LuTuFlow：基于深度学习的小鼠肺部 CT 肿瘤定量分析流程

CT 是监测肿瘤生长的常用无创手段：识别肿瘤并量化其体积是评估肿瘤负荷的基础，而通过配准多个时间点的扫描来追踪个体肿瘤，则能刻画疾病进展。这类任务在临床肺结节分析中已有较深的深度学习积累——综述显示，基于深度学习的肺结节检测灵敏度介于 61.61%–98.10% 之间 ^[1]，三维卷积网络也被专门用于削减检测中的假阳性 ^[4]；nnU-Net 类分割模型则以稳健著称，在 104 个解剖结构的临床 CT 分割中取得 0.943 的 Dice 系数 ^[2]，并已延伸至全身肿瘤分割与预后量化 ^[5]。相形之下，临床前小鼠肺肿瘤的 CT 分析仍以人工为主，肿瘤勾画、体积测量与纵向配准限制了准确性、可重复性、客观性与可扩展性；已有的自动化模型多只解决分割或目标识别等单点问题，覆盖原始图像处理、跨时间点标注追踪直至报告与可视化的开源整合平台仍然缺乏。

Li 及同事在这篇预印本中提出的 LuTuFlow 正是针对这一需求。它是一条以 nnU-Net 深度学习模型为核心的计算机视觉流程，专门配置用于小鼠肺分割与肿瘤分析；各模块被整合进 Napari 插件，研究者在图形界面中即可跑完全流程——将原始 CT 数据自动转化为定量读数与交互式可视化，并借助多时间点扫描的配准完成肿瘤标注与个体肿瘤追踪。模型经专家修正标注迭代精化后，给出了可靠的肿瘤负荷定量估计。

放在已有图景中看，这项工作的推进在于把临床上已被反复验证的 nnU-Net 范式 ^[2][5] 带入小鼠临床前影像，并将此前多集中于检测、分割、假阳性削减等单环节的方法能力 ^[1][4]，整合为一条从原始数据到纵向追踪、报告生成的完整开源链路，以插件形式显著降低了使用门槛。据报道，LuTuFlow 已作为 Python 工具箱在 GitHub 开源，可对纵向小鼠 CT 系列中的肺肿瘤结节进行分割与追踪^[6]；napari-hub 平台上亦收录了基于 U-Net 架构的小鼠肺分割插件^[7]。

当然，摘要尚未给出 Dice 等具体性能数字，也未说明模型在不同肿瘤模型、扫描设备或成像协议间的泛化性。体积量化本身对成像条件颇为敏感——呼吸运动曾使静态 PET/CT 中 1 cm 病灶的体积平均高估 130% ^[3]——LuTuFlow 在此类干扰下的量化稳健性，以及更大规模验证中的表现，仍有待正式发表的完整数据来回答。