← 返回 2026-05-05

胰腺导管腺癌血管侵犯评估：PDACVI 基准 Assessing Pancreatic Ductal Adenocarcinoma Vascular Invasion: the PDACVI Benchmark

M. Riera-Marín, O. K. Sikha, J. Rodríguez-Comas, M. S. May, T. Kirscher, X. Coubez, P. Meyer, S. Faisan, Z. Pan, X. Zhou, X. Liang, C. Hémon, V. Boussot, J. -L. Dillenseger, J. -C. Nunes, K. -C. Kahl, C. Lüth, J. Traub, P. -H. Conze, M. M. Duh, A. Aubanell, R. de Figueiredo Cardoso, S. Egger-Hackenschmidt, J. García-López, M. A. González-Ballester, A. Galdran 📅 2026-04-30 👍 4 2026-07-13 08:36
MICCAI挑战赛 不确定性建模 医学影像分割 多评分者学习 校准评估 胰腺癌 血管侵犯
arXiv HuggingFace PDF

PDAC血管侵犯基准，证明体积重叠≠临床可靠，需不确定性建模。

前置知识

胰腺导管腺癌（PDAC）与血管侵犯（VI）

胰腺导管腺癌是致死率最高的恶性肿瘤之一，外科切除是唯一的潜在治愈手段，而能否切除取决于肿瘤是否侵犯周围关键血管（如门静脉、肠系膜上动静脉、腹腔干、主动脉）。在临床CT影像上判断血管侵犯主要看肿瘤与血管的接触角度，但该标准主观性强，millimeter级别的边界差异即可导致可切除性判断翻转。

本文核心任务是预测PDAC的血管侵犯以辅助术前分期，读者必须理解这一临床决策对边界的极度敏感性，才能体会为什么作者强调'高体积重叠 ≠ 临床可靠'。

STAPLE（Simultaneous Truth and Performance Level Estimation）

一种经典的多标注融合算法，通过对多位标注者的标注进行加权投票，估计出一个'最可能真值'的共识掩膜以及各标注者的准确度参数。其本质是合并分歧信号到一个单一确定性的'金标准'，本文认为这种共识中心化策略会掩盖有信息量的标注分歧。

STAPLE既是本文多个对比方法的默认融合方式（ROISeg、OrdSTAPLE的一部分），又是部分评估指标的参考基准（标准DSC），理解它才能理解'为什么抛弃STAPLE是有意义的'。

Aleatoric Uncertainty（数据固有不确定性）

指数据本身因标注者主观差异、图像噪声等带来的不可约减的不确定性。在医学影像中，尤其在肿瘤-血管交界面这种诊断模糊区域，多位专家对同一像素是否属于肿瘤可能给出截然不同的判断，这种'真值本身就有分布'的特性即为aleatoric uncertainty的核心。

本文通篇围绕aleatoric uncertainty展开——它的核心贡献就是'显式建模这种不确定性'，并证明只追求确定性输出会在复杂病例上崩溃。

概率校准（Calibration）与ECE

模型输出的概率与真实频率的一致程度。Expected Calibration Error (ECE) 将预测置信度分箱后比较各箱内的平均置信度与实际准确率，理想校准时二者相等。多评分者ECE (MR-ECE) 把该指标扩展到与每位专家标注分别比较后取平均，量化模型概率图与多位专家标注的整体一致性。

本文评估体系的四大支柱之一就是MR-ECE和CRPS（连续排序概率评分），校准差的模型在临床上会输出虚假自信的边界，可能误导医生做错误手术决策。

Wasserstein距离（W1）

又称推土机距离，度量两个概率分布之间的'最小运输代价'。本文用它比较预测的血管侵犯角度分布与多位专家给出的参考分布，捕捉分布形状差异而不仅仅是均值差。

Wasserstein距离是本文用于评估血管侵犯的核心指标——每个血管结构单独打分，因此读者需要理解为什么'分布距离'比简单的角度误差更适合度量临床决策价值。

研究动机

胰腺导管腺癌（PDAC）的术前分期极度依赖CT影像上对肿瘤-血管接触面的精确描绘，但这一任务因PDAC异质性强、边界模糊、且与周围血管关系复杂而极其困难。临床上millimeter级别的边界偏差即可让一台'可切除'手术变成'不可切除'，而即使是高年资放射科医生之间也常常意见不一。本文的统计数据揭示了这种诊断模糊性的严重程度：109例CT中5位专家两两DSC均值仅 $58.4 \pm 25.7\%$，标准差高达25.7%，意味着在很多病例上专家之间根本达不成空间共识（部分病例DSC低于30%甚至完全没有共识）。然而现有的深度学习分割方法（绝大多数基于nnU-Net变体）在训练和评估时通常把多个标注融合成一个STAPLE共识'金标准'，评估也只用单一Dice系数，忽略了这种固有模糊性，导致模型在不确定边界上要么过度自信要么完全崩塌，且无法为下游外科决策提供可信的概率信息。

