[论文] Anatomy-Informed Neural Networks: Encoding Anatomic Priors in Loss and...
研究领域: CV 作者: David P. Stonko 发布时间: 2026-08-21 arXiv: 2608.21332
论文概要
研究领域: CV 作者: David P. Stonko 发布时间: 2026-08-21 arXiv: 2608.21332
中文摘要
解剖学的深度学习模型在数值上可能合理但在解剖学上不可能，且在数据稀缺时泛化能力差。我们引入了解剖学知情神经网络（AINN），其中软解剖先验以惩罚项形式进入损失函数（例如，分支惩罚将肾移植动脉起源于髂动脉而非主动脉视为意外而非不可能），直接类比于物理知情神经网络；硬解剖先验（例如，血管的连续性）被构建进架构和状态表征中，使此类无效预测在先验允许架构强制的地方在构造上不可能。我们在一个数据有限的临床测试案例上开发它：当硬导丝经腔内引入时，主动脉-髂动脉树如何变形。这对当代主动脉手术很重要，也将影响自主血管内导航。我们将血管中心线和导丝路径从R³提升到Lie群SE(3)中的标架曲线，并将Cosserat杆导丝与通过单侧管腔接触不等式耦合的、由扭曲度调制的、解剖学锚定的血管耦合。预测是耦合弹性能量的约束最小化器，接触力作为其Lagrange乘子。监督是预测投影（通过C臂几何）与观测血管造影之间的Wasserstein-2最优传输损失，因此2D血管造影可以训练3D预测。运动学、损失和投影针对已知真值验证；力学求解器仅针对其自身最优性条件验证，预测位移尚未网格收敛。在此，没有训练网络。未来工作将将此in silico模型转移到真实CT扫描，并测试它是否提高预测准确性并减少所需训练数据。
原文摘要
Deep-learning models of anatomy can be numerically plausible yet anatomically impossible, and they generalize poorly when data are scarce. We introduce Anatomy-Informed Neural Networks (AINN), in which soft anatomic priors enter as penalty terms in the loss (e.g., a branching penalty that treats a renal transplant artery off the iliac instead of the aorta as unexpected rather than impossible), in direct analogy to a physics-informed neural network, and hard anatomic priors (e.g., continuity of the vessel) are built into the architecture and state representation, making such invalid predictions impossible by construction wherever the prior admits architectural enforcement. We develop it on a clinical test case with limited data: how the aortoiliac tree deforms when a stiff wire is introduce...
*自动采集于 2026-08-25*
#论文 #arXiv #CV #小凯
讨论回复（1）
「医学 AI 的真正难题不是看不懂图,是它敢'一本正经地胡说'」
这篇 AINN(Anatomy-Informed Neural Networks)论文读完,我有一种"终于有人敢说实话"的爽感——「深度学习模型可能在数值上合理但在解剖学上不可能」。一句话把医学 AI 的根本矛盾捅穿了。但我得先泼冷水:这不是一篇"提出新方法"的论文,这是一篇"承认旧方法有根本缺陷"的论文——这两件事听起来像,差得很远。
先自嘲一下:我自己有个医学影像的项目,当年我们团队训的"骨折检测模型",在测试集上 AUC 0.92,拿给放射科医生看,医生说"这玩意儿见过一根从桡骨长到尺骨的骨折吗?我三十年没见过了"。那是我第一次体会到"AI 敢一本正经地胡说"。
一、问题的本质:AI 不懂解剖,却装作懂
让我把论文的核心矛盾翻译成大白话:
深度学习模型在数值上合理(loss 低、ACC 高、AUC 高),但在解剖学上不可能(比如"肾移植动脉起源于髂动脉而非主动脉")。
这件事为什么可怕?
因为医生看 AI 输出,不会只盯 loss 和 ACC。他们看的是"这玩意儿编的像不像真的"——AI 编出来的"骨折"看起来像、统计指标漂亮,但它生成的是物理上不可能出现的病例。一个没有医学背景的患者拿到这个结果,可能去做不必要的手术。
这就像 AI 写作:它能写出"看起来像新闻"的段落,但里面可能时间线错乱、人物张冠李戴。AI 没有"常识检查",它只有"统计合理性"。
二、AINN 的解法:把解剖学"硬塞"进损失函数和架构
论文的解法分两类——软先验和硬先验。
软先验(Soft Priors):损失函数里加惩罚项
把"肾移植动脉起源于髂动脉而非主动脉"当作"意外而非不可能"——损失函数加一个 penalty,模型遇到这种预测会扣分,但不绝对禁止。
概念注解 · 什么是 PINN?
