成果情况： 针对医学影像3D分割中长期存在的高成本标注依赖、切片间拓扑不连续性以及跨模态泛化瓶颈，项目组研发了基于信息传播机制的通用三维医学对象分割模型（PAM）。该成果创新性地提出了“双向轴向传播”架构，将三维空间的一致性约束融入深度传播网络，实现了仅需单视图二维提示（Prompt）即可自适应重构全局三维结构的突破性功能。PAM模型在涵盖全身各器官、涉及百余类对象、跨越四大成像模态的44个主流公共及临床数据集上进行了广泛验证。实验数据表明，其平均Dice系数在复杂组织与罕见病灶分割上显著优于现有SOTA模型（如SAM-Med3D等），展现了极强的算法鲁棒性。相关论文发表于Nature旗下顶刊《npj Digital Medicine》（IF: 15.1），并凭借其卓越的算法创新性和影响力，成功入选2025年度医学人工智能代表性算法提名。

科学意义与应用前景：PAM模型为解决高维非均匀采样数据的泛函极小化问题提供了全新的路径，证明了通过“极简交互引导下的信息传播”可以有效替代传统变分模型中复杂的正则化约束求解，实现了机理逻辑与数据驱动的深度耦合。在应用前景方面，该成果已完成从理论到工程的跨越，成功开发出“云平台+本地离线”双轨驱动的自动化分割系统，并已在北京大学肿瘤医院影像科等临床一线投入科研辅助及病例处理。该系统不仅大幅降低了临床医生手动勾画病灶的时间成本（从小时级缩短至分钟级），还通过模块化架构支持针对稀有病灶的快速微调进化，为实现精准医疗资源的普惠化、标准化以及大规模多中心临床科研协作提供了关键的技术底座。

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).

PAM算法模型框架

PAM算法模型在多个数据集上的定量分析结果

PAM软件云平台和本地离线版

PAM模型获得医学人工智能代表性算法提名