arXiv cs.AI· Yuan Liang, Morgan May, Abraham Campbell, Sourav Bhattacharjee, Simon Caton, Pierpaolo Dondio·· 3 天前AI 评分15
肾细胞癌分类中放射组学-图像融合的概率校准评估
Beyond Discrimination: Evaluating Probability Calibration in Radiomics-Image Fusion for Renal Cell Carcinoma Classification
AI 导读
研究基于 KiTS23 数据集的 396 名患者，评估在四类图像模型中引入放射组学后概率预测质量的变化。在 12 组匹配对比中，AUC 和 AP 全部提升，Brier score 与 NLL 在 11 组改善，ECE 在 8 组改善；3D MedVAE 门控融合模型表现最佳。对拼接、交叉注意力和门控融合做概率平均，可在全部四类架构上同时改善区分度与校准。
正文 · AI 翻译
摘要：可靠的概率估计对于机器学习分类器的临床解读非常重要，然而肾细胞癌（RCC）的影像组学--图像融合模型通常主要依据区分度进行评估。我们使用 KiTS23 数据集中的 396 名患者，评估了在四个图像模型系列中加入影像组学是否能在区分度之外改善概率性能。我们使用区分度、概率校准和恰当评分指标评估了 17 个单独模型和 4 个概率平均集成模型。在 12 组匹配的仅图像与融合对比中，AUC 和 AP 在全部 12 组中均有改善，而 Brier 分数和负对数似然（NLL）在 12 组中的 11 组有改善，期望校准误差（ECE）在 12 组中的 8 组有改善。3D MedVAE 门控融合模型取得了最强的整体单模型表现。在拼接、交叉注意力和门控融合上进行概率平均，相对于仅图像模型，在全部四个系列中均产生了在所有五项主要指标上有利的点估计，尽管配对自助法支持对 Brier 分数和 NLL 强于对 ECE。这些发现表明，影像组学--图像融合可以在区分度之外改善概率预测质量，而校准行为因图像架构和融合策略而异。我们表明，我们提出的概率平均集成模型在本研究中的所有架构上同时改善了区分度和校准。
| 评论： | 12 页。1 幅图。已被 2026 年爱尔兰人工智能与认知科学会议（AICS 2026）接收。论文集即将出版 |
| 主题： | 图像与视频处理（eess.IV）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV）；定量方法（q-bio.QM） |
| 引用为： | arXiv:2610.14151 [