摘要：南京医科大学第一附属医院放射科Cancer Lett（中科院1区、IF=10.1分）的研究。膀胱癌是全球常见的恶性肿瘤之一，准确术前区分肌层浸润性膀胱癌（MIBC）与非肌层浸润性膀胱癌（NMIBC）对治疗决策至关重要。传统多参数MRI（mpMRI）虽有一定价值

一、背景与引入

❓问题：1️⃣膀胱癌术前准确区分MIBC与NMIBC具有挑战性；2️⃣传统mpMRI存在解读主观性强、耗时、有创（如使用钆剂）等问题；3️⃣VI-RADS系统依赖专家经验，一致性较差。

✅解决：提出ViNet模型，结合自监督预训练基础模型与经验知识域引导，仅使用hrT2WI实现MIBC检测。

思路：1️⃣使用nnUNet分割膀胱与肿瘤区域，生成“MIBC候选区域”掩码；2️⃣基于大量跨模态数据预训练3D SSL基础模型进行特征迁移；3️⃣构建双分支ViNet，融合图像特征与经验知识域注意力机制。

二、思路实现

数据与预处理：1️⃣多中心回顾性研究，共491例患者，分为训练、内部测试与外部验证集；2️⃣使用Elastix对多序列MRI进行配准，统一至T2WI空间。

模型构建：1️⃣nnUNet：自动分割膀胱与肿瘤，生成注意力掩码；2️⃣SSL预训练：使用4万余例跨模态数据（CT/MRI）进行3D图像复原预训练；3️⃣ViNet：双分支3D ResNet-18，共享SSL编码器，分别处理肿瘤与肌层区域，输出融合分类结果。

消融实验：对比13种模型（包括单序列、多序列、不同网络结构），验证ViNet_T2WI最优。

三、结果解读

性能优越：1️⃣ViNet_T2WI在内部测试中AUC达0.87，显著优于其他模型（OR=7.41 vs 1.85–2.70）；2️⃣外部验证中性能虽有波动，但仍具竞争力。

临床价值：1️⃣可纠正VI-RADS误判：提升62.9%的MIBC检出率，降低62.5%~84.1%的NMIBC过判率；2️⃣仅需hrT2WI，避免对比剂使用，缩短检查时间。

可解释性强：通过Grad-CAM可视化，显示模型关注区域与专家经验一致（肿瘤-肌层交界处）。

四、思考

泛化能力需进一步提升：模型在外部数据表现不均，提示需更大规模、多中心数据验证。

多平面图像融合潜力：当前仅用轴位T2WI，未来可纳入矢状位、冠状位图像提升性能。

临床整合路径：模型已集成至AI诊断系统（DeepCad），但仍需更多临床流程验证与医生培训。

来源：云阳好先生做实事