单张3D胸部CT包 含数百万级像素点，放射科医生需逐切片审阅并系统排查肺部、心脏、气管、纵隔等多器官病变，这一过程不仅耗费大量精力与时间，还容易因视觉疲劳导致早期微小病灶漏诊，直接影响临床诊断的效率与准确性。AI辅助诊断模型本应成为临床诊疗的重要辅助工具，却长期受限于核心技术瓶颈：训练高精度多病种诊断模型需依赖海量专家标注数据，单张3D CT的精细化病灶标注往往耗费医生数小时，大规模数据集的标注成本动辄高达数十万元。这一现实困境让多数医疗机构与科研团队难以承担，严重制约了医学影像AI技术的规模化发展与临床落地。
本推文深度解析一篇发表于医学影像深度学习顶会MIDL 2025的重要论文《Chest-OMDL: Organ-specific Multidisease Detection and Localization in Chest Computed Tomography using Weakly Supervised Deep Learning from Free-text Radiology Report》。清华大学医学院生物医学工程系团队提出的 Chest-OMDL弱监督学习框架，以创新技术路径彻底摆脱对人工标注的依赖，实现了胸部CT器官特异性多病种检测与病灶精准定位的双重突破，其性能全面超越现有主流方法，为医学影像AI的低成本开发与临床转化提供了全新范式
论文链接：https://openreview.net/forum?id=ns6nq592HX
项目链接：https://github.com/JasonW375/Chest-OMDL
推文作者为黄忠祥，审校为龚裕涛、王一鸣。
会议介绍
MIDL（Medical Imaging with Deep Learning）是全球医学影像深度学习领域的顶尖国际学术会议。会议主题涵盖弱监督/无监督学习、多模态融合及模型可解释性等热点方向，吸引了全球数千名研究者参与。
会议网址： https://2025.midl.io/
一 研究背景与主要贡献
1.1研究背景
胸部CT作为诊断咳嗽、胸痛、呼吸困难、发热等症状的核心手段，在临床中应用广泛，仅我国三甲医院放射科每年的胸部CT检查量就不下百万次，尤其在新冠疫情期间，CT更是成为早期筛查和病情评估的关键工具。但AI辅助诊断模型的研发，长期被三大痛点制约。
**（1）数据标注成本高：**训练一个能检测10余种疾病的AI模型，至少需要数千张带精准标注的CT影像。而医学影像标注对专业知识要求极高，必须由资深放射科医生完成，一张3DCT的病灶标注可能需要2-3小时，大规模数据集的标注成本往往高达数百万元，绝大多数科研团队和医院都难以负担。
**（2）现有模型功能单一，可解释性差：**市面上多数医学影像AI模型只能实现是否患病的二分类，无法同时检测多种疾病，更不能定位病灶位置。这意味着医生仍需从头审阅整张CT，AI的辅助价值有限；同时，只给结果不给依据的模式缺乏临床可解释性，难以获得医生信任和监管部门批准。
**（3）泛化能力不足，临床落地难：**现有模型多在单一医院的数据集上训练，而不同医院的CT设备、扫描参数、患者人群存在差异，导致模型在新场景下性能大幅下降。例如，在A医院数据集上训练的模型，在B医院的CT影像上准确率可能从90%跌至60%，严重影响实际应用。
1.2主要贡献
针对上述痛点，Chest-OMDL以弱监督学习为核心，构建了一套从数据准备到模型训练的完整解决方案，主要贡献包括：
