基于对比增强CT与深度学习模型的脂质稀疏肾上腺结节多类分割与鉴别：一项双中心研究

　　本研究针对肾上腺结节影像鉴别难题，开发了基于状态空间模型（SSMs）的Mamba-USeg多类分割模型，实现在对比增强CT（CECT）上同步分割与区分脂质稀疏腺瘤（LPA）和结节性增生（NH）。模型在内外中心验证中展现卓越性能（分割mDSC达0.869，分类灵敏度超94%），显著优于现有技术，为临床决策提供精准支持并减少不必要手术。

　　

一项突破性研究聚焦于肾上腺结节临床诊断的核心挑战——如何在对比增强计算机断层扫描（contrast-enhanced computed tomography, CECT）影像上精准区分脂质稀疏腺瘤（lipid-poor adenoma, LPA）与结节性增生（nodular hyperplasia, NH）。这两种病变的鉴别直接影响治疗策略选择，但传统影像学方法存在显著局限性。

科研团队开发了名为Mamba-USeg的创新模型，这是一种基于状态空间模型（state-space models, SSMs）的多类分割架构。该模型突破传统单任务局限，可实现肾上腺腺体与结节同步分割及病变类型分类的双重功能。研究采用回顾性双中心设计，纳入164例经病理证实的患者（中位年龄51.0岁），其中128例作为内部训练集，36例外部病例构成独立验证集。

在技术实现层面，放射科专家对1毫米层厚的门静脉期CT图像进行精细标注，为模型提供金标准。性能评估显示：模型在腺体分割任务中取得0.855的平均Dice相似系数（mean Dice similarity coefficient, mDSC）；对结节的分割精度更为突出——LPA达0.869，NH达0.863，显著超越MultiResUNet（LPA, p<0.001；NH, p=0.014）与CPFNet（LPA, p=0.003；NH, p=0.023）两种主流模型。

分类性能方面，模型基于单切片分析呈现优异指标：对LPA的灵敏度达95.3%（95% CI: 91.3–96.6%），特异性为92.7%（95% CI: 91.9–93.6%）；对NH的灵敏度为94.2%（95% CI: 89.7–97.7%），特异性达91.5%（95% CI: 90.4–92.4%）。特别值得注意的是，模型在外部验证集的患者级分类准确率高达91.7%（95% CI: 76.8–98.9%），证明了其强泛化能力。

该研究的临床意义深远：Mamba-USeg通过像素级分析与多数投票策略，实现了肾上腺结节的无创精准分类，为临床医生提供了可靠的决策支持工具。这不仅提升了诊断效率，更关键的是能有效避免肾上腺增生患者接受不必要的手术治疗，真正体现了人工智能技术在精准医疗领域的转化价值。