基於組織病理學光譜的攝護腺分層：分割輔助診斷Transformer
該研究提出了一種語言引導的分割輔助診斷Transformer模型（LSDT），用於多引數MRI的攝護腺癌四分類，透過構建攝護腺癌組織病理學光譜資料集（PCa-HSD）並結合零樣本分割提供解剖先驗，在344名患者的五折交叉驗證中實現了0.633的平均準確率和0.768的聯合召回率，顯著提高了細粒度分類效能。
攝護腺癌的診斷通常依賴於多引數磁共振成像（mpMRI）和PI-RADS評分系統，但這些傳統方法存在顯著的主觀性，且無法全面反映腫瘤的病理異質性，尤其是容易與癌症混淆的良性病變常被低估。為克服這一侷限，由Leyang Li等10位研究人員組成的團隊構建了一個全新的攝護腺癌組織病理學光譜資料集（PCa-HSD），並定義了一項具有臨床意義的四分類任務。該資料集專門納入了在現有資料集中代表性不足的良性病變，旨在提升模型對易混淆病例的識別能力。
在此基礎上，團隊提出了語言引導的分割輔助診斷Transformer模型（LSDT）。LSDT的核心創新在於利用零樣本分割技術獲取解剖結構的先驗資訊，並將這些先驗與多模態MRI切片進行有效融合，從而實現更精準的分類。與傳統的端到端分類方法不同，LSDT透過語言指導增強了模型對病理模式的語義理解，使得模型能夠更好地聚焦於關鍵區域。
實驗在包含344名患者的佇列上進行了五折交叉驗證，結果顯示LSDT在各種骨幹網路上均能帶來一致的效能提升，最佳平均準確率達到0.633，聯合召回率（JointRecall）達到0.768。這些指標表明，整合病理監督訊號和解剖先驗資訊能夠顯著增強攝護腺MRI的細粒度分類能力，為風險分層提供了一種更具臨床相關性的新正規化。
該論文共17頁，包含6張圖和4張表，於2026年7月19日提交至arXiv（編號：2607.22703），程式碼將在未來修訂中公開發布。研究團隊強調，PCa-HSD資料集和LSDT模型的結合有望推動攝護腺癌精準診斷的進步，併為其他醫學影像分類任務提供借鑑。