，PCaSAM仅需优化12.48M参数（相当于U-Net的36%），5个epoch即可收敛。

临床转化价值体现在：当分割结果辅助ResNet50进行PI-RADS评分时，AUC值提升8.3-8.9%（如IPS-A数据集PI-RADS 5的AUC从0.688升至0.825）。

该研究的突破性在于：首次验证医学基础模型在复杂肿瘤分割任务中的适应性，通过多模态特征融合解决了传统单模态模型的局限性。PCaSAM的自动化设计显著降低临床使用门槛，其高效性使其可在8GB显存GPU上部署。研究团队指出，未来工作将聚焦于扩大模态兼容性（如纳入DCE序列）和优化自动边界框生成模块。这项成果为AI辅助前列腺癌精准诊疗树立了新标杆，对推动个性化肿瘤治疗具有重要意义。