**（1）弱监督信号提取：**无需人工标注，直接从医院电子病历中的放射科自由文本报告和CT影像中提取监督信号。用RadBERT语言模型从报告中读出疾病标签，用SAT模型从影像中分割出器官区域，彻底解决了标注成本高的问题。
**（2）创新Y-Mamba三分支架构：**设计了融合特征提取器和器官分割解码器加上疾病异常图生成器的Y形模型，直接实现器官分割、多病种检测以及病灶定位三大功能，打破了传统模型功能单一的局限。
**（3）融入解剖学先验知识，提升精准度：**基于医学常识，将16种胸部疾病与对应的6个核心器官（肺、心脏、气管、胸膜、纵隔、食管）建立关联，让模型只在相关器官区域内检测疾病，大幅减少跨器官假阳性（比如不会把肺部病变误判为心脏疾病）。
**（4）强泛化能力和高可解释性：**在不同医院、不同设备的数据集上均实现SOTA性能，同时输出像素级病灶热力图和器官分割结果，医生能直观看到病变位置和概率，符合临床诊断逻辑。
**（5）覆盖多场景临床需求：**支持16种常见胸部疾病的检测（包括肺气肿、肺结节、心包积液、支气管扩张等），适配常规体检、疾病筛查、重症监护等多种临床场景，实用性极强。
二、研究方法
Chest-OMDL的整体框架简洁高效，核心分为弱监督信号提取和Y-Mamba模型训练两大环节，全程无需人工干预，就能实现高精度的多病种检测与定
图1 Chest-OMDL流程图
2.1弱监督信号提取
弱监督信号提取是Chest-OMDL的核心创新之一，传统监督学习需要人工标注疾病类型和病灶位置，而该框架通过两种自动化工具提取伪标签替代人工标注，大幅降低了对人工的依赖。
（1）疾病标签提取：用RadBERT读取放射报告
放射科医生在完成CT阅片后，会撰写自由文本报告（比如双肺上叶可见明显肺气肿改变，心包少量积液等），这些报告中包含了丰富的疾病信息。Chest-OMDL采用预训练的RadBERT-RoBERTa-4m模型（专门针对放射科文本优化的语言模型），自动从报告中提取疾病标签。
RadBERT会对报告进行语义分析，识别出16种目标疾病（包括心脏肥大、心包积液、肺结节、磨玻璃影等），并输出患者是否患病。为了验证准确性，研究团队用1000份人工标注的报告进行测试，结果显示RadBERT的平均精确率达0.978、召回率0.974、F1分数0.976，这个精度已经接近资深放射科医生的水平，完全满足模型训练需求。
同时，团队还基于医学常识，将每种疾病与对应的器官关联（比如肺结节对应肺部、心包积液对应心脏），为后续的器官特异性检测打下基础。
（2）器官分割掩码生成：用SAT分割器官区域
要实现病灶定位，首先需要明确各个器官的位置。Chest-OMDL采用Segment Anything by Text（SAT）模型，一种基于文本提示的3D医学影像分割工具，自动生成6个核心器官（肺、心脏、气管和支气管、胸膜、纵隔、食管）的粗分割掩码。
SAT模型的优势在于，无需针对每个器官单独训练，只需输入文本提示（如"分割肺部"），就能快速输出器官的轮廓掩码。研究团队使用扩展后的CT-RATE数据集（包含SAT生成的分割结果），直接采用这些自动生成的粗分割掩码作为训练标签，避免了人工分割的巨大成本。
2.2Y-Mamba模型
为了在弱监督条件下同时完成器官分割、多病种检测和病灶定位，Chest-OMDL设计了创新的Y形Mamba模型（Y-Mamba），其架构基于SegMamba进行改进得到，主要分为三个核心组件。
（1）特征提取器
特征提取器是模型的眼睛，负责从CT影像中提取有价值的信息。它采用3D卷积层（Conv3D）结合LeakyReLU激活函数和实例归一化，先提取基础的空间特征；在深层网络中，还融入了门控空间卷积（GSC）和Mamba层，进一步增强特征表达能力。
GSC层：通过并行的3×3卷积结合1×1卷积门控，能有效抑制无关特征，突出器官边缘、病灶纹理等关键信息；
Mamba层：作为近年来替代Transformer的高效序列建模工具，擅长捕捉长距离依赖关系，能更好地处理3D CT的立体结构，避免因影像尺度大导致的特征丢失。通过下采样逐步降低空间分辨率、增加特征通道数，特征提取器最终输出多尺度的hierarchical特征图，兼顾局部细节（如微小病灶）和全局视野（如器官整体结构）。
图2 Y-Mamba model流程图
（2）器官分割解码器
