TotalSegmentator 现在能从 CT 与 MR 影像预测体重、身高、年龄与性别：CPU 上 20 秒

医院影像归档有一个不易察觉的问题：与一次 CT 或 MR 扫描一同保存的患者与采集信息常常缺失，有时还是错的。而这些信息对临床决策、影像质量控制和自动化研究流程都很重要。

一个以巴塞尔大学医院为核心的团队提出，直接从影像本身把这块空白补上。在广泛使用的开源分割工具 TotalSegmentator 中新增的一项任务，仅凭扫描影像即可预测患者与采集的特征。该研究已于 2026 年 8 月 29 日发表在 arXiv 上。

它预测什么

两种模态共有：体重、身高、年龄、性别，以及造影剂是否存在、椎体覆盖范围和图像噪声。

仅 CT：扫描仪厂商、管电压、管电流、卷积核，以及注射后经过的时间。仅 MR：序列类别。

数据

模型由分别训练的 3D ResNet-10 集成构成，训练数据为 2011 年至 2025 年间的 57,291 例 CT 与 43,200 例 MR 临床检查。

在院内测试集上，CT 结果为：体重平均绝对误差 3.90 公斤，身高 3.68 厘米，年龄 4.42 岁，性别 F1 0.990。MR 依次为 4.34 公斤、4.62 厘米、7.13 岁与 0.970。

更有意义的是外部数据集的结果，因为它显示模型走出本院之后是否仍然站得住。在外部 CT 数据集上：体重 4.45 公斤，身高 4.05 厘米，年龄 5.17 岁，性别 F1 0.971。有下降，但幅度不大；模型看起来并未过度拟合于自己所在的机构。

为什么不需要显卡

这是实践中最关键的一点。在 CPU 上推理，CT 需 20 秒，MR 需 12 秒。也就是说，不必为此采购带显卡的服务器；把归档里的旧检查批量跑一遍，普通服务器就能完成。

怎么运行

该工具通过命令行一行调用：

totalseg_get_body_stats -i ct.nii.gz -o body_stats.json -m ct

此任务还需额外安装 timm 与 monai 两个包。若不想为了试用而安装任何东西，团队也提供了网页界面：compute.totalsegmentator.com/body-stats。

许可：内核开放，部分模型不是

TotalSegmentator 本身采用 Apache-2.0 许可，允许商业使用。但据仓库自身的说明，若干专用模型另有许可安排：非学术用途需要联系开发者。在机构内部署之前，应当先确认你要用的那项任务属于哪一类。

真正的提醒

开发者在仓库里写得很明白：“这不是医疗器械，也不用于临床用途。”

这句话并非装点。该工具声明的用途是补全缺失的元数据、做质量控制、以及支撑研究流程。为了临床决策而从这里读取患者的体重或年龄，并不是它被设计来做的事。在企业级部署中，这一区分需要白纸黑字写下来，因为当结果以一个 JSON 文件的形式抵达时，产生它的模型的边界就变得看不见了。

把分寸拿住

还有一条提醒指向相反的方向。一个能从影像推断年龄、性别与身体尺寸的模型，对那些被认为已去标识化的数据集提出了另一个问题：即便患者信息已被抹去，影像本身仍然携带着其中的一部分。论文并未展开这一讨论，这也不是它的目的；但一家准备把归档开放给研究使用的机构，应当把它考虑进去。

来源

• 一手来源，论文：Jakob Wasserthal、Joshy Cyriac、Michael Bach、Kimia Mozahheb Yousefi、Minh-Son To、Mate Sik、Cedric Hemon、Thomas Weikert、Martin Segeroth，“Extending TotalSegmentator: Predicting Patient and Acquisition Characteristics from CT and MR Images”，arXiv:2608.29348，2026 年 8 月 29 日：arxiv.org/abs/2608.29348
• 代码、许可与用法：TotalSegmentator 仓库，本文的命令与许可说明取自该处：github.com/wasserth/TotalSegmentator
• 网页界面：compute.totalsegmentator.com/body-stats
• 发布信息：由论文第一作者、该工具开发者 Jakob Wasserthal 于 2026 年 9 月 4 日在其本人账号发布。