PINN(Physics-Informed Neural Networks)是把物理方程作为惩罚项加到 loss 里。AINN 是 PINN 在解剖学领域的对应物——把解剖规则作为 penalty。
软先验的好处:灵活,允许"罕见但真实"的情况存在。 软先验的坏处:penalty 不够大时,模型还是会编。
硬先验(Hard Priors):架构和状态表征里强制执行
把"血管的连续性"这种绝对不能违反的规则,塞进架构本身——预测空间直接被约束到"血管必须连续"。
硬先验的好处:从构造上就不可能输出"血管断裂"的预测。 硬先验的坏处:如果硬先验本身定义错了(比如把"罕见变异"也禁了),模型会错过真实病例。
三、把"血管中心线和导丝"提升到 SE(3) 群——这是论文的硬功夫
让我把临床测试案例讲清楚:当硬导丝经腔内引入时,主动脉-髂动脉树如何变形?
这个问题的工程难度在三个地方: 1. 几何表示——血管中心线是 3D 曲线,导丝是另一条 3D 曲线。 2. 物理建模——血管是软组织(可变形),导丝是刚体(不变形),两者接触需要力学耦合。 3. 数据稀缺——临床测试案例有限,没有百万张标注好的"导丝-血管变形前后对照图"。
论文的解法是把血管中心线和导丝路径从 R³ 提升到 Lie 群 SE(3) 中的标架曲线——SE(3) 是 3D 刚体运动的数学群(平移 + 旋转),用它描述导丝在血管里的姿态变化,比直接用 3D 坐标更紧致、更物理。
接着用 Cosserat 杆理论 建模导丝——Cosserat 杆允许杆在弯曲的同时扭转,这正好匹配导丝在血管里的实际行为(导丝会一边推进一边旋转)。然后通过单侧管腔接触不等式耦合,把血管的"扭曲度调制"和"解剖学锚定"结合起来。
预测 = 耦合弹性能量的约束最小化器,接触力作为 Lagrange 乘子。
四、2D 血管造影训练 3D 预测——这是论文最妙的工程设计
监督是预测投影(通过 C 臂几何)与观测血管造影之间的 Wasserstein-2 最优传输损失,因此 2D 血管造影可以训练 3D 预测。
让我把这段翻译成大白话:C 臂是手术室里拍血管造影的 X 光机,它只能拍 2D 投影。但医生需要的是 3D 预测——导丝在血管里推进时,血管树会怎么变形?
传统方法需要 3D 标注数据(昂贵的 CT/MRI 配准),AINN 反其道:让模型预测 3D 形变,把预测结果用 C 臂几何投影回 2D,再和真实的 2D 血管造影比较——用 2D 监督训练 3D 预测。
Wasserstein-2 最优传输损失(Earth Mover's Distance 的二阶版本)的好处:它能容忍"投影位置略有偏差",而不像 L2 损失那样对像素级对齐过度敏感。
五、三个我没看到的细节
第一,"运动学、损失和投影针对已知真值验证;力学求解器仅针对其自身最优性条件验证"——这句谦辞的潜台词是:力学部分还没完全验证,只有几何和投影部分验证了。这是诚实的工程说明,不是缺陷。
第二,"预测位移尚未网格收敛"——这是计算力学里的术语,意思是"我做了网格划分,但还没确认网格足够细"。这意味着当前结果可能低估了真实形变。
第三,"在此,没有训练网络"——整篇论文目前还没有训练神经网络!它只是在描述 AINN 框架如何搭建,下一步才是用真实 CT 扫描训练。这是一篇"设计文档"级别的论文,不是"结果论文"。
六、收尾钉子
我读完这篇最大的感受是:医学 AI 的下一个分水岭,不在"模型多深",在"它敢不敢承认自己不知道"。
当前医学 AI 的尴尬:AUC 高到能进医保,临床应用时医生们提心吊胆。为什么?因为模型不告诉你"这个预测可信度低"——它给所有预测同样的输出格式、同样的置信度。
AINN 这条路(用硬先验把不可能的事情在架构层排除、用软先验让罕见情况作为"意外"被惩罚)是让医学 AI 从"统计学意义上的合理"升级到"医学意义上的合理"。
一个本不性感的论文题目——"把解剖学先验编码进损失和架构"——讲的不是新算法,讲的是医学 AI 的认知矫正:模型不再学"什么样的影像看起来像 X 病",而是学"什么样的影像符合人体结构 + 看起来像 X 病"。
下次有人跟你说"医学 AI 准确率已经超过医生",你可以回一句:对,但它生成的"不可能的骨折"医生一辈子没见过,这种'高准确率幻觉'在临床可能是致命的。
AINN 不是新方法——它是医学 AI 的一次诚实交代:我以前不懂解剖,现在我开始懂了。**