器官分割解码器采用编码器-解码器架构，将特征提取器输出的高维特征逐步上采样，同时通过跳跃连融合浅层的细节特征和深层的语义特征，最终生成6个器官的二进制分割掩码（掩码中1代表器官区域，0代表背景）。
为了保证分割精度，解码器使用转置卷积（TransConv）进行上采样，并通过多层感知器（MLP）细化特征。实验结果显示，6个器官的分割Dice相似系数（DSC，衡量分割精度的核心指标）均超过0.84，其中肺部和胸膜的DSC更是高达0.97，接近专业器官分割模型的性能。这为后续的病灶定位提供了精准的解剖学约束。
图3 Chest-OMDL
（3）疾病异常图生成器
与器官分割解码器并行，疾病异常图生成器同样基于特征提取器的输出，为16种疾病分别生成一张异常热力图。热力图中每个像素的取值范围为0-1，数值越高表示该位置属于对应疾病病灶的概率越大。
为了实现器官特异性检测，生成器会将每种疾病的异常热力图，与该疾病对应器官的分割掩码进行元素级乘法（比如肺结节的热力图只保留肺部区域的数值，其他器官区域的数值置为0）。这一操作能有效约束模型的注意力，避免跨器官假阳性，让检测结果更精准。
2.3多任务损失函数
要让Y-Mamba同时学好分割和检测两个任务，需要设计合理的损失函数。Chest-OMDL采用动态权重的多任务损失函数，将分割损失和检测损失结合起来。
**（1）分割损失（Dice Loss）：**用于优化器官分割精度，该损失能有效衡量预测掩码与真实掩码的重叠程度，推动模型精准分割器官。
**（2）异常检测损失（加权交叉熵损失）：**用于优化疾病分类性能，用于解决数据不平衡问题（比如某些罕见病的阳性样本很少）。
**（3）动态权重λ：**为了让模型在训练初期侧重分割任务（打好解剖学基础），后期聚焦检测性能，Chest-OMDL设计了动态衰减的权重λ，公式为。训练初期λ较大（比如1.0），分割损失占比更高；随着epoch增加，λ逐渐衰减，最终稳定在0.5，让两个任务的损失平衡贡献。
三、实验结果
为了全面验证Chest-OMDL的性能，研究团队在三个大规模数据集上进行了严格测试，同时与4种主流方法进行对比，从分类精度、分割效果、泛化能力、定位准确性等多个维度验证了模型的优越性。
3.1实验配置
（1）训练/内部验证数据集
CT-RATE数据集是目前全球最大的公开胸部CT数据集之一，包含25,692张非增强3D胸部CT影像（来自21,304名患者），每张影像都配有对应的放射科文本报告。数据集分为训练集（24,128张CT）和内部验证集（1,564张CT），涵盖不同年龄、性别、疾病类型的患者，数据分布均衡。
图4数据集中各种疾病**** 样本的 占比
（2）外部验证数据集
外部验证数据集采用RAD-ChestCT数据集，包含3,630张胸部CT影像，来自杜克大学医疗系统，采用与CT-RATE不同的扫描设备和重建技术，用于测试模型的泛化能力（应对分布外数据）。
（3）定位验证数据集
定位验证数据集为新冠CT数据集，包含10张带专家精准标注的新冠感染CT影像，病灶区域（如磨玻璃影、实变）由两名放射科医生标注并经资深专家审核，用于评估模型的病灶定位精度。
（4）对比方法
对比方法选取4种当前SOTA方法作为基线方法，分别是CT-Net（全监督传统分类模型，直接用人工标注的疾病标签训练）、CT-CLIP（Zero-shot，基于对比学习的视觉模型，无需微调即可进行零样本分类）、CT-CLIP（VocabFine，对CT-CLIP的词汇表进行微调后的版本）、CT-CLIP（ClassFine，针对疾病分类任务专门微调的CT-CLIP变体）。
图5五种方法在内部数据集CT-RATE和外部数据集RAD-ChestC上的AUC以及F1 Score****
（5）训练环境
使用4块NVIDIA A800 GPU，训练150个epoch，总训练时间约2天20小时，批次大小为8，优化器采用AdamW，学习率采用余弦退火策略衰减。
3.2核心性能指标
（1）多病种分类性能
