消融针到位了，消融范围够不够？边界有没有覆盖肿瘤？传统做法依赖术者经验和术中影像，但从“大概烧到”到“精准覆盖”，中间还缺一个可靠的判断依据。

2026年5月，《柳叶刀·肿瘤学》发布《国际多学会肝脏肿瘤热消融消融边缘评估德尔菲共识》，由欧洲心血管与介入放射学会（CIRSE）、欧洲肿瘤外科学会（ESSO）、国际介入肿瘤学会（SIO）等多家国际权威学术组织联合制定。共识明确指出，图像融合技术是消融术中、术后影像评估的关键手段，它正从“可选辅助”升级为消融边界评估的关键环节。

但术中图像融合本身面临两个难题：一是CT和MR“对不上”——CT看密度，MR看组织信号，同一部位在两种图像上的灰度、纹理差异巨大；二是手术中组织“变了形”——呼吸、体位变动、穿刺操作都会让器官移位变形，术前图像与术中图像已不是“同一形状”。

针对这两个难题，上海交大团队提出了“表征解耦+自适应递归推理”的协同框架。针对跨模态差异，表征解耦技术让AI忽略CT和MR各自的“成像风格”，只认骨骼、血管、脏器这些真实的解剖结构；针对组织大形变，自适应递归推理机制由粗到精、逐级优化，即便组织发生显著位移，AI也能通过多轮迭代找到准确对应关系。

基于以上技术开发的ARDMR模型已在医学图像分析顶刊《Medical Image Analysis》上发表，是业内首个针对多模态大变形配准场景、将“表征解耦”与“自适应递归推理”进行协同设计的深度学习框架，为术中消融边界的定量评估提供了可靠的AI底层技术支撑。

如果说图像融合解决的是“消融范围在哪里”，那么磁共振测温要解决的，就是“温度到底是多少”。

磁共振测温是目前唯一无需植入传感器即可无创获取组织内部温度分布的成像手段，在-15℃至100℃范围内具有良好的线性度。但它与热消融之间存在两重“天然矛盾”：一是电磁干扰—在温度图上表现为大范围随机噪声；二是金属伪影—破坏局部磁场均匀性，原始数据误差可达上百摄氏度，完全不可用。

此前，利用深度学习解决这个问题需要同时获得“有电极伪影”和“没有电极伪影”的两幅相同图像来训练AI模型，但在真实手术中根本无法实现。传统方法依赖解析建模和数值模拟，计算延迟高，难以满足术中实时反馈需求。

研究团队的解决方案是“绕道而行“—不使用真实手术数据训练，而是通过计算机仿真生成训练数据。基于Pennes生物传热方程，模拟不同功率、时长、组织条件下的射频加热过程，生成包含“真实温度分布”的仿真图像，再随机生成金属磁化率伪影、电磁干扰噪声等，构建了3万对“无伪影图→含伪影图”的训练样本。这种方法的核心价值在于：它不是让AI“背”伪影的样子，而是让AI学习温度场的物理分布规律，即使面对从未见过的伪影形态，也能推算出真实温度。

团队在3.0T磁共振平台上开展了离体猪肝与仿生体模实验，以荧光光纤温度计为测量基准进行验证。结果显示：伪影区域测温标准差分别为体模0.91℃、离体猪肝1.00℃；最差情况最大温度误差为3.99℃，而原始有伪影数据误差为176.65℃；单层温度图重建仅需0.18秒，可满足术中实时监测需求。模型完全基于合成数据训练，未使用真实数据微调，在体模与离体组织中均表现良好。

不同对比方法在真实数据上的可视化结果

ARDMR模型解决“消融范围在哪里”，磁共振测温伪影校正解决“温度到底是多少”，两者共同指向一个目标——让消融过程从依赖经验走向可量化、可预测。

美杰医疗正在持续探索这类技术在介入治疗场景下的临床转化应用。当消融的边界和温度都能被量化，原位释放抗原、激活免疫应答的过程也将变得更加可控，这将推动多模态热物理免疫治疗平台向更精准、更可控的方向迭代。

参考文献

1. Hu Y, Zhang Q, Zhao Z, et al. ARDMR: Adaptive recursive inference and representation disentangle-ment for multimodal large deformation registration[J]. Medical Image Analysis, 2025: 103844.

2. Jiang Y, Xie Y, Zhao X, et al. Susceptibility artifact correction in magnetic resonance thermometry based on deep learning with simulation-derived thermal physics priors[J]. International Journal of Heat and Mass      Transfer, 2026, 271: 129346.