基于深度学习的多病灶肺癌CT影像分割技术突破：真实世界多中心研究验证

本研究针对肺癌CT影像中多病灶自动分割的临床难题，开发了基于nnU-Net框架的三步式深度学习管道（LLSB_CFPR），通过胸廓边界框提取、多实例分割和新型多尺度级联分类器（CFPR）的假阳性消除技术，在包含5,322个病灶的1,081例多中心CT数据集中实现76%的Dice相似系数和85%的病灶检测灵敏度，外部验证显示73%的DSC，为肺癌全病灶负荷评估提供了可靠AI工具。

　　

肺癌作为最具侵袭性的恶性肿瘤之一，非小细胞肺癌(NSCLC)占病例80%以上且5年生存率仅28%。CT成像虽是临床分期和监测的金标准，但依赖人工测量的RECIST 1.1标准存在效率低下和可重复性差的问题。更严峻的是，现有AI分割研究多局限于单病灶分析，忽视了转移灶的检测需求——而这恰恰是评估疾病进展和治疗响应的关键。这种"只见树木不见森林"的现状，促使Xavier Rafael-Palou团队开展了这项开创性研究。

研究团队构建了包含1,081例多中心CT扫描的DS-Fuse队列（含5,322个标注病灶），采用三步技术路线：首先通过LMInferer工具生成胸廓边界框解决视野变异问题；随后改进nnU-Net实现多实例分割，用3D连通组件算法区分独立病灶；最终创新性地开发级联假阳性消除系统（CFPR），包含专门处理肺外候选灶的XPC分类器和验证肺内病灶的LVC分类器。外部验证采用188例独立数据集DS-CHM。

【胸廓边界框的优化作用】

比较基线模型LLS与引入胸廓约束的LLSB，DSC提升5.4%至74.6%，证明该预处理能有效聚焦感兴趣区域。图示案例显示，传统肺掩模（绿色）会遗漏胸膜附近病灶，而红色虚线所示的胸廓边界框成功捕获全部目标。

【假阳性消除的级联优势】

CFPR系统展现出精准分工：XPC在DS-FPX测试中AUROC达99%，专精识别肺外假阳性；3D ResNet-50架构的LVC则在肺内验证中取得89.4%的AUROC。两者级联使整体AUROC提升至90.1%，每例CT平均仅产生2个假阳性，同时保持84.9%的召回率。

【体积定量验证】

Bland-Altman分析显示预测与人工标注体积偏差仅-0.001L，95%一致性界限为±0.1L，R²达0.83（p<0.0001），满足临床测量需求。值得注意的是，对≥10mm病灶的分割性能（DSC 81%）显著优于既往研究6个百分点。

这项发表于《European Radiology Experimental》的研究，首次系统解决了多病灶肺癌分割的临床痛点。其创新性体现在三方面：一是采用真实世界多中心数据确保泛化性；二是首创级联分类器策略针对性处理不同来源的假阳性；三是实现全病灶负荷的精准量化。尽管在肺门区和纵隔附近仍存在漏诊（如Fig.7所示案例），但该方法已超越Swin-UNet等对比模型，为肺癌精准诊疗提供了新范式。未来通过纳入更多罕见病灶亚型和扩大无病灶样本验证，将进一步推动该技术的临床转化。