分类性能采用AUROC（曲线下面积，衡量区分正负样本的能力）、F1分数（平衡精确率和召回率）、准确率三个核心指标，结果如下表所示。
表1 Chest-OMDL多种疾病下各病种的分类性能
从结果可以看出，内部验证中，Chest-OMDL的AUROC达0.807，较表现最好的对比方法CT-CLIP (ClassFine)提升7.4%；F1分数达0.828，提升15.0%，准确率达0.754，提升10.2%，全面领先。外部验证中，Chest-OMDL的AUROC仍保持在0.720，较CT-CLIP (VocabFine)提升10.60%，而其他方法的性能下降幅度更大（CT-Net从0.628跌至0.549），证明Chest-OMDL具有更强的泛化能力，能更好地适应不同医院的CT影像。
（2）器官分割性能
器官分割采用Dice相似系数（DSC）和归一化表面距离（NSD）两个指标，结果如下表所示。
表2 Chest-OMDL器官分割精度性能
所有6个器官的分割DSC均超过0.84，其中肺部和胸膜的DSC高达0.97，与专门的器官分割模型SegMamba性能相当。这表明，即使使用自动生成的粗分割掩码作为训练标签，Chest-OMDL依然能实现高精度的器官分割，为病灶定位提供了坚实基础。
（3）病灶定位性能
在新冠CT数据集上，Chest-OMDL的病灶定位精度用Dice相似系数（DSC）衡量。结果显示，模型在仅使用器官级弱监督的情况下，实现了0.450的平均DSC，而全监督方法（使用精准病灶标注训练）的DSC为0.673，这意味着Chest-OMDL的定位精度达到了全监督方法的67%。
更值得关注的是，研究团队还进行了少样本微调实验。用仅2个带标注的新冠CT样本对模型进行微调后，DSC迅速提升至0.547，进一步验证了模型的灵活性和实用性。在临床中，只需少量标注样本，就能快速适配特定疾病的定位需求。
图6 在新冠CT数据集上的异常区域标注展示
3.3消融实验
为了明确Y-Mamba架构、分割任务、动态权重等组件的作用，研究团队设计了三组消融实验。
**（1）模型架构：**对比U-Net（传统分割检测模型）和Y-Mamba。
（2 **）****分割任务：**对比带分割任务的Y-Mamba和无分割任务的Y-Mamba。
**（3）损失权重：**对比动态权重λ和固定权重λ。
实验结果显示，Y-Mamba的AUROC在内部验证集上比U-Net高8.3%，在外部验证集上高9.1%，证明Mamba层和三分支架构在捕捉3D CT特征上的优势。去掉分割任务后，模型的AUROC下降6.7%，F1分数下降8.2%，证明器官分割能为疾病检测提供解剖学约束，有效提升精度。动态权重λ比固定权重λ的AUROC高4.5%，证明动态平衡分割和检测损失的合理性。这些结果充分说明，Chest-OMDL的每个组件都经过精心设计，缺一不可，共同构成了其性能优势的基础。
图7 消融实验在内、外部数据集上的结果
四、总结与展 望
Chest-OMDL作为一款弱监督学习框架，通过从放射报告提取疾病标签，结合从CT影像生成器官分割掩码的创新思路，彻底解决了医学影像AI对人工标注的依赖，大幅降低了模型开发成本。其Y-Mamba三分支架构实现了器官分割、多病种检测、病灶定位等目标，性能全面超越现有主流方法，同时具备强泛化能力和高可解释性，完美契合临床需求。模型仍有进一步优化的空间，比如对微小病灶（如直径小于5mm的肺结节）的检测精度还可提升，未来可结合多模态数据（如PET-CT、血液检查结果）进一步增强性能。此外，还可拓展至腹部、头部等其他部位的医学影像分析，实现多部位多病种的统一检测。
总体而言，Chest-OMDL不仅为医学影像AI的低成本开发提供了新范式，更推动了AI辅助诊断技术向临床落地迈出了关键一步。随着技术的不断完善，相信未来会有更多类似的弱监督、高实用的医学AI模型出现，让AI真正成为医生的得力助手，惠及更多患者。