TPS-Net：面向肠道肿瘤性息肉实时分割的临床专用网络——突破精准边界定位与实时性能的瓶颈

针对肠道肿瘤性息肉在临床中精准边界定位的迫切需求，研究人员提出基于优化U-Net架构的TPS-Net网络，集成多尺度特征提取（MWS模块）与通道注意力机制（FAM模块），在BKAI-IGH NeoPolyp-tumor数据集上实现96.17%的DSC值，较现有模型提升0.83%，为内镜实时手术提供高精度AI解决方案。

　　

在结肠癌筛查的战场上，肠道息肉犹如潜伏的"定时炸弹"，其中肿瘤性息肉（如腺瘤）的恶性转化风险尤为突出。传统结肠镜检查高度依赖医师经验，但在光线昏暗、黏液干扰的复杂肠道环境中，即使是资深医师也可能漏诊5%-10%的病变。更棘手的是，现有AI模型大多针对普通息肉设计，而临床实践表明：肿瘤性息肉因具有乳头状、绒毛状等复杂形态，其边界定位精度要求远超非肿瘤性息肉——这直接关系到后续内镜下黏膜切除术（EMR）或黏膜下剥离术（ESD）的成败。

面对这一挑战，中国某三甲医院的研究团队在《Current Problems in Surgery》发表了一项突破性研究。他们发现，当通用模型遇到肿瘤性息肉时，性能平均下降6.24%（以DUCK-Net为例），而Transformer架构虽精度高却难以满足实时性需求。为此，团队创新性地开发了TPS-Net（Tumor Polyp Segmentation Network），通过双路径特征处理结构和轻量化设计，在保持33.9 GFLOPs计算量的同时，将单帧推理时间控制在63毫秒，完美匹配25fps的内镜视频流需求。

研究采用四大关键技术：1）基于BKAI-IGH NeoPolyp-tumor数据集（740张肿瘤性息肉标注图像）的迁移学习；2）多尺度加权采样模块（MWS）通过膨胀卷积模拟7×7和15×15大核感受野，结合1×N方向卷积捕获纹理特征（公式1-5）；3）特征注意力模块（FAM）采用全局池化-全连接层结构（公式6-9）动态增强关键通道；4）模拟真实环境的复合数据增强策略，包括亮度（0.6-1.6倍）、旋转（±180°）和剪切（±22.5°）变换。

主要研究结果

1. 性能优势：在肿瘤性息肉专用数据集上，TPS-Net以96.17%的Dice系数（DSC）和92.63%的Jaccard指数刷新纪录，较第二名DUCK-Net分别提升0.83%和1.53%。其独创的MWS+FAM组合使边缘与主体纹理识别效果提升12.19%（表6）。
2. 临床验证：10位消化科医师盲测显示，AI预测结果与金标准标注的区分准确率仅52%，且90%医师认为AI具有临床辅助价值（图9）。值得注意的是，模型在352×352分辨率下表现最优，这对4K内镜的降采样处理具有指导意义（表7）。
3. 泛化能力：在Kvasir-SEG等公开数据集上，TPS-Net保持90.32%的DSC值，证明其对不同设备、光照条件的适应性。但当测试集混入非肿瘤性息肉时，所有模型性能均出现3%-6%的滑坡，凸显专用模型的必要性。

结论与展望
该研究首次证实：针对肿瘤性息肉的特异性建模比通用模型更具临床价值。通过MWS模块的"望远镜式"多尺度观测与FAM模块的"探照灯式"特征聚焦，TPS-Net实现了精度与速度的完美平衡。局限性在于当前47M参数量对基层医院仍具挑战，未来将通过动态滤波器裁剪（可压缩至1.3 GFLOPs）推动普惠应用。研究团队正筹建多模态肿瘤息肉数据库，以突破单一影像模态的局限。正如论文强调："在AI医疗落地之路上，让算法读懂医生的‘视觉语言’，比替代判断更为重要。"这一成果为消化道早癌的智能诊疗树立了新标杆。