Hippocampal Segmentation Performance on 7T MRI: Intensity-Based Accuracy Assessment with Paired 3T-7T Volume Comparison across Multiple Algorithms [ARTIFICIAL INTELLIGENCE]

所有測試演算法在 7T MRI 上都系統性低估海馬體積——即使表現最佳的 hippodeep，與 3T 相比平均差距仍有 0.19 mL；商業軟體 NeuroQuant 在兩場強間的差距達 0.54 mL，足以讓同一位病患的常模百分位漂移整整 41 個點位。買了 7T 卻沿用 3T 常模的報告流程，你給出的海馬萎縮判斷可能已失去任何可靠的參照基準。

7T 海馬分割的演算法訓練空缺與臨床衝擊

7T MRI 的臨床部署正在加速，Siemens Magnetom Terra.X 已進入多個醫學中心，主要適應症包括阿茲海默症早期偵測與癲癇手術前評估——這兩項都高度依賴海馬體積測量。放射科醫師的日常流程中，商業分析軟體（最常見為 NeuroQuant）負責自動分割並與年齡校正常模比對，最後輸出一個百分位數供臨床決策。這套流程在 3T 時代已被廣泛驗證，然而所有主流海馬分割演算法——不論是深度學習架構或傳統圖譜配準方式——訓練資料均來自 1.5T 或 3T 掃描，從未接觸 7T 影像。7T 在組織對比度、訊雜比、磁化率偽影（susceptibility artifact）及部分容積效應上，與 3T 存在根本性差異，讓這批演算法面對 7T 資料時等同盲目操作。本研究以 Mayo Clinic Scottsdale 的回溯性資料，首次對六種常用演算法在 7T 上的表現進行系統性量化，並直接比對同一受試者在 3T 與 7T 之間的體積差異，是目前此類評估中規模最完整的一項。

雙佇列設計：單場強精度評估與成對跨場強比較

研究採用兩個獨立的回溯性佇列。第一佇列（7T 精度評估組，n = 269）：所有腦部 MRI 均在 Siemens Magnetom Terra.X 完成，採用 0.6 mm 等向性解析度 T1 MPRAGE 序列，每例均備有注射 Gadolinium 顯影劑前後的配對影像；顯影劑前後的強度差異作為體素分類的參照基準，讓研究者能在不需要人工手繪的情況下，量化每個演算法「分類錯誤的體素總體積」，稱為「總修正量（total correction volume，mL）」。第二佇列（3T–7T 跨場強比較組，n = 39）：每位受試者均有同機構的 3T 與 7T 配對 T1 MPRAGE，供直接成對體積比較。

7T 精度評估組測試六種演算法：AssemblyNet、e2dhipseg、FastSurfer、HippMapper、hippodeep、QuickNat。由於 QuickNat 在 7T 表現不達標而被直接排除出跨場強分析（論文未公開具體數字，但研究者的排除決定本身即代表肉眼可見的大範圍錯誤分割）；跨場強分析則新增了臨床最廣泛使用的商業軟體 NeuroQuant 5.0。演算法準確度以「總修正量」量化，數值越低代表分割越準確，無須人工金標準即可大規模施測。跨場強體積差異使用 Wilcoxon signed-rank test 進行配對檢定；演算法間整體排名以 Welch ANOVA 加 Tukey 事後檢定確認所有兩兩配對的差異是否顯著。

五種演算法的 7T 精度排名與統計差異

在 269 例 7T 佇列中，五種演算法的總修正量排名如下：hippodeep 0.58 mL（最低、最準確）、e2dhipseg 0.67 mL、FastSurfer 0.78 mL、HippMapper 0.84 mL、AssemblyNet 0.89 mL（最高、最不準確）。Welch ANOVA 搭配 Tukey 事後檢定確認，所有演算法兩兩之間的差距均達統計顯著（P < .001），說明這個排名穩定可重複，並非樣本偶然造成的順序波動。

