基于相关性路由网络的多参数肝脏MRI病灶可解释分类研究：提升诊断准确性与临床可解释性

　　本综述系统介绍了相关性路由网络（CRN）在多参数肝脏MRI病灶分类中的应用，该模型通过整合10种MRI序列（包括T2WI、DWI(b0/b1)、ADC等）实现六类病灶（HCC、胆管癌、转移瘤等）的精准分类与影像特征预测。研究创新性地采用独立编码范式与相关性路由机制，在保持97.2%恶性良性分类精度的同时，通过特征关联性分析提供定量可解释性，为多模态医学AI模型建立了临床可信赖的新范式。

　　

Highlight

本研究通过设计相关性路由网络（CRN），实现了多参数MRI中肝脏病灶的精准分类与影像特征预测，显著提升了模型的可解释性。该网络包含独立编码分支、相关性路由/中继模块以及自注意力机制，既能实现特征解耦又能保障全局一致性。模型在预测六类病灶类型的同时，可输出详细影像特征，为临床诊断提供透明化决策依据。

Methodology

系统流程包含特征排序与分组算法（基于信息论指导）以及多序列处理架构。首先通过信息熵驱动的特征选择算法对标签进行排序重组，随后通过残差卷积层进行局部特征编码，并利用Transformer层捕获全局特征交互。相关性路由机制实现了跨序列特征的定向传递与解耦。

Data collection, labeling, distribution

回顾性研究经瑞金医院伦理委员会批准（编号2024-LINLUN-187）。瑞金肝脏病灶（RJLL）数据集包含增强MRI扫描数据，每位患者包含10个MR序列，病灶经定位、配准、裁剪与标准化后作为输入。数据集涵盖六类常见病灶类型及其LI-RADS定义的影像特征标签。

Limitation for clinical application

当前模型仍存在临床推理深度不足的局限。尽管生物标志物与分类结果存在因果关系，模型仅从统计层面探索相关性，尚未构建完整的逻辑推理链。未来需进一步整合先验知识以实现更接近人类医生的深度推理能力。

Conclusion

本研究通过相关性路由网络与多参数MRI特征分析，实现了肝脏病灶的高精度分类与可解释预测。模型在恶性良性分类中达到97.2%准确率，六分类任务达88%，影像特征预测平均准确率为84.9%。所提出的相关性状态图为多模态医学AI提供了可量化的解释工具。