TotalSegmentator显式解剖先验在成熟CT检测器之外的价值：六类急性腹部急症的推理期与训练期评估

《Journal of Imaging Informatics in Medicine》：Evaluating Explicit Anatomical Priors Beyond a Mature CT Detector for Six Acute Abdominal Emergencies

　　

为测试来自通用器官分割模型（TotalSegmentator, TS）的解剖先验在推理时或训练时应用，能否改善一个经外部验证的YOLOv11检测器对六类急性腹部急症的检测。将冻结检测器应用于827例具有语言模型报告标签的外部Stanford Merlin CT研究；一个嵌套的280例放射科医师裁定子集为参考标准。将TS衍生的切片选择（Arm A）、器官状态整合（Arm B）及其组合（Arm C）与单独检测器在冻结、重校准和微调条件下比较。检测器也从零重新训练（相同的10轮预算），仅使用图像通道、加入患者自身TS器官图作为输入通道，或加入另一患者的器官图。以受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUROC）为主要指标；比较使用配对的研究水平自助法。检测器具有外部泛化能力（队列宏观AUROC 0.816；裁定子集0.879）。切片选择非劣效但无获益：几乎所有高置信检测已位于锚定器官的轴位范围内；器官状态融合仅对胆囊炎改善AUROC（假设生成性）。在单次运行中，使用器官图训练提高了内部测试mAP@0.5（0.517 vs 0.482），且模型依赖这些图，但外部宏观AUROC未改善（0.822 vs 0.829；Δ ?0.007，95% CI ?0.019至+0.007），且肾结石AUROC下降（0.678 vs 0.768；探索性），与使用另一患者器官图时不同。按站点重校准是最有效的操作点调整（宏观F1 +0.021）；无标注微调降低判别能力。显式解剖，无论在检测后应用或训练期间应用，均未改善该检测器的总体外部判别能力。按站点重校准带来最大的操作点增益。

研究背景与问题：人工智能医学影像日益依赖显式解剖背景。通用器官分割模型（TotalSegmentator, TS）可从常规CT勾画百余种结构，被用于器官定位、影像组学、体成分分析、机会性筛查和解剖感知病灶检测等。与此同时，YOLO家族等二维目标检测器因快速、多类和可直接定位异常，成为急性CT判读的候选骨干，但其仅从训练数据中间接学习解剖。卷积网络可在无显式监督下编码物体定位和绝对空间位置。此类隐式解剖知识在不同机构、扫描仪、采集方案和患者人群间可能传递不完全。因此，研究人员需要明确：当检测器已从大而多样的训练数据学习了解剖背景后，显式解剖信息是否仍能提升外部部署鲁棒性，以及获益来自解剖定位、器官状态信息或二者。

研究人员开展的研究、结论与意义：研究人员在已开发并外部验证的六类急性腹部急症YOLO检测器上评估TS解剖先验，不以分割勾画病灶，而检验三种策略：解剖引导切片选择、器官状态整合及其组合；在冻结、按站点重校准和微调条件下评估外部美国队列；并进一步将TS器官图作为输入通道重训检测器，与仅图像对照和另一患者器官图对照比较。结论是：显式解剖在检测后或训练中应用，未改善该检测器总体外部判别能力；按站点重校准带来最大操作点增益；仅胆囊炎器官状态融合出现假设生成性增益；无标注微调降低判别能力。意义在于，对成熟且已端到端编码解剖的检测器，显式解剖先验收益有限，部署时阈值重校准可能比解剖感知后处理或无验证标注的自训练更有价值。

关键技术方法：检测器为YOLOv11-Large，含步长4（P2）检测头，在1280×1280下采用三通道多窗Hounsfield单位（HU）编码，开发队列来源为国家远程放射学数据集TEKNOFEST腹部CT挑战赛；外部队列来源为Stanford AIMI Merlin腹部CT数据集，含827例报告标签研究及嵌套280例放射科医师裁定子集。TS默认全身CT模型提供器官轴向范围[z_min, z_max]和器官状态特征。评估Arm A切片选择、Arm B器官状态整合、Arm C组合；训练期将患者自身或他人TS器官图作为额外输入通道重训10轮。统计以AUROC为主，采用研究水平自助法和配对自助法。

研究结果：
队列与冻结检测器的外部判别：通过827例报告标签队列和280例裁定子集评估，冻结检测器保持较强外部判别，宏观AUROC分别为0.816和0.879，所有类别在队列≥0.75、裁定子集≥0.80。开发与评估队列的每类疾病分布差异显著（χ²=72.6，P<.001），评估队列六类阳性间统计平衡（χ²=6.0，P=.31）。裁定子集与全队列差异反映病例难度而非标签噪声；报告标签与放射科裁定一致性较高（Cohen’s κ 0.85–1.00，六类中五类≥0.92）。AAA报告标签一致性最低（κ 0.85，报告敏感性0.79），裁定后AAA为最强类别。冻结阈值下特异性高，敏感性各异；AAA队列敏感性0.34在裁定急性病中升至0.90。

解剖引导的切片选择（Arm A）：通过预设非劣效分析，宏观ΔF1 +0.002，95% CI下限?0.002，未超过?0.01边界，但无性能改善。原因是所有高置信检测中96.4–100%已位于锚定器官轴向范围，Gate每类仅改变0–10/827例研究。弥漫器官范围已覆盖53–75%轴位切片，Gate近乎惰性；紧凑胰腺和胆囊仅占23–27%切片，属真实定位结果。除胆囊炎14%未分割并失败开放外，TS器官范围可用。判别未变：裁定子集AUROC 0.879 vs 0.881，队列0.816 vs 0.815。缓冲扫描中零缓冲裁剪真病灶，±10和±25失败开放且净中性。切片选择的主要具体获益是计算和解释层面：平均扫描54%轴位切片，节省集中于紧凑器官。更细的3D掩膜门控过度抑制，裁剪或放大导致分布外置信崩塌。