本文的目标是本文目标有两个层次：第一，构建并公开一个针对PDAC血管侵犯（VI）任务的密集标注基准数据集CURVAS-PDACVI，包含125例CT中筛选出的109例，每例都有5位独立专家对肿瘤的标注以及5条关键血管（门静脉、肠系膜上静脉/动脉、腹腔干、主动脉）的精细勾画，从而在数据层面把aleatoric uncertainty直接暴露给研究社区；第二，设计一个超越传统Dice的多维度评估框架（包含DSC、阈值平均DSC、多评分者ECE、CRPS以及5个血管的Wasserstein距离共9个评估轴），并组织MICCAI 2025公开挑战赛，让6支国际团队在同一协议下验证'是否需要显式建模标注分歧'这一假设。最终目的是把PDAC-VI的评估范式从'追求体积重叠'推进到'追求边界处的不确定性感知可靠性'。

与已有工作不同的是，与已有研究相比，本文有四个独特切入角度：（1）数据层面——既有的PDAC公开数据集（如PANORAMA、MSD-Pancreas）只提供单标注或简单融合的标签，而本数据集刻意保留5份独立原始标注，让分歧信号成为可学习的信息而非被融合抹平的噪声；（2）评估层面——以往的PDAC分割工作几乎只用Dice，而本文提出分布式的Wasserstein-based VI度量，可以评估模型对血管侵犯的'不确定性分布预测'是否与多位专家的真实分布一致；（3）方法对比层面——首次在同一基准上同时比较'纯共识融合（ROISeg）'、'集成共识+温度缩放（MIC DKFZ）'、'贝叶斯不确定性（BreizhSeg）'、'评分者集成（CorpuSeg/TwinTrack）'和'序数分歧建模（OrdSTAPLE）'五种策略，便于解耦'架构差异'与'标注处理策略差异'；（4）临床层面——专门在低专家共识（DSC≤30%）的复杂病例子集上重新排名，揭示了平均指标上优秀的方法在困难病例上反而可能严重退化。

核心方法

本文的核心方法思路可以拆成'数据集构建 + 多维评估框架 + 算法比赛'三部分。直觉上，作者意识到PDAC分割的最大障碍不是模型架构而是'我们用什么样的目标去训练、什么样的标准去评估'，因此他们的方法学重心放在'保留分歧、量化分歧'上，而非追求SOTA Dice。技术路线上：（1）从PANORAMA公开数据集的CT中筛出125例（最终109例），保留原始单标注并新增4位专家独立标注 + 1位专家细化5条血管分割；（2）每位标注者贡献一份独立的肿瘤mask，并由算法自动融合出STAPLE共识；（3）评估协议强制要求提交二值化mask + 概率图，并对5条血管分别用Wasserstein距离评估VI；（4）通过Grand Challenge平台邀请6个团队提交nnU-Net变体方法，覆盖从'纯共识'到'显式分歧建模'的训练策略谱系，最后在完整测试集与高复杂度子集上分别排名。

本文最核心的创新点和已有方法的本质区别不在于网络架构（事实上6个方法都是nnU-Net变体），而在于'如何对待多评分者标注'这一根本性的方法学选择。具体来说，本文首次系统地提出'训练阶段应该保留而不是抹平标注分歧'这一主张，并把这一主张转化为可测量的实验证据：把分歧当作结构化目标（OrdSTAPLE的序数建模）、当作预测融合源（CorpuSeg的5模型集成）、当作后验校准目标（TwinTrack的isotonic回归）的方法，在高复杂度病例上比那些把5份标注简单平均后训练的方法（ROISeg）平均排名显著更好。这种'分歧即信息'的哲学使得本文既是基准也是方法学倡议——它把'哪些标注处理策略更适合临床模糊场景'这个问题系统化呈现出来。

