基于深度学习的胸腺CT自动分割与多维度测量系统Thy-uNET的开发与验证

针对胸腺解剖结构复杂且随年龄动态退化导致的医学影像评估难题，华中科技大学团队开发了深度学习工具Thy-uNET。该系统通过两阶段nnU-Net架构实现胸腺区域精准分割（Dice=0.83），并首创自动化测量7项胸腺特征（包括CT值、AP/TR径线等），在286例多中心测试中与专家测量高度一致（ICC=0.841）。研究表明其性能媲美初级医师且耗时显著缩短，为免疫相关疾病研究提供了高效可靠的量化工具。

　　

胸腺作为T淋巴细胞发育的核心器官，其结构与功能评估对免疫疾病诊疗至关重要。然而这个隐匿于前纵隔的小器官却给临床带来双重挑战：解剖上，胸腺边界模糊且随年龄增长发生脂肪替代（即胸腺退化）；技术上，传统CT评估依赖医师手动勾画，既耗时（单例需数分钟）又存在观察者间差异。更关键的是，现有方法仅能获取体积等简单参数，无法全面反映胸腺多维形态特征与免疫功能的相关性。

华中科技大学同济医学院附属协和医院放射科团队在《BMC Medical Imaging》发表的研究中，开发出全球首个胸腺全自动分析系统Thy-uNET。该系统通过创新性的两阶段深度学习架构，不仅实现胸腺区域精准分割，更能一次性输出7项定量指标：CT值（反映脂肪化程度）、前后径（AP）、横径（TR）及左右叶长度/厚度等。研究团队从三家医疗中心收集786例CT数据（含公共数据库TCIA），由25年资历的放射科专家标注建立金标准。技术核心在于：1）采用带类别权重调整的nnU-Net进行粗分割；2）基于感兴趣区域（ROI）裁剪的精细分割；3）几何算法自动计算多维参数。

分割性能验证
在286例测试数据中，Thy-uNET展现出惊人稳定性：内部测试集Dice系数达0.85，外部验证集保持0.82。值得注意的是，其对不同扫描设备（Philips vs GE）、层厚（薄层1mm vs 厚层5mm）均表现稳健，且在老年组（>60岁）与年轻组间无差异——这对评估退化的胸腺尤为关键。如图1所示，模型分割结果（红色区域）与人工标注（绿色）在矢状位、冠状位上高度吻合。

测量准确性突破
系统测量的7项指标与专家结果相关性显著：CT值（R=0.829）、AP径（R=0.835）等关键参数ICC均>0.8，误差小于初级医师水平（MAE=5.5mm）。但右叶厚度测量（ICC=0.525）提示算法对不对称结构的识别仍有提升空间。图3的Bland-Altman分析显示，CT值测量偏差集中在±20HU内，符合临床可接受范围。

临床实用性验证
6名不同年资医师参与的读者研究中，Thy-uNET仅需秒级完成分析，较人工测量提速90%以上。当提供给住院医师参考时，其CT值测量误差降低37%（p<0.05），且诊断时间缩短至原1/3。图5直观显示AI辅助显著提升初级医师工作效率，但对复杂参数（如右叶厚度）改善有限。

这项研究标志着医学影像分析的重要进步：首次实现胸腺结构与功能的全面量化评估。Thy-uNET的创新性体现在三方面：1）突破传统体积测量的局限，通过多维度参数构建胸腺"形态组学"；2）解决小器官分割的类不平衡难题，两阶段策略使Dice提升7%优于传统U-Net；3）创建开放算法平台（GitHub可获取），促进多中心免疫学研究。未来工作需纳入胸腺瘤等病理样本，并探索影像特征与TRECs（T细胞受体切除环）等免疫功能标志物的关联。