南方医院影像诊断科在《Nature Communications》发表重要成果：生成式扩散模型实现无对比剂血脑屏障智能识别_南方+

近日，南方医院影像诊断科联合南方医科大学生物医学工程学院，在国际顶级期刊《Nature Communications》（IF=15.7）在线发表原创性研究论著，提出基于生成式扩散AI的无对比剂血脑屏障状态识别模型CBSI（Contrast-free BBB Status Identification）。

该模型仅凭平扫MRI即可准确判断胶质瘤患者血脑屏障完整性，有望使大量患者免于钆对比剂注射，为脑肿瘤精准诊疗开辟全新路径。

同期，影像诊断科团队在医学图像合成与影像组学领域的两项研究成果也分别发表于《Medical Image Analysis》与《Medicine》期刊，系列研究体现了科室在“减少或替代对比剂使用”这一临床难题上的系统布局与创新实力。

图1 论文首页。

血脑屏障状态是胶质瘤治疗决策的关键依据。临床常规依赖钆对比剂增强MRI进行判断，但注射对比剂存在肾源性系统性纤维化、过敏反应、脑内钆沉积等风险，且部分患者因不适产生运动伪影。针对这一痛点，研究团队提出CBSI框架，通过生成式扩散模型从平扫MRI中合成增强图像，结合对比最大学习策略，实现对血脑屏障状态的无创精准识别（图2）。

图2 a 血脑屏障状态分为完整型与破坏型，常规影像需注射钆对比剂方可区分，但存在过敏、钆沉积等风险；b 本研究提出的CBSI模型仅利用平扫MRI，通过增强类型引导的扩散生成网络同时合成“增强”与“非增强”两幅图像，再经对比最大学习网络自动判别真实血脑屏障状态，实现无对比剂精准识别。

图3 从左至右依次展示真实增强图像（金标准）及Pix2pix、SwinUNETR、CycleGAN、Hi-Net、DDPM、CBSI等六种模型合成的增强图像。下方色差图显示合成图像与真实图像的差异，颜色越浅代表差异越小。可见，CBSI合成的图像在肿瘤区域细节更清晰、边缘更锐利，与真实图像差异最小，合成质量优于其他对比方法。

CBSI模型的核心创新体现在两大模块：

一是增强类型引导的条件扩散生成模型，将增强标签嵌入扩散模型，使模型能够生成具有不同增强特征的图像；

二是对比最大学习识别网络，同时合成“增强”与“非增强”两幅图像，通过对比选择更符合真实状态的结果，有效缓解误差累积问题。

论文题为“Contrast-free identification of glioma blood-brain barrier status via generative diffusion AI and non-contrast MRI” 。南方医科大学博士生郑楷宜、张逸文为共同第一作者；影像诊断科吴元魁教授、生物医学工程学院阳维教授、钟丽明教授为共同通讯作者。研究得到了国家自然科学基金（62101239、82172020、U21A6005）、广东省基础与应用基础研究基金（2023A1515011453）、广东省医学图像处理重点实验室（2020B1212060039）和南方医院临床专项基金的资助。

原文链接：https://www.nature.com/articles/s41467-026-69578-8

DOI：10.1038/s41467-026-69578-8

研究团队共纳入1535例胶质瘤患者数据，涵盖南方医院、珠江医院及多个公共数据集。在外部测试集中，CBSI的AUC达到81.31%，显著优于直接使用平扫MRI的识别方法（72.76%），已接近使用真实增强图像的识别水平（88.68%）。临床主观评价显示，90%以上的合成图像被资深放射科医生评为“高质量”，与真实图像无显著差异。

此次成果是影像诊断科团队及医工团队在无对比剂成像领域多年深耕的集中体现。团队此前在医学图像合成与影像组学方向已取得系列突破：钟丽明教授团队提出的联合多任务学习框架UMTL，实现腹部增强CT高质量合成（Med Image Anal2023；Comput Methods Programs Biomed 2023）；吴元魁教授团队构建的机器学习影像组学模型，可精准预测胶质瘤强化模式（Medicine2024）。从腹部到颅脑，从CT到MRI，系列研究围绕“减少或替代对比剂使用”这一核心需求，构建了完整的技术体系。

CBSI模型的成功研发，标志着我院在无对比剂成像领域迈出关键一步。未来，团队将进一步优化模型效率、开展前瞻性多中心验证，推动该技术向临床转化，助力实现更安全、更精准的影像诊断。