基于半监督深度学习的纵隔淋巴结CT检测与测量方法：降低标注需求的高效解决方案

　　本研究针对纵隔淋巴结(mediastinal LNs)在增强CT(ceCT)中手动检测耗时且存在观察者变异性的临床痛点，开发了一种创新的半监督深度学习框架。通过结合专家标注与解剖学过滤的伪标签技术，该方法仅需1/4-1/8的传统标注量即可实现0.87的召回率，短轴长度(SAL)测量误差1.65±0.92mm，为AI在放射科的临床应用提供了高效的标注解决方案。

　　

在临床肿瘤分期和治疗规划中，纵隔淋巴结(mediastinal lymph nodes, LNs)的检测与测量至关重要。现行指南要求对短轴长度(short axis length, SAL)>10mm的肿大淋巴结进行精确测量，但传统手动检测存在两大痛点：放射科医师需要在数百层CT图像中定位数十个淋巴结，耗时且易疲劳；不同观察者间的测量差异可达3-15%，对于边界模糊的淋巴结差异更显著。尽管深度学习模型如nnU-Net在医学图像分割中表现出色，但训练这些模型需要大量专家标注数据，而淋巴结标注尤其困难——每个病例平均包含6-7个淋巴结，且小淋巴结(<10mm)占比高达59%，标注成本成为技术落地的关键瓶颈。

为解决这一挑战，Alon Olesinski团队在《International Journal of Computer Assisted Radiology and Surgery》发表的研究提出了一种创新的半监督学习框架。该方法的核心突破在于巧妙结合了小规模专家标注与大规模未标注数据的价值：首先使用少量标注数据训练24个3D nnU-Net模型组成的集成系统，通过周期性学习率策略确保模型多样性；然后对710例未标注CT生成伪标签，创新性地引入基于TotalSegmentator的解剖学过滤机制，利用17种纵隔结构（如气管、肺动脉等）的空间关系剔除假阳性；最终训练出可直接用于临床推理的标准3D nnU-Net模型。这种"集成生成-解剖过滤-最终训练"的三阶段流程，使模型在保持精度的同时显著提升召回率。

关键技术方法包括：1) 使用来自三个医疗中心(Hadassah/NIH/LNQ2023)的268例标注CT和710例未标注CT构建数据集；2) 设计具有六周期学习率变化的集成训练策略，每周期保留4个模型 checkpoint 共生成24个异构模型；3) 采用体素级联合操作生成初始伪标签，通过3D连通域分析和形态学处理优化；4) 基于TotalSegmentator的解剖约束进行双重过滤（纵隔外剔除+40%重叠阈值的内纵隔过滤）；5) 最终模型采用标准nnU-Net架构，直接输出淋巴结分割与SAL测量。

研究结果通过两个实验验证：

【半监督学习性能】在134例测试集上，仅用17例标注数据训练的SM₁₇模型相比纯监督基线M₁₇，正常和肿大淋巴结的召回率分别提升24%(0.65 vs 0.41)和15%(0.87 vs 0.72)，SAL测量误差从5.68mm降至5.16mm。随着标注数据增至134例，SM₁₃₄仍保持5%的召回优势(0.89 vs 0.84)，证明伪标签的补充价值。解剖过滤有效去除了8.4-12.5%的假阳性淋巴结（表2）。

【测量变异性分析】两位放射科医师对459个淋巴结的测量显示：94%的分类一致性（82%共同判定正常，12%共同判定肿大），SAL差异在正常和肿大淋巴结中分别为1.1±0.9mm和1.5±1.6mm。值得注意的是，模型计算结果与人工测量达成93%的分类一致，SAL差异(1.65±0.92mm vs 4.25±4.98mm)完全落在观察者变异性范围内（表3-4）。

研究结论指出，这种标注高效的半监督方法通过三个创新点推动AI在放射科的实用化：1) 将标注需求降低至传统方法的1/4-1/8，使小规模标注中心也能开发高质量模型；2) 解剖学过滤机制将伪标签的噪声转化为有价值的学习信号；3) 最终模型的推理过程无需额外计算开销，符合临床工作流。尤其对于SAL接近10mm的临界病例，自动化测量可减少3.9mm的观察者差异。尽管存在CT图像质量依赖和TotalSegmentator分割精度的限制，该方法为数百个小解剖结构的AI分析提供了可扩展的范式，有望加速计算机辅助诊断在肿瘤分期、治疗响应评估等场景的临床应用。