方法步骤详情

流程分五步。第一步数据筛选与再标注：从PANORAMA原始CT筛125例'病理确诊PDAC且全手工标注'样本，组织4位不同年资放射科医生（1/3/7/22年）独立重画肿瘤，新增1位专家细化5条血管分割（门静脉/SMV/SMA/Celiac/Aorta），去掉至少1位医生未找到PDAC的16例，得109例。第二步按性别、年龄、厂商、肿瘤位置与体积分层划分为训练40/验证5/测试64。第三步设计评估协议：每个测试病例提交二值化mask + 概率图，评估包括（a）标准DSC vs STAPLE共识、（b）阈值平均DSC vs 5标注平均掩膜、（c）MR-ECE = $\frac{1}{5}\sum_{k=1}^5 \text{ECE}^{(k)}$、（d）CRPS 用高斯模型拟合5专家体积分布后比较、（e）每条血管把5专家与6阈值下预测接触角度各拟合成高斯，用 $W_1$ Wasserstein距离比较。第四步收集6种方法。第五步做500次bootstrap、在DSC≤30%高复杂度子集重新排名、用Wilcoxon做配对显著性检验。

技术新颖性

从技术新颖性角度分析，本文有四个层面的贡献。第一是数据贡献——首个公开的PDAC多评分者VI基准，包含5套独立原始标注和5条血管的精细分割，填补了'PDAC多标注'这一公开数据集的空白（PANORAMA只有单标注）。第二是评估协议贡献——提出MR-ECE（多评分者校准扩展）和分布式的VI Wasserstein度量，把医学影像分割的评估从'单一Dice'扩展到'9个互补轴'，并通过bootstrap和Wilcoxon证实了排名的稳健性。第三是方法学贡献——通过在同一基准下系统比较5种标注处理策略（STAPLE融合、序数分歧建模、贝叶斯不确定性、评分者集成、深度集成+温度缩放），首次给出'显式建模标注分歧是否值得'的明确经验证据。第四是临床转化贡献——发现最佳全局DSC方法BreizhSeg在高复杂度病例上DSC仅28.27%，而专门设计的方法OrdSTAPLE平均排名跃升至第一，论证了'为模糊场景设计的方法'在临床上不可被平均指标掩盖。

实验结果

6个方法在9个评估轴上揭示几个关键发现。BreizhSeg（贝叶斯归一化 + Monte Carlo）在全局指标最佳：DSC = $71.04\%$（第一）、Thr-DSC = $64.01\%$（第一）、MR-ECE = $25.7 \times 10^{-3}$（第一），但血管VI评估多数排第3-5；ROISeg（纯STAPLE共识训练）DSC仅59.28%排第3，但CRPS = $5.352 \text{cm}^3$ 最佳；TwinTrack（深度集成 + post-hoc isotonic校准）在5条血管中的4条（PORTA W1=29.03、AORTA W1=6.08、SMV W1=34.03、CELIAC W1=14.48）取得最佳，是VI评估最稳健方法；CorpuSeg在SMA W1=28.08最佳；OrdSTAPLE（序数分歧建模）全局DSC=54.05%排第6，但在高复杂度子集（DSC≤30%）上平均排名跃升至 $2.67 \pm 0.82$ 第一。Wilcoxon检验显示全局指标有显著差异，但血管VI指标大多不显著，说明VI方差主要由极端模糊病例共享驱动。

