基于DEP-MHSA增强的3D ResNet-18网络在May-Thurner综合征CT诊断中的创新应用

本研究针对May-Thurner综合征(MTS)诊断中CT影像解剖压缩特征识别难的临床挑战，提出MTS-Net框架，通过双增强位置多头自注意力(DEP-MHSA)模块整合多尺度卷积与位置嵌入技术，在首个人工智能可用的MTS-CT数据集(747例)上实现0.84 AUC的优异性能，为血管压迫综合征的智能诊断建立新范式。

　　

May-Thurner综合征(MTS)作为一种影响20%人群的血管变异，其导致的髂静脉压迫是深静脉血栓的重要诱因。尽管CT成像在临床诊断中具有高敏感性，但传统诊断高度依赖放射科医师经验，且现有AI研究受限于数据稀缺和模型泛化能力不足。这项发表于《Biomedical Technology》的研究通过创新算法与高质量数据集的双重突破，为MTS的智能化诊断提供了新方案。

研究团队采用三大关键技术：(1)构建首个人工智能可用的MTS-CT数据集，包含747例性别平衡样本的标准化和增强CT扫描；(2)开发DEP-MHSA模块，通过1×3×3(Q)、3×1×1(K)和(1+2)D(V)卷积策略模拟医生诊断逻辑；(3)在3D ResNet-18的末两层嵌入该模块，实现空间-时间特征的协同建模。

【模型架构】

MTS-Net采用(2+1)D卷积分解策略，将传统3D卷积拆分为空间(2D)和时间(1D)分量。核心创新DEP-MHSA模块通过三重设计提升性能：在Query生成阶段采用1×3×3卷积聚焦关键帧筛选；Key生成使用3×1×1卷积模拟病灶定位；Value生成采用(1+2)D卷积组合捕捉组织空间关系。相对位置编码则通过高度(E_H)、宽度(E_W)和帧数(E_F)三维嵌入保留解剖结构空间信息。

【实验结果】

在包含100例测试样本的评估中，MTS-Net以0.79准确率、0.84 AUC显著超越3D ResNet-18基线模型(0.75/0.78)和人类专家(0.784)。消融实验证实DEP-MHSA的优越性：仅添加该模块使参数量增至31.17M但性能提升12%，而DEP-Embedding的引入进一步将F1-score提高0.03。值得注意的是，增强CT数据训练使模型在263例小样本下仍保持0.84 AUC，验证了造影剂对AI诊断的增益效应。

【结论与展望】

该研究通过DEP-MHSA模块的创新设计，首次实现了CT影像中MTS特征的自动化精准识别，其诊断性能已超越资深放射科医生。公开的MTS-CT数据集填补了该领域基准数据的空白，为后续研究提供重要基础。未来工作可探索该框架在Nutcracker综合征等血管压迫疾病中的扩展应用，并通过多中心验证进一步提升模型泛化能力。这项成果标志着AI辅助血管疾病诊断迈入新阶段，具有显著的临床转化价值。