hippodeep 的相對成功可能來自其設計哲學：這個工具原本就是針對低解析度、不同場強環境的泛化需求設計，對訓練資料以外的影像特性具有較高的容錯能力。反之，AssemblyNet 採用多模型集成（ensemble）策略，在 3T 上通常是精度最高的選項，但在 7T 高對比環境下，集成投票機制可能被訓練時從未見過的訊號強度分布系統性拉偏，導致修正量最大。FastSurfer 作為 FreeSurfer 的深度學習加速版，以廣泛多樣的 3T 資料訓練，居中表現符合「泛化能力尚可但並非最佳」的預期定位。e2dhipseg 以 0.67 mL 緊追 hippodeep，顯示其二維切片輸入架構在應對 7T 的高解析度各向異性訊號時，反而沒有三維模型的過擬合問題。

3T 切換 7T 的體積低估與 41 點常模百分位漂移

在 39 對配對資料的跨場強比較中，所有演算法在 7T 測得的海馬體積均顯著小於 3T（P < .001），方向完全一致——沒有任何演算法出現逆向高估，說明這是 7T 訓練資料缺失造成的系統性偏誤，而非個別演算法的隨機雜訊。均絕對差異（mean absolute difference）的範圍從 hippodeep 的 0.19 mL 延伸至 HippMapper 的 1.54 mL，差距超過八倍，顯示演算法選擇在 7T 上對體積數字的影響遠比在 3T 環境下更具決定性。

最具臨床意義的發現是 NeuroQuant 5.0 的成對結果：平均體積差 0.54 mL，對應的常模百分位變動幅度為平均 41 個百分位點。這個數字背後的機制值得特別說明：NeuroQuant 使用大規模 3T 掃描建立的健康常模，常模分布曲線在兩端（極低或極高體積區間）比中央段更陡峭，因此微小的系統性體積低估會被非線性地放大為巨大的百分位跳動。一位在 3T 測得百分位 55（完全正常範圍）的受試者，若改以 7T 掃描輸入同一軟體，可能輸出百分位 14——落入「顯著低於同年齡常模」的萎縮警示區間——即使她的海馬一分鐘前才剛被判定正常。這不是演算法的技術故障，而是用錯誤參照框架解讀數據的系統性結構問題，單靠更新演算法無法解決。

單中心回溯設計的限制與 7T 常模資料庫的缺口

作者在 Discussion 中坦承數項根本限制。首先，所有資料來自單一機構的單一 7T 機型（Siemens Terra.X），不同廠牌（Philips、Bruker）或不同線圈設置的 7T 系統未被涵蓋，跨機型的泛化能力不明。其次，本研究採用「體素強度修正量」作為精度代理指標，並非傳統 Dice Similarity Coefficient（DSC，重疊面積一致性），缺乏人工手繪的黃金標準，與其他文獻的直接數字比較需要謹慎。第三，39 對跨場強比較組規模偏小；若病患的 3T 與 7T 掃描之間有明顯時間間隔，生理性海馬體積變化可能混入差異訊號中。第四，所有演算法均以預設參數執行，未針對 7T 做任何客製化調整；NeuroQuant 等商業軟體未來若發布 7T 支援版本，結果可能改善。

對放射科同行的實際操作建議：若機構已啟動 7T 海馬分析流程，目前最安全的做法是（一）同時保留一組 3T 基線掃描作為病患內部參照，（二）報告中明確標注 7T 測量值與所用演算法，並附「現無 7T 驗證常模」的說明，（三）不得直接將 7T 測值與 3T 歷史追蹤數字做縱向比較，直至 7T 專屬常模資料庫建置並驗證完成。從更長遠的角度看，本研究最重要的貢獻或許不是告訴你哪個演算法最好，而是清楚說明：建置一個多中心、多機型的 7T 海馬常模資料庫，是讓 7T 神經影像真正進入臨床決策的必要前提，這一步若沒完成，7T 掃描的優越解析度反而可能製造更多虛假警報。

7T 掃下去、3T 常模解讀：同一顆海馬，0.54 mL 就差了 41 個百分位——常模年代比演算法品牌更重要。