Demographic, acquisition, and anatomical bias distributions across splits
Table 1: Demographic, acquisition, and anatomical bias distributions across splits
Overview of submitted methods in the CURVAS-PDACVI benchmark
Table 2: Overview of submitted methods in the CURVAS-PDACVI benchmark
Global benchmark performance on the test set
Table 3: Global benchmark performance on the test set
Vessel-specific vascular invasion assessment on the test set
Table 4: Vessel-specific vascular invasion assessment on the test set
Performance on the high-complexity cohort
Table 5: Performance on the high-complexity cohort
Ranking stability via bootstrap analysis
Figure 3: Ranking stability via bootstrap analysis
Representative predictions across increasing levels of diagnostic ambiguity
Figure 4: Representative predictions across increasing levels of diagnostic ambiguity
Performance metric inter-correlation analysis
Figure 5: Performance metric inter-correlation analysis
Pairwise Wilcoxon signed-rank test matrices across benchmark metrics
Figure 6: Pairwise Wilcoxon signed-rank test matrices across benchmark metrics
Case-wise performance signatures across the test cohort
Figure 7: Case-wise performance signatures across the test cohort
查看结构化数据
任务指标本文基线提升
PDAC全局Dice分割 DSC (%) BreizhSeg 71.04 / MIC DKFZ 66.21 / ROISeg 59.28 / CorpuSeg 58.94 / TwinTrack 55.76 / OrdSTAPLE 54.05 基于nnU-Net框架的6种方法横向比较，无外部单点基线 BreizhSeg比最差的OrdSTAPLE在DSC上提升约17个百分点（71.04 vs 54.05）
概率式Dice Thr-DSC (%) BreizhSeg 64.01 / MIC DKFZ 59.57 / CorpuSeg 58.01 / TwinTrack 56.93 / ROISeg 55.32 / OrdSTAPLE 48.73 同上 BreizhSeg领先第二名约4.4个百分点，且Thr-DSC普遍低于DSC说明概率化评估对所有方法都更严苛
多评分者校准 MR-ECE (×10⁻³, 越低越好) BreizhSeg 25.7 / TwinTrack 29.6 / CorpuSeg 30.5 / MIC DKFZ 32.2 / ROISeg 34.5 / OrdSTAPLE 40.3 同上 贝叶斯/集成方法（BreizhSeg、TwinTrack）比纯共识方法（OrdSTAPLE、ROISeg）在校准上提升约25-36%
概率体积评估 CRPS (cm³) ROISeg 5.352 / TwinTrack 5.924 / MIC DKFZ 7.256 / BreizhSeg 7.320 / OrdSTAPLE 8.592 / CorpuSeg 10.792 同上 ROISeg在体积估计上反而最优，比最差的CorpuSeg低约50%，与DSC排名不一致
高复杂度病例（DSC≤30%）全局分割 DSC (%) TwinTrack 61.22 / ROISeg 60.98 / CorpuSeg 54.32 / OrdSTAPLE 52.16 / BreizhSeg 28.27 / MIC DKFZ 23.49 同上 在困难子集上排名完全翻转——MIC DKFZ从全局第2跌到DSC 23.49%，BreizhSeg从全局第1跌到28.27%，而TwinTrack和ROISeg反而最稳健
门静脉VI评估 Wasserstein-1 距离 (越低越好) TwinTrack 29.03 / CorpuSeg 29.09 / ROISeg 33.16 / MIC DKFZ 33.53 / BreizhSeg 35.94 / OrdSTAPLE 41.81 同上 TwinTrack比最差OrdSTAPLE低约30%，集成策略在VI评估上系统性优于纯共识/贝叶斯策略

局限与改进

作者明确承认的局限有四点：（1）测试集规模相对较小（64例），且高复杂度子集（平均人类DSC≤30%）样本极少，导致血管VI评估的配对Wilcoxon检验大多不显著，部分排名差异应谨慎解读；（2）ground truth是放射科医生标注而非手术或病理的金标准映射，意味着参考标准本身继承了专家的主观不确定性；（3）所有6个参赛方法都是nnU-Net变体，benchmark实际上只比较'训练策略和不确定性建模'的差异，并未覆盖更多样的架构（如Transformer-based、扩散模型等）；（4）评估仅基于几何指标，未纳入生存期、切除率等真实临床终点。我自己的额外观察还包括：（a）数据集全部来自欧洲多中心（德国、法国、西班牙医院），可能存在人群/扫描协议偏倚；（b）5位专家中包含一位仅1年经验的住院医（Rater 5），其平均DSC仅55.33%是最低的，是否应当引入'专家可靠性加权'而非平均融合值得讨论；（c）MIC DKFZ在高复杂度病例上CRPS高达6742 cm³（异常大），可能与无TTA、无重叠patch推断有关，是工程层面的次优选择而非方法学失败。

独立分析的弱点

独立分析的弱点分四个层面。第一是数据规模与代表性——109例对深度学习偏少，尤其训练策略（如CorpuSeg的5模型集成）需要大量样本时几乎肯定欠拟合；数据集全为欧洲来源CT，与北美/亚洲人群的泛化性未知。改进方向是联合更多医学中心扩充到500+例并显式测试域外泛化。第二是评估协议的临床脱节——9个评估轴都是几何/概率指标，与外科医生真正关心的'该患者能否切除'这种二分类决策之间还隔着一层映射，缺乏决策曲线分析。改进方向是增加'基于VI预测做可切除性二分类'的下游任务评估。第三是血管评估精细度不足——只对5条主血管单独打分，缺乏血管壁侵犯深度、包绕百分比等更细粒度指标。第四是模型架构同质化——6个方法全是nnU-Net变体，无法判断是'nnU-Net本身就够好'还是'其他架构在这种少样本标注下无法工作'，未来需更多Transformer或扩散模型的加入。

