本文介绍了一项发表于2026年10月29日arXiv平台的研究（编号arXiv:2610.40834v1，分类为计算机视觉cs.CV），由Grant N. Chau等共7位作者完成。论文题目为《Spatial Atlas-Informed Loss Ensembles for Whole-Body PSMA PET/CT Metastasis Segmentation》，即《空间图谱信息引导的损失函数集成方法用于全身PSMA PET/CT转移灶分割》。
研究的出发点在于：现有的全身PSMA PET/CT前列腺癌转移灶分割方法通常只依赖影像本身，并未显式地利用转移灶在人体内倾向出现的位置信息。作者希望验证一个假设——如果把群体层面的转移分布图谱纳入模型训练过程，是否能够提升病灶检测效果。
为此，研究团队利用375例经专家标注的训练扫描数据，构建了体素级的均值图与标准差图，并用这些统计图对nnU-Net的交叉熵损失进行加权。具体而言，模型对漏检病灶和误报病灶所施加的额外惩罚强度取决于空间图谱的统计量，并且当预测已经足够自信且正确时，这些额外惩罚会自动减弱。
在实验设计上，作者先在验证数据上比较了七种配置，随后通过多数投票将其中三种组合成最终方法SAILS（Spatial Atlas-Informed Loss enSemble，空间图谱信息引导的损失集成）。研究将SAILS与基线nnU-Net以及推理阶段的图谱融合方法进行了对比，评估数据集包括AutoPET III（含110例疾病阳性病例）和外部数据集Deep-PSMA（100例）。值得强调的是，SAILS在推理阶段既不需要图谱也不需要配准操作，这使其在临床部署上更为简便。
在AutoPET III数据集上，SAILS取得了多方面改善：全身Dice系数由基线的0.520提升至0.531（p=0.006）；每例病例的漏检病灶体积由12.1立方厘米降至9.5立方厘米（p<0.01）；汇总病灶灵敏度由0.843提升至0.857（p=0.004）。在外部Deep-PSMA数据集上，SAILS额外检出了126个参考病灶，灵敏度由0.751提高到0.769（p<0.001），而全身Dice没有出现显著变化（下降0.009，p=0.36）。
在临床风险较高的骨转移区域，两个队列的Dice均有所提升：分别为0.576对0.552，以及0.667对0.653，两者均达到p<0.01的显著性水平。但研究同样如实报告了代价：误报体积分别在两个数据集中增加了每例2.3立方厘米和18.2立方厘米（p<0.001）。
结论方面，作者认为，采用图谱加权的训练方式能够改善病灶检测能力，尤其在高风险骨转移区域表现突出，并且无需在测试阶段进行图谱配准；不过这一方法也会带来误报增加的问题，这是未来临床转化时需要权衡的关键因素。该论文还提供了PDF、实验性HTML版本以及代码与数据的相关链接页面。