近日，北京大学北京国际数学研究中心教授、大数据分析与应用技术国家工程实验室机器学习中心主任董彬教授团队联合北京大学肿瘤医院唐磊教授团队研发的通用三维医学对象分割模型（PAM：Propagation-Based General 3D Medical Object Segmentation Model）传来喜讯：该成果被Nature出版集团旗下顶刊《npj Digital Medicine》（IF: 15.1）正式接收，并于12月13日入选第四届医学人工智能大会2025年度医学人工智能代表性算法提名。

医学影像分割是精准诊疗的核心技术基础，其结果直接影响病灶检测、器官测量及治疗规划等的准确性。然而，现有方法仍面临两大突出挑战：首先，数据依赖与高成本问题严峻，现有模型需要大量、费时费力的人工标注。其次，泛化能力弱，当前的模型大多针对特定医学对象或模态进行设计，难以适应越来越多样化的临床分割需求。尽管大规模基础模型在2D自然图像领域取得显著进展，但如何有效解决3D医学数据领域中的跨切片空间连续性缺失与信息稀疏等关键问题，仍是医学人工智能领域的重要科学难题。基于信息传播的通用三维医学对象分割模型PAM 通过“切片间信息传播”的独特机制，突破了上述难题，实现了跨模态、跨对象的通用分割能力。

关键技术优势

1. 解剖连续性建模：通过“双向轴向传播”解决了三维数据中连续性缺失和信息稀疏等难题，实现结构与语义的一致性建模。

2. 极简交互：仅基于单视图二维提示，通过信息传播机制自适应重构全局三维结构，大幅降低临床交互成本。

3. 广域泛化与稳定提升：在涵盖全身器官，包括百余类、上百万个对象、四大成像模态的44个数据集上，准确性（平均Dice）相比现有最优方法有大幅提升，在复杂与稀有对象上表现突出。

4. 高效推理与轻量部署：推理时间较对比方法显著缩短；同时，本模型参数少，便于临床及边缘端部署，具备优异的实时性与扩展性。

5. 专有化持续进化能力：依托传播式建模与模块化架构，PAM 可通过少量样本微调快速适配新任务或稀有对象，构建高性能专有模型，展现持续进化与迁移潜力。

PAM算法模型框架

PAM算法模型使用的44个数据集的数据情况和关键属性

PAM算法模型在多个数据集上的定量分析结果

PAM 算法模型已成功工程化为面向临床和科研的“云平台”与“本地离线”双版本，并在北京大学肿瘤医院推广使用，用于科研辅助及部分临床病例的三维影像处理工作，同时正积极向其他大型医院推广。在平台特点上，它提供了集 3D 数据上传、单视图 2D 提示到自动 3D 分割的一体化工作流，确保迅速获得高质量的三维分割结果。云平台打破地域限制，支持多终端访问与远程协作，有效赋能基层医疗与多中心科研；本地离线版则专注于满足医院对数据隐私安全与本地化部署的严格要求。这种“云+端”双轨驱动的模式，不仅大幅降低了医疗机构的硬件采购与运维成本，更为实现精准医疗资源的普惠与高效诊断规划提供了强有力的技术支撑。

PAM软件云平台

PAM软件本地离线版

论文信息：Zifan Chen, Xinyu Nan, Jiazheng Li, Jie Zhao, Haifeng Li, Ziling Lin, Haoshen Li, Heyun Chen, Yiting Liu, Lei Tang, Li Zhang, Bin Dong. PAM: A Propagation-Based Model for Segmenting Any 3D Objects across Multi-Modal Medical Images. npj Digital Medicine, 8, 753 (2025).

论文链接：https://doi.org/10.1038/s41746-025-02087-y

Github仓库链接：https://github.com/czifan/PAM

本研究受以下基金资助：国家自然科学基金（批准号：72573036、12090022、U24A20759、82441018）、北京大学临床医学+X青年学者项目（PKU2023LCXQ041）、新基石科学探索项目、国家重点研发计划（2024ZD0520600）。

转载本网文章请注明出处