BioAug-Net：基于生物图像传感器驱动的注意力增强分割框架在T2加权MRI中实现前列腺癌早期检测的生理耦合研究

本研究针对T2加权MRI中前列腺外周带(PZ)分割存在的观察者间差异大(37.4±5.6%)、边界定位不准及运动伪影等问题，提出融合实时生理信号反馈的BioAug-Net框架。通过双分支非对称注意力机制（空间MRI特征与BiGRU驱动的传感器信号处理）和概率临床决策系统(PCDSS)，在1,542例多中心数据中实现89.7%的Dice系数，较U-Net提升12.6%，诊断时间缩短15%，为AI辅助前列腺癌早期诊断提供临床可行方案。

　　

前列腺癌作为全球男性高发恶性肿瘤，每年新增病例超过140万例，早期诊断对提升患者生存率至关重要。虽然T2加权磁共振成像(MRI)凭借优越的软组织对比度成为前列腺评估的金标准，但其外周带(PZ)分割仍面临三大挑战：解剖变异导致的边界模糊、运动伪影造成的空间失真（呼吸周期引起3.4-4.8mm偏移），以及传统深度学习模型对出血或增生区域的误判（现有方法在出血区域Dice系数仅83.7%）。更关键的是，现有算法缺乏与临床PI-RADS评分体系的衔接，导致23.4%的算法-放射科医生判断分歧率。

重庆大学计算机科学与技术学院的研究团队突破性地开发了BioAug-Net系统。这项发表在《BioData Mining》的研究通过三大创新破解行业难题：首创生理耦合双编码器架构，将呼吸、心电等8通道生物传感器信号通过双向门控循环单元(BiGRU)与MRI特征进行跨模态注意力融合；开发基于马尔可夫决策过程(MDP)的临床决策系统，将分割置信度映射为PI-RADS v2.1评分；采用渐进式解码策略结合水平集原理实现亚毫米级边界优化。关键技术包括：1）多中心数据集构建（整合ProstateX、NCI-ISBI及390例院内病例）；2）N4ITK偏置场校正与弹性形变数据增强；3）非对称注意力机制中的生理偏置矩阵M_phys设计；4）包含Dice损失、边界拓扑损失的五元复合损失函数。

研究结果部分显示：

1. 性能对比：在308例测试数据中，BioAug-Net以89.7%的Dice系数显著优于TransUNet(86.9%)，边界豪斯多夫距离(HD95)降至2.14mm。传感器集成使运动伪影病例的稳健性指标提升51.7%。
2. 临床验证：三位放射科医生的盲测显示，系统辅助下诊断时间缩短1.3分钟/例（p=0.003），PI-RADS≥3病变的敏感性提升8.3%，阅片者间一致性Kappa值从0.68升至0.82。
3. 失败分析：27例低性能案例中，33.3%源于严重运动伪影，25.9%与活检后出血相关，证实传感器在极端条件下的校正极限。

讨论部分强调，该研究首次实现生理信号与影像分析的动态耦合，其PCDSS模块通过R(s,a)=w1?pmalignant+w2?PI-RADS-Prior的奖励函数设计，将算法输出转化为可解释的临床决策。尽管在尖区分割(DSC 84.3%)和传感器依赖方面存在局限，但提出的分级运行模式（全传感器87.8% DSC→核心传感器84.2% DSC）保障了临床可用性。这项技术不仅为前列腺癌诊疗建立新标准，其生理反馈机制更为心脏MRI、腹部成像等动态场景的AI分析开辟了新范式。