基于组织病理学光谱的前列腺分层：分割辅助诊断Transformer
该研究提出了一种语言引导的分割辅助诊断Transformer模型（LSDT），用于多参数MRI的前列腺癌四分类，通过构建前列腺癌组织病理学光谱数据集（PCa-HSD）并结合零样本分割提供解剖先验，在344名患者的五折交叉验证中实现了0.633的平均准确率和0.768的联合召回率，显著提高了细粒度分类性能。
前列腺癌的诊断通常依赖于多参数磁共振成像（mpMRI）和PI-RADS评分系统，但这些传统方法存在显著的主观性，且无法全面反映肿瘤的病理异质性，尤其是容易与癌症混淆的良性病变常被低估。为克服这一局限，由Leyang Li等10位研究人员组成的团队构建了一个全新的前列腺癌组织病理学光谱数据集（PCa-HSD），并定义了一项具有临床意义的四分类任务。该数据集专门纳入了在现有数据集中代表性不足的良性病变，旨在提升模型对易混淆病例的识别能力。
在此基础上，团队提出了语言引导的分割辅助诊断Transformer模型（LSDT）。LSDT的核心创新在于利用零样本分割技术获取解剖结构的先验信息，并将这些先验与多模态MRI切片进行有效融合，从而实现更精准的分类。与传统的端到端分类方法不同，LSDT通过语言指导增强了模型对病理模式的语义理解，使得模型能够更好地聚焦于关键区域。
实验在包含344名患者的队列上进行了五折交叉验证，结果显示LSDT在各种骨干网络上均能带来一致的性能提升，最佳平均准确率达到0.633，联合召回率（JointRecall）达到0.768。这些指标表明，整合病理监督信号和解剖先验信息能够显著增强前列腺MRI的细粒度分类能力，为风险分层提供了一种更具临床相关性的新范式。
该论文共17页，包含6张图和4张表，于2026年7月19日提交至arXiv（编号：2607.22703），代码将在未来修订中公开发布。研究团队强调，PCa-HSD数据集和LSDT模型的结合有望推动前列腺癌精准诊断的进步，并为其他医学影像分类任务提供借鉴。