未来方向

作者在结论部分提出的未来方向包括：（1）扩充队列规模和方法多样性，邀请更多架构参赛；（2）引入更丰富的临床终点（生存期、术后并发症、实际切除率）而不仅是几何指标；（3）继续推进从确定性分割向校准的概率决策支持系统的范式转变。基于本文成果可以延伸的方向还有几个：（a）把aleatoric uncertainty建模与主动学习结合——既然已经知道哪些病例让医生分歧最大，可以让模型在这些样本上请求更多专家标注或专家讨论；（b）把这种不确定性感知框架扩展到其他癌种（如肝细胞癌与门静脉侵犯、肺癌与纵隔血管侵犯）；（c）把Wasserstein距离的VI评估与放射科医生实际的临床报告进行'决策一致性'研究，验证概率图是否真的能改善术前沟通；（d）探索把5份独立标注作为'软标签分布'来训练生成式模型（如diffusion-based PDAC分割），让模型学习完整的标注分布而不仅仅是统计量。

复现评估

本文复现性较好。数据集已完整公开在Zenodo（doi:10.5281/zenodo.17552201），包含原始CT、5份独立PDAC标注、5条血管分割与STAPLE共识掩膜；评估代码已开源在GitHub（SYCAI-Technologies/curvas-challenge），提供完整DSC、Thr-DSC、MR-ECE、CRPS、Wasserstein VI指标实现。挑战赛在Grand Challenge平台举办，训练/验证/测试完整流程可追溯。参赛方法的论文描述较详细但代码需向各团队单独索取（部分已发独立论文如TwinTrack的arXiv:2604.15950）。复现难度中等：单张A100可重训单个nnU-Net，但BreizhSeg的Adaptable Bayesian Network和TwinTrack的深度集成（3-5个模型）需数天训练。主要障碍：（1）训练样本仅40例，任何深度学习结果都有较大方差；（2）评估时需访问原始5份专家标注才能正确计算MR-ECE和VI Wasserstein距离，普通公开数据集不包含这些信息。

论文图表

Examples of High Diagnostic Divergence in PDAC Segmentation
Figure 1: Examples of High Diagnostic Divergence in PDAC Segmentation

展示了两行CT切片，每行显示同一病例上5位独立专家的标注（红色=肿瘤，绿色=血管，白色=血管侵犯区域）。上行展示专家对浸润性边界和肿瘤-血管接触面具体范围存在实质性分歧；下行展示完全缺乏空间共识的情形，5位专家的标注散落在完全不同的解剖区域，凸显了复杂临床病例中固有的极端aleatoric uncertainty。

这张图是整篇论文的'问题陈述'——它用视觉方式直观呈现了为什么Dice指标和确定性输出不足以胜任PDAC分割任务，对读者理解数据集的特殊性和方法学选择的动机至关重要。

Figure 2: Interrater agreement (Mean ± SD) per rater pair

5×5的热力图展示了109例数据上每位评分者与其他人以及与STAPLE共识的平均Dice。整体均值 $58.4 \pm 25.7\%$，其中1年资住院医（Rater 5）与组合的平均一致性最低（55.33%），3年资医生（Rater 4）最高（60.19%）。

提供了专家间一致性的量化证据，让读者直观看到分歧不是个别现象而是普遍现象，为后续评估协议的设计提供统计学基础。

Failure analysis and cross-algorithm consistency in high-complexity cases
Figure 8: Failure analysis and cross-algorithm consistency in high-complexity cases

在高复杂度病例上展示每个方法在不同指标上的失败模式（DSC<5th百分位、ECE>90th百分位等），以及跨算法共享的'最困难病例'列表。说明benchmark最严重的错误更多由'病例内在模糊性'而非'个别架构弱点'驱动。

为论文的核心主张——'困难病例需要专门的方法'——提供了案例级证据，把宏观的统计结论锚定到具体的临床实例上。