肝内胆管癌（ICC）是一种侵袭性肝癌，发病率逐年上升，术后复发率高，预后极差。周围神经侵犯（PNI）已被证实是ICC的独立预后因素，与术后复发和生存率降低密切相关。然而，PNI的确认目前依赖于术后病理检查，术前影像学预测面临巨大挑战。现有方法多依赖放射科医生手动定义的特征、对比增强成像或人工标注，不仅耗时耗力，而且主观性强，难以在临床中广泛推广。
针对这一瓶颈，研究团队提出了一种基于解剖学特权蒸馏的师生框架（Anatomy-Privileged Distillation with Token Routing, APDT），仅从常规T2加权MRI序列即可实现患者级别的PNI预测。该框架由教师网络和学生网络组成。教师网络在训练时充分利用肿瘤和肝脏的解剖掩膜作为先验知识，学习一种密集令牌路由策略，从而精准聚焦于最具判别力的图像区域，例如肿瘤边缘、胆管壁及神经血管束等关键解剖结构。学生网络则在固定的计算预算约束下，通过知识蒸馏从教师网络中提取关键信息，学习保留并聚合最具信息价值的令牌，同时丢弃冗余令牌，从而实现高效推理。关键创新在于：解剖掩膜仅在训练阶段使用，推理时模型完全无需任何掩膜或人工标注，实现了“训练时特权，推理时无监督”的实用模式，显著降低了临床部署的门槛。
在包含155例患者的内部数据集上，该方法的平均AUROC达到0.750，高于所有仅使用MRI的基线方法，包括传统放射组学方法和基于深度学习的分类器。同时，其计算量仅为1.43 GFLOPs，在NVIDIA Jetson Orin Nano Super开发套件上每例处理时间仅需8.02毫秒，展现出极高的推理效率，适合边缘设备部署。这一结果不仅验证了解剖引导的蒸馏策略的有效性，也表明该方法在准确性与效率之间取得了良好平衡，具有潜在的临床转化价值。
该研究由Hyunsu Go等18位作者共同完成，预印本已发布于arXiv（ID: 2607.11987），作者来自多个机构，包括医学院和工程学院的交叉团队。未来研究计划包括在多中心数据上进行验证，并探索该方法在其他MRI序列（如弥散加权成像）上的泛化能力，以进一步提升预测的鲁棒性和通用性。