肝內膽管癌（ICC）是一種侵襲性肝癌，發病率逐年上升，術後複發率高，預後極差。周圍神經侵犯（PNI）已被證實是ICC的獨立預後因素，與術後復發和生存率降低密切相關。然而，PNI的確認目前依賴於術後病理檢查，術前影像學預測面臨巨大挑戰。現有方法多依賴放射科醫生手動定義的特徵、對比增強成像或人工標註，不僅耗時耗力，而且主觀性強，難以在臨床中廣泛推廣。
針對這一瓶頸，研究團隊提出了一種基於解剖學特權蒸餾的師生框架（Anatomy-Privileged Distillation with Token Routing, APDT），僅從常規T2加權MRI序列即可實現患者級別的PNI預測。該框架由教師網路和學生網路組成。教師網路在訓練時充分利用腫瘤和肝臟的解剖掩膜作為先驗知識，學習一種密集令牌路由策略，從而精準聚焦於最具判別力的影像區域，例如腫瘤邊緣、膽管壁及神經血管束等關鍵解剖結構。學生網路則在固定的計算預算約束下，透過知識蒸餾從教師網路中提取關鍵資訊，學習保留並聚合最具資訊價值的令牌，同時丟棄冗餘令牌，從而實現高效推理。關鍵創新在於：解剖掩膜僅在訓練階段使用，推理時模型完全無需任何掩膜或人工標註，實現了“訓練時特權，推理時無監督”的實用模式，顯著降低了臨床部署的門檻。
在包含155例患者的內部資料集上，該方法的平均AUROC達到0.750，高於所有僅使用MRI的基線方法，包括傳統放射組學方法和基於深度學習的分類器。同時，其計算量僅為1.43 GFLOPs，在NVIDIA Jetson Orin Nano Super開發套件上每例處理時間僅需8.02毫秒，展現出極高的推理效率，適合邊緣裝置部署。這一結果不僅驗證瞭解剖引導的蒸餾策略的有效性，也表明該方法在準確性與效率之間取得了良好平衡，具有潛在的臨床轉化價值。
該研究由Hyunsu Go等18位作者共同完成，預印本已釋出於arXiv（ID: 2607.11987），作者來自多個機構，包括醫學院和工程學院的交叉團隊。未來研究計劃包括在多中心資料上進行驗證，並探索該方法在其他MRI序列（如彌散加權成像）上的泛化能力，以進一步提升預測的魯棒性和通用性。