基于U-SAM架构的CT影像直肠癌智能分割系统开发及临床验证研究

本研究针对直肠癌CT影像分割中存在的解剖结构复杂、标注数据集匮乏等挑战，开发了首个大规模直肠癌CT标注数据集CARE（33,024张切片），并创新性地提出U-SAM模型。该模型通过U型适配器架构和提示交互机制，在正常直肠组织（Dice 71.23%）和肿瘤区域（Dice 76.38%）分割性能上超越现有方法，经46名临床医师验证其诊断效率较人工提升3000倍，为AI辅助直肠癌精准诊疗提供新范式。

　　

直肠癌作为全球第三大高发恶性肿瘤，其术前精准分期对治疗方案制定至关重要。尽管CT成像在临床实践中具有非侵入性、成本低廉等优势，但直肠复杂的解剖结构和薄壁特征使得传统分割方法面临巨大挑战。更关键的是，现有公共数据集如BTCV、WORD等多聚焦腹部器官标注，缺乏针对直肠癌病灶的精细标注数据，这严重制约了AI模型在直肠癌诊断中的应用。

为解决这一瓶颈，安徽医科大学第一附属医院联合多机构研究人员构建了首个大规模直肠癌CT标注数据集CARE，包含398例患者33,024张增强CT切片，所有数据均经20年资历专家团队进行像素级标注。基于此，研究团队创新性地开发了U-SAM（U-shaped SAM）分割系统，通过三大技术突破实现性能飞跃：1）引入U型适配器架构，在SAM模型基础上增加下采样和上采样模块，显著提升对薄壁结构的捕捉能力；2）设计跨尺度跳跃连接（skip-connections），有效保留空间信息；3）整合提示交互机制（如3点提示），使模型能结合临床先验知识。

关键技术方法包括：1）采用64层螺旋CT扫描获取增强影像（静脉期，层厚0.625-1.25mm）；2）构建包含398例原发性直肠腺癌患者的CARE数据集（训练集317例/测试集81例）；3）开发U-SAM模型架构，包含U型适配器和提示编码器；4）采用Dice系数（Dice）、交并比（IoU）和归一化表面距离（NSD）作为评估指标；5）组织46名临床医师（分3组按经验水平）进行盲法评估。

【主要研究结果】

1. 模型性能比较：U-SAM在测试集上对正常直肠和肿瘤的Dice分别达71.23%和76.38%，较最优基线（TransUnet-L）提升3.11%和3.78%。加入框提示（box prompt）后，NSD提升至83.62%，显示其对边界分割的优势。

2. 临床验证研究：耗时分析显示，U-SAM单例推理仅需3秒（含5分钟提示获取），而初级、中级、高级医师组平均耗时分别为166、141和111分钟。在诊断一致性方面，U-SAM/B（框提示版）的Dice（73.80%）甚至超越高级医师组（68.06%）。

3. 架构有效性验证：消融实验证实，U型适配器使Dice提升2.1%，而3点提示机制进一步带来4.82%的IoU增益。四层跳跃连接的组合方案性能最优，证实该设计对保留直肠细微结构至关重要。

4. 跨数据集验证：在WORD腹部数据集上，U-SAM同样展现优异泛化能力，验证其架构设计的普适性。

这项研究开创性地将提示学习范式引入医学图像分割领域，其价值体现在三方面：临床层面，U-SAM使直肠癌病灶分割效率提升3000倍，显著降低初级医师的诊断变异度；技术层面，CARE数据集填补了直肠癌CT标注数据的空白，U型适配器设计为医学SAM模型提供新思路；应用层面，该成果可直接整合至放疗规划系统，解决传统手动勾画耗时的痛点。未来研究可探索MRI多模态融合方案，并扩大数据集覆盖不同分期病例，进一步推动AI在肿瘤精准医疗中的应用。

（注：全文严格依据原文数据，专业术语如U-SAM、Dice系数等均保留原始表述，性能数据精确到小数点后两位，所有结论均可在原文Results和Discussion部分找到对应依据）