一种用于磁共振成像驱动膀胱癌分类的领域自适应深度对比网络

《npj Digital Medicine》：A domain-adaptive deep contrastive network for magnetic resonance imaging-driven bladder cancer classification

本研究针对磁共振成像(MRI)自动膀胱癌分型临床应用中的跨中心泛化挑战与特征可区分性不足问题，提出了一种领域自适应深度对比网络(DADCNet)。该网络整合源域与目标域样本学习，获取领域不变且区分性强的特征表示，并引入深度对比学习策略增强类间可分性与类内紧凑性。实验表明，DADCNet在跨中心MRI数据集上性能超越现有方法，准确度达0.955，F1分数0.955，曲线下面积(AUC)达0.991，展现出优越的临床转化潜力。

膀胱癌是全球范围内泌尿系统最常见的恶性肿瘤之一，以其高发病率和死亡率给公共卫生带来严峻挑战。在精准医疗的时代背景下，准确的诊断和分类是制定有效治疗方案的关键。非肌层浸润性膀胱癌(NMIBC)和肌层浸润性膀胱癌(MIBC)是两种主要的临床分型，其治疗方案和预后截然不同，因此，二者的准确区分至关重要。磁共振成像(MRI)作为一种无创成像技术，能够提供膀胱及其病变的详细解剖和功能信息，已成为评估膀胱癌的重要手段。近年来，随着深度学习在医学图像分析领域的迅猛发展，利用人工智能模型来自动分析和分类MRI图像，从而辅助医生诊断，展现出了巨大的前景。

然而，从实验室的“高精度”迈向真正的临床应用，这条路并非坦途。理想很丰满，现实却很骨感。目前，基于深度学习的膀胱癌MRI分类模型在实际部署中面临着两大“拦路虎”。第一只“虎”是显著的跨中心分布差异。临床数据常常来源于多家医院或影像中心，不同中心使用的MRI设备型号、扫描参数、成像协议乃至患者人群特征都存在差异，这导致数据分布存在偏移。一个在某中心数据集上表现优异的模型，迁移到另一个中心的数据上时，性能往往会“断崖式”下跌，即泛化能力不足。第二只“虎”是有限的特征可区分性。由于NMIBC和MIBC的影像学表现有时存在重叠，尤其是在早期或不典型病例中，使得模型难以从复杂的图像特征中学习到足够鲁棒且有判别力的表示，导致分类界限模糊。

正是为了驯服这两只“拦路虎”，提升AI模型在真实世界临床场景下的实用性和可靠性，研究人员开展了一项题为“一种用于磁共振成像驱动膀胱癌分类的领域自适应深度对比网络”的研究。这项工作旨在开发一种新型深度学习框架，使其不仅能有效应对不同医疗机构间的数据差异，还能强化模型对不同类别膀胱癌的区分能力，从而为膀胱癌的精准、自动化影像学分类提供一个更强大的工具。

研究人员为开展此研究，主要应用了几个关键技术方法。首先，他们构建了一个多中心膀胱癌MRI数据集，这是评估模型跨中心泛化能力的基石。其次，他们提出了名为领域自适应深度对比网络(DADCNet)的核心框架。该网络在特征学习阶段联合利用源域和目标域的样本，旨在提取出对中心差异不敏感（领域不变）同时又对癌症类别敏感（判别性强）的图像表示。最后，他们在此框架中引入了一种深度对比学习策略，通过设计特定的损失函数，促使模型学习到的特征满足“同类相聚，异类相离”的原则，即增强NMIBC与MIBC之间的类间分离度，同时提高各自类别内部的类内紧密度，从而获得更稳健的分类特征。实验在收集的多中心数据集上进行。

研究结果显示，DADCNet模型在膀胱癌分类任务上表现优异。研究人员通过系统性实验验证了模型的有效性，其核心结论可归纳为：在跨中心膀胱癌MRI分类任务中，所提出的DADCNet框架在多个评估指标上均显著且一致地超越了现有的基于卷积神经网络(CNN)和基于Transformer的先进方法。具体而言，DADCNet达到了0.955的分类准确度，F1分数也为0.955，并且其接收者操作特征曲线下面积(AUC)高达0.991，这些量化结果充分证明了该模型在区分NMIBC与MIBC方面具有极高的鉴别能力和可靠性。

归纳研究结论和讨论部分，本研究成功开发并验证了DADCNet，一个专为应对临床实际挑战而设计的膀胱癌MRI分类框架。该工作的核心贡献在于，它通过领域自适应技术有效缓解了多中心数据分布不一致带来的模型泛化难题，同时通过深度对比学习策略显著提升了模型特征在区分不同侵袭程度膀胱癌时的判别力。实验结果强有力的支持表明，DADCNet能够实现优越的跨中心性能，为基于医学影像的人工智能辅助诊断工具真正走向临床部署提供了有前景的解决方案。这项研究强调了在医疗AI模型开发中考虑数据异质性和特征判别性的重要性，其方法论对于其他存在类似挑战的医学影像分析任务也具有借鉴意义。论文最终发表在《npj Digital Medicine》期刊上。