基于分层稀疏查询Transformer辅助的超声筛查早期肝细胞癌的回顾性系统研究

肝细胞癌（Hepatocellular Carcinoma, HCC）是全球癌症相关死亡的第三大原因，亟需提升早期检测能力以改善患者生存率。尽管超声检查因其成本效益高和实时成像优势，仍是首选的筛查手段，但其敏感性（59%–78%）高度依赖放射科医生的专业水平，导致诊断结果不一致且临床操作效率低下。近年来，人工智能（AI）技术的快速发展为弥补这一差距提供了潜在解决方案。本研究提出一种新型混合架构——分层稀疏查询Transformer（Hierarchical Sparse Query Transformer, HSQformer），该模型通过潜在空间表示与稀疏学习机制，协同融合卷积神经网络（CNN）的局部特征提取能力与视觉Transformer（Vision Transformer）的全局上下文感知优势，实现高效特征融合。HSQformer采用基于专家混合（Mixture-of-Experts, MoE）框架的动态任务专家激活机制，实现分层特征整合，同时避免结构冗余。在三种临床场景下进行评估：单中心、多中心及高危人群队列，HSQformer在多中心测试中表现优异，AUC达95.38%，显著优于当前主流模型，并在诊断准确率上达到资深放射科医生水平，远超初级医生。研究结果表明，AI辅助工具具有标准化HCC筛查流程、降低对人工经验依赖、提升早期诊断率的巨大潜力。完整代码已开源，可访问：https://github.com/Asunatan/HSQformer。