FusionSwinUNETR将影像与临床信息融合用于儿童腹部肿块分割

2026年10月23日，Scientific Reports发表研究FusionSwinUNETR，提出一种面向儿童腹部肿块分割的多模态深度学习模型。该模型以SwinUNETRv2为骨干，同时利用CT影像、患者元数据和临床医生书面检查结果，在多中心配对数据集上评估了750名儿童、12类腹部肿块。论文称，在同一批60名留出测试患者上，多模态融合模型的Dice系数为0.900±0.044，高于仅使用影像的基线模型0.882±0.064；边界误差HD95为4.79±3.31毫米，相比基线的8.93±6.22毫米下降约46%。作者认为，临床信息与影像提供了互补信号，可提升分割准确性和稳定性。需要注意的是，这是一项基于特定医疗数据集的研究结果，并不等同于已完成临床部署或证明可普遍适用于其他医院和疾病场景；文章目前属于提前公开版本，后续可能继续修订。原始论文：FusionSwinUNETR：用于儿童CT腹部肿块分割的多模态深度学习模型

参考来源：

• FusionSwinUNETR: A multimodal deep learning model for abdominal mass segmentation in pediatric CT 2026-10-23

由 AI 整理，仅供参考；请以原始来源为准。