部分重大疾病在希望历程中常累及脑、心、肝等多个器官与组织。正电子发射断层显像（PET）作为核医学的主要工具，可一次性捕获全身代谢状态，并与CT或MRI互补，为系统性疾病研究提供整体视角。 实现这类研究的要害在于多模态图像支解手艺：只有将差别模态的特征有用融合，完玉成身多器官的准确支解，才华为跨器官代谢剖析提供可靠的定位依据。然而，统一模态内成像条件差别大&全身上百种器官结构标准悬殊，差别模态图像的比照度与噪声特征又显著差别，使得高精度支解成为焦点手艺难题。因此，研究具备跨模态明确与高度稳固性的通用图像支解模子，已成为多器官疾病图像剖析的要害突破口。
针对上述问题，北京大学医学手艺研究院谢肇恒团队提出了模态投影通用模子（MPUM），效果于克日揭晓于《Nature Communications》。该模子通过“模态投影机制”将差别模态特征映射至共享的潜在空间（Shared-latent space），并凭证输入类型自动选择特征路径，实现CT/MRI/PET图像的统一支解。MPUM在861例多模态全身图像上训练，可识别>200种组织结构，无需针对模态微调，即可实现高精度全身支解。 模子引入控制器卷积层以增强可诠释性，天生显著性图，资助临床医生直观明确AI决议。同时，MPUM不但聚焦结构剖析，还支持多器官代谢相关性剖析，为全身系统功效研究提供了全新的盘算工具，可用于毗连多器官结构与功效的系统性剖析。
图1全身多模态图像通用支解模子（MPUM）全览
MPUM模子的临床与科研应用潜力在论文中通过三个代表性场景得以展示：第一类案例针对通用支解性能举行手艺验证，MPUM在多个模态情形中体现出优于现有先进模子（如STUNet、MedSAM和TotalSegmentator）的性能，尤其在多模态训练上展现显著优势。第二类案例聚焦于急诊场景下的出血性脑病辅助诊断应用，研究团队将MPUM应用于头颅CT图像的出血检测使命中，实现对颅内出血（ICH）区域的快速定位，极大缩短识别时间，为急性脑损伤患者的临床决议提供支持。第三类案例将MPUM作为全身代谢剖析工具应用于癫痫与阿尔茨海默病患者的PET/CT图像中，从脑区至体部代谢网络的角度构建脑-体代谢互作图谱，展现疾病在全身层面上的功效改变趋势。这一剖析方法显示MPUM不但是一个准确的图像支解工具，更是一个具备系统级功效明确能力的“全身图像剖析平台”。
图2 21类代表性器官/组织的Dice相似系数比照。
MPUM源自团队在通用支解研究领域的系统积累。团队2023年在IEEE TMI上揭晓的PCNet模子引入临床专家界说的层级剖解先验，通过“先验种别提醒”与“层级种别”强化了剖解关系表达，实现了高泛化性的CT通用支解。 随后在MICCAI聚会上宣布的LUCIDA模子针对PET/CT中的低剂量CT场景，使用加权支解重修在无标注条件下提升支解精度；谏鲜鍪虑，团队最终构建出了跨模态、跨器官、跨条件的MPUM。MPUM的提出为全身系统性疾病研究提供了强有力的图像剖析工具，有望推动从”器官级”剖析向”全身结构—功效综合表达”的转变，并为构建具备推理与展望能力的”医学图像语言模子”提供新路径，助力医学AI从”局部剖析”迈向”全身明确”。
图3基于全身多器官图像支解模子所构建的PET/CT代谢网络，可被用于脑内、器官间以及脑—体耦合的高通量关联剖析。
本项研究事情由北京大学医学手艺研究院联合山东第一医科大学隶属千佛山医院、北京大学第三医院、广东省人民医院相助开展。北京大学医学手艺研究院2023级博士生陈亦新和山东省千佛山医院核医学科高琳为本研究的配合第一作者。谢肇恒研究员（ag8ag8集团医学手艺研究院/国家生物医学成像中心）与程召平教授（山东第一医科大学第一隶属医院/山东省千佛山医院核医学科）担当配合通讯作者。研究获得国家自然科学基金、北京市自然科学基金、北京市高精尖学科建设项目、ag8ag8集团启动基金以及国家生物医学生物成像设施的支持。谢肇恒团队恒久聚焦核医学与分子图像前沿手艺，研究偏向涵盖核医学图像重修算法、动力学建模、核素诊疗一体化以及 AI 辅助诊断与治疗。现因科研事情需要，课题组果真招聘1-2名博士后，科研助理1-2名，接待拥有信息、物理、数学等配景的申请者加入，有意者请将小我私家简历发送至（xiezhaoheng@pku.edu.cn），详情可见课题组网站https://xiezhaoheng.github.io/。
参考文章：
[1] Chen, Y., Gao, L.et al.Modality-projection universal model for comprehensive full-body medical imaging segmentation.Nat Commun16, 9423 (2025).
[2] Chen, Y. et al. PCNet: Prior category network for CT universal segmentation model. IEEE Trans. Med. Imaging 43, 3319–3330 (2024).
[3] Chen, Y. et al. LUCIDA: Low-dose universal-tissue CT image domain adaptation for medical segmentation. In International Conference on Medical Image Computing and Computer-Assisted Intervention, 393–402 (Springer, 2024).