M3-Net：一种基于Mamba技术的多任务多阶段网络，用于胆囊癌术前的组织病理学局部侵袭预测

《Biomedical Signal Processing and Control》：M3-Net: Mamba-empowered multi-task multi-phase network for preoperative prediction of histopathological local invasion in gallbladder cancer

胆囊癌术前超声预测受限于人类视觉解析高吞吐量信息，提出M3-Net，基于Mamba架构整合多相位CEUS图像，实现肌肉层/周围结缔组织浸润、浆膜浸润和肝浸润的三任务预测，AUC达0.883-0.936，为精准诊断提供新工具。

　　
胆囊癌（GBC）作为胆道系统最常见的恶性肿瘤，其早期诊断与精准分期对制定个体化治疗方案至关重要。近年来，随着多模态医学影像技术的发展，基于超声影像的术前评估逐渐成为研究热点。但传统方法存在显著局限性：首先，现有AI模型多聚焦于单一影像相位或单一诊断任务，难以全面捕捉肿瘤侵袭的复杂特征；其次，医学影像分析受限于观察者主观差异，导致诊断结果可重复性不足；再者，传统深度学习模型在处理高分辨率医学图像时存在计算效率与模型性能的平衡难题。

针对上述问题，本研究提出基于Mamba架构的M3-Net多任务多相位诊断模型。该模型通过三个核心创新实现了临床诊断能力的突破：第一，建立动态加权机制，将早期动脉期（反映肿瘤血供特征）、峰值期（显示病灶强化程度）和静脉期（评估消退速度）的超声影像进行时空关联分析。这种多相位融合策略突破了传统单相位诊断模式，有效整合了肿瘤的生理代谢信息。第二，研发自适应图像增强技术，通过智能区域加权算法对病灶区域进行特征放大，同时抑制非病灶区域的干扰信号。实验数据显示，该技术可使病灶边缘识别精度提升37.2%。第三，构建三任务协同学习框架，将肌肉层侵袭（MPI）、浆膜浸润（SI）和肝组织侵犯（LI）三个独立病理指标纳入统一模型训练体系，通过共享特征提取层实现跨任务知识迁移。

在技术实现路径上，M3-Net创新性地融合了时空特征提取与多任务协同优化机制。网络架构包含三个主要模块：多相位动态补偿模块、自适应图像增强模块和三任务协同学习模块。其中动态补偿模块通过相位间差异检测算法，建立各时间点影像的特征关联矩阵，有效消除生理性变化带来的干扰。增强模块采用边缘感知的注意力机制，在病灶区域形成高斯滤波核的负向权重抑制区，同时通过可变形卷积实现病灶区域的动态放大。多任务协同部分设计了共享特征金字塔网络，通过三级任务解耦器实现不同病理指标的特征分离与融合。

临床验证部分显示，该模型在273例中山医院真实病例中的测试表现优异。在MPI（肌肉层侵犯）诊断中，ROC曲线下面积（AUC）达到0.936，敏感性91.7%，特异性94.2%；SI（浆膜浸润）检测的AUC为0.883，特异性达到96.5%；LI（肝组织侵犯）诊断的AUC为0.898，同时实现了对微小肝转移灶（<5mm）的精准识别。特别值得关注的是，模型在多任务协同训练中展现出显著优势：当单独训练各任务模型时，最高AUC为0.872，而采用M3-Net的三任务联合训练后，各任务AUC均提升8-12个百分点，验证了跨任务特征共享的有效性。

相较于现有研究，M3-Net在多个维度实现突破。首先，在数据维度上，整合了传统单任务模型所缺失的时空连续性特征，通过建立相位间增强矩阵，使模型能捕捉到肿瘤血供动力学变化。其次，在算法架构上，采用Mamba特有的可微分状态空间模型，在保持Transformer全局注意力优势的同时，将计算复杂度从O(n2)降至O(n log n)，这使得模型能够处理超过2048×2048像素的医学影像。最后，在临床应用层面，开发了标准化影像预处理流程，将超声影像的标准化时间窗设定为（8-12）min，相位识别误差控制在0.3秒以内，显著提升了模型的可重复性和临床适用性。

研究团队通过对比实验验证了模型的临床价值。在传统单相位模型组（n=15）与M3-Net组（n=12）的对照试验中，后者在早期肿瘤（T1期）检出率提升至89.3%，较传统方法提高23.6个百分点。在治疗决策支持方面，模型成功将临床分期误差率从18.7%降至4.2%，特别是在判断可切除性（R0/R1）方面，准确率达到97.4%。更值得关注的是，模型在肝门静脉受累（PV embolization）的预测中展现出独特优势，通过分析静脉期的血流动力学特征，建立了门静脉侵犯的早期预警指标体系。

该技术的临床转化路径已形成完整闭环。研究团队开发了专用影像处理系统，包含智能扫描控制模块（可自动触发多相位成像）、标准化影像分析流程（涵盖降噪、相位配准、病灶标注等12个核心步骤）以及临床决策支持系统（提供肿瘤侵犯程度分级、治疗建议权重评分等8项功能）。系统已在上海浦区中心医院实施临床验证，覆盖2024年1月至8月的全部新发病例，累计处理影像数据12,356例次，模型性能保持稳定（月度评估AUC波动范围<0.005）。

在算法优化方面，研究团队针对医学影像的特殊性进行了多项改进：首先，引入生理性伪影消除算法，通过建立多模态特征关联矩阵，将超声伪影误判率从传统模型的14.3%降至2.8%；其次，开发动态计算资源分配机制，在GPU集群中实现训练效率提升40%；最后，构建对抗性训练框架，有效缓解医学影像中的类别不平衡问题，使小样本病灶（<10%占比）的识别准确率提升至82.6%。

该研究对胆囊癌诊疗体系产生了深远影响。临床数据显示，采用M3-Net辅助诊断后，术前诊断与术后病理符合率从78.2%提升至93.4%，平均缩短病理诊断时间从48小时压缩至6.2小时。在治疗决策方面，模型成功将早期患者手术切除率从65%提升至89%，同时使晚期患者的新辅助治疗方案匹配度提高至91.7%。更值得关注的是，通过建立多任务学习模型，实现了对肿瘤微环境（包括炎症细胞浸润、血管生成等）的间接评估，为个体化治疗方案的制定提供了新的生物标志物参考。

未来研究方向主要集中在三个层面：首先，探索多模态数据融合路径，计划将磁共振弹性成像（MRE）与超声数据结合，提升对深层组织侵犯的检测精度；其次，开发轻量化移动端版本，计划将模型参数量压缩至1.2MB以内，满足基层医疗机构设备条件；最后，构建动态风险预测系统，通过整合术前影像特征与术后病理数据，建立肿瘤进展的量化预测模型。研究团队已完成初步技术验证，在模拟数据集上实现了跨模态特征融合的AUC提升至0.956。

该技术的突破性进展标志着医学影像AI进入新阶段。通过建立多任务协同框架，不仅实现了对三大核心病理指标的同步检测，更在算法层面解决了传统模型在特征选择与任务平衡之间的固有矛盾。这种将深度学习架构创新与临床需求精准对接的研究范式，为其他腹部肿瘤的影像诊断提供了可复用的技术路径。特别是在基层医疗资源不足的地区，该模型可显著提升早期胃癌筛查的准确率，对降低胆道系统恶性肿瘤的死亡率具有重要临床价值。