FF Swin-Unet：基于深度学习的NAFLD自动分割与严重程度评分新策略

为解决非酒精性脂肪肝病（NAFLD）诊断中人工测量效率低、缺乏标准化分级的问题，研究人员开发了FF Swin-Unet系统。该系统通过半自动化数据构建模块（SNM）、多尺度特征融合的Focal Swin-Unet模块（FSM）和自动评分模块（ASSM），实现了肝脏/脾脏分割Dice系数95.64%和90%的NAFLD分级准确率，显著提升临床诊断效率。

　　

非酒精性脂肪肝病（NAFLD）已成为全球公共卫生挑战，影响着20-30%的成年人群体。传统诊断依赖放射科医师手动测量CT图像中的肝脏-脾脏密度比，存在工作量大、主观性强等缺陷。更棘手的是，现有AI方法在三维器官分割精度和小器官（如脾脏）特征捕捉方面表现不足，且缺乏与临床分级标准衔接的自动化系统。

针对这些痛点，来自国内研究团队的研究人员开发了FF Swin-Unet系统。这项发表于《BMC Medical Imaging》的研究创新性地融合了三种核心技术：首先通过半自动化nnU-Net模块（SNM）构建高质量标注数据集；随后采用改进的Focal Swin-Unet架构（FSM）实现多尺度特征融合，显著提升小器官分割精度；最终开发自动化评分模块（ASSM）将分割结果转化为临床可用的NAFLD分级。该系统在测试中达到脾脏分割Dice系数92.92%，分级准确率90%，单例评估仅需5秒。

关键技术方法包括：基于MSD数据集的半自动化标注流程（SNM）、融合Focal Transformer和特征融合模块（FFM）的改进Swin-Unet架构、以及基于100个三维区域CT值比值的自动化分级算法。研究使用98例经放射专家校验的腹部CT数据，通过随机立方体采样和连接域分析确保测量可靠性。

主要研究结果

1. 模块性能验证：FF Swin-Unet在脾脏分割指标上显著优于基线模型，DSC提升2.43%（92.92% vs 90.5%），边界误差HD95降低10.4%（15.94mm vs 17.8mm）。
2. 分级准确性：与人工测量对比显示90%的一致性（U=47.000,p=0.853），仅在临界值病例存在轻微偏差。
3. 计算效率：经模型压缩和ONNX部署后，处理速度达8-17倍于传统Transformer方案（5秒/例）。

讨论与意义
该研究首次实现从CT图像分割到NAFLD临床分级的全流程自动化。FSM模块中创新的软池化分支和空洞卷积设计，有效解决了脾脏等小器官的细节丢失问题（ASSD 1.28mm vs nnU-Net 2.37mm）。临床转化方面，系统通过Flask-RESTful API实现便捷部署，内存占用可低至2.1GB（CPU模式），适合基层医院应用。局限在于当前数据主要来自MSD单一来源，未来需通过多中心验证提升泛化能力。这项技术为代谢性肝病的标准化筛查提供了新范式，有望显著降低医疗资源消耗。