日前，性爱网站 陈仁栋副教授课题组与中国人民解放军总医院、浙江大学、美国韦恩州立大学等单位合作，在实体肿瘤微波消融区实时个体化预测方面取得重要研究进展，研究成果以“Real-time patient-specific microwave ablation zone prediction via a unified bioheat solver and MRI-informed perturbation learning”为题（论文链接：DOI: 10.1016/j.media.2026.104190），发表于医学影像分析领域国际顶级期刊《Medical Image Analysis》。

该成果是性爱网站 在医学影像智能分析和肿瘤微创治疗辅助决策方向取得的阶段性进展。陈仁栋为论文第一作者，性爱网站 李登旺教授为论文共同通讯作者，性爱网站 为论文第一署名单位。

《Medical Image Analysis》由Elsevier出版，是医学图像分析、医学影像人工智能和计算机辅助诊疗领域公认的国际权威期刊，也是国际医学图像计算和计算机辅助干预协会（MICCAI Society）官方期刊。该刊最新影响因子为14.0，CiteScore为 25.8，在医学影像分析、计算机视觉辅助诊疗、图像引导治疗和计算医学等方向具有很高的学术声誉。

肿瘤微波消融是一种重要的微创治疗方式，其治疗效果高度依赖消融区能否充分覆盖肿瘤及安全边界。传统临床规划中常用椭球模型估计消融范围，计算快速但表达能力有限。精细数值模拟能够更好刻画热传导过程，但计算复杂、难以满足临床实时反馈需求。纯数据驱动模型虽然灵活，但往往缺乏物理约束和可解释性。围绕这一关键问题，陈仁栋研究团队提出了融合生物热传导模型和MRI 影像学习的实时个体化预测框架。

“我们的方法体现了物理模型打底、医学影像修正、人工智能加速的数理医学研究思路，使模型既能遵循热传导规律，又能反映不同患者体内血管、肝包膜、肿瘤形态等个体差异。”陈仁栋说，该研究首先构建统一生物热求解器，基于Pennes生物热传导方程快速生成由消融功率、时间、消融针位置和设备参数决定的温度场基线。随后设计物理信息引导的深度学习网络PAZNet，从术前MRI中学习患者个体解剖和生理差异，对物理基线进行修正，从而实现对患者特异性微波消融区的实时预测。

“可视化结果显示，该方法在靠近大血管和肝包膜等复杂解剖区域具有更好的边界预测能力，为热消融精准规划和术中辅助决策提供了新的技术路径。”陈仁栋介绍，研究团队基于中国人民解放军总医院真实临床病例构建了术前 MRI、治疗参数和术后 MRI 消融区相配对的数据集，并进行了系统验证。实验结果表明，该方法在主要测试队列和外部测试队列中均取得优异表现，能够在约 20 毫秒内完成端到端预测，并在Dice、IoU、HD95和体积误差率等指标上优于纯物理模型和常规深度学习模型。

该研究将真实临床影像数据、实时生物热计算和深度学习方法相结合，推动了数学建模、物理机制和医学人工智能在精准诊疗场景中的交叉融合。课题组将继续围绕肿瘤热消融实时计算、个体化治疗规划和临床智能决策支持开展深入研究，推动相关技术向临床应用转化。

新闻来源：性爱网站

审核：曲凤东

编辑：吕瑞源