器官状态整合（Arm B）：器官状态描述有信息但具类别特异性。交叉验证逻辑融合将检测器置信与器官状态结合，仅胆囊炎AUROC提高+0.030，为在报告标签队列和裁定子集中均出现至少0.01 AUROC增益的唯一类别，被视为假设生成性。作为确定性规则用于校准操作点时，器官状态降低宏观F1（?0.043，95% CI ?0.063至?0.023），因调优阈值下没有可移除的自由假阳性而不删除真阳性。

组合与穷举式每类策略搜索（Arm C）：切片选择与器官状态组合未超过单独切片选择，穷举每类策略搜索证实这一点。样本内重校准操作点下，检测器宏观F1为0.572，切片选择0.574；交叉验证每类策略0.567，样本内Oracle仅0.576。Oracle每类选择为无解剖或基于位置：AAA、胰腺炎、憩室炎和阑尾炎选无解剖；胆囊炎选切片门控；肾/输尿管结石选门控加抑制。基于状态的操作从未成为最佳，置信提升从未被选中。位置引导门控为操作点上限，且与单独检测器统计不可区分。

检测器条件：重校准与微调：按站点重校准是最有效操作点杠杆。在827例队列，交叉验证重校准将冻结宏观F1 0.515提高+0.021样本外，样本内上限0.572；AUROC未变，切片选择未叠加增益。微调显著降低判别：推荐的无标注硬负样本策略在裁定子集将宏观AUROC从0.878降至0.778（配对Δ 0.100，95% CI 0.070–0.132），报告门控伪阳性变体几乎相同（0.786；Δ 0.092，95% CI 0.061–0.124）；二者均敏感性升高但特异性崩塌。Merlin自然患病率1.1–10.5%时，冻结检测器每类阳性预测值4–38%，每100例研究4–25个阳性警报；按站点重校准设定相对本地患病率的阈值，样本外宏观F1 +0.021。

训练期解剖整合：三个重训臂均完成10轮。解剖臂学习更快，训练中验证mAP@0.5相对对照的领先从首轮后0.197缩小至第10轮后0.020，并在两个内部划分中领先。解剖臂依赖器官图，空白化使验证mAP@0.5从0.560降至0.182；随机臂对自身图不敏感。内部增益未传递至外部：827例队列宏观AUROC解剖臂0.822、对照0.829、随机臂0.829；裁定子集为0.876、0.881、0.885。解剖减对照Δ ?0.007，95% CI ?0.019至+0.007；解剖减随机Δ ?0.007，95% CI ?0.021至+0.007；随机与对照无差异。肾/输尿管结石判别在解剖臂低于对照和随机（对照?0.090，95% CI ?0.134至?0.046；随机?0.096，95% CI ?0.142至?0.052），探索性分析中肾结石显著而输尿管组不显著。无其他类别一致差异。该损失与依赖器官图有关，而非增加输入通道本身。

讨论总结：研究人员发现，来自通用分割模型的显式解剖信息对强外部验证二维目标检测器额外获益有限。TS能提供有意义的器官定位和器官状态描述，但这些先验未超过检测器本身。解释是架构性而非统计性：检测器已在训练中学习解剖适宜定位。解剖引导通常被期望通过抑制解剖不合理预测而获益，但本研究中几乎所有高置信检测已位于锚定器官轴向范围，切片选择仅改变少量研究；这提示一旦检测器从大而多样数据学到稳定器官定位，额外解剖约束可纠正的空间很小，即饱和现象。器官状态描述携带疾病相关信息，仅胆囊炎在报告标签队列和裁定参考标准中一致受益，具生物学合理性，因急性胆囊炎CT表现为扩张、壁增厚和胆囊周围脂肪条索；阑尾炎、憩室炎和输尿管结石涉及TS不完整表示或缺失结构，因而其有限表现不表示解剖信息无诊断价值，而是通用解剖表示不足以描述相关结构。训练期提供解剖是更强整合形式，模型依赖器官图且内部评分更高，但外部未获益，肾结石判别更差；器官图主要加速图像本身可获得的定位学习，依赖分割输入也会依赖其外部迁移。部署上，操作阈值重校准产生最大阈值依赖性能改善并保留判别；切片选择主要是计算和解释工具；无标注微调持续有害，属自训练的确认偏误失效模式。限制包括外部队列阳性富集、单读者裁定、报告标签、单一外部机构、研究水平拆分、训练期仅测试输入通道且每臂单次10轮、TS固定通用、每类裁定分析样本量不足、AAA报告标签混杂慢性或偶发动脉瘤，以及六类非穷尽。未来更可能来自病理特异性解剖表示或联合优化检测–分割框架。

研究结论翻译：通用解剖先验对六类急性腹部急症的成熟、外部验证检测器仅提供有限额外价值，除了胆囊炎中一个假设生成性的器官状态融合增益，提示解剖定位在训练期间已大部分内化。在匹配的10轮预算和每臂单次运行下，将相同解剖作为输入通道在训练时提供，获得更高内部评分但未获得更高外部评分，且肾结石判别在外部下降。按站点阈值重校准是所评估的最有效操作点调整，而无标注微调降低性能。未来改进更可能来自病理特异性解剖表示或联合优化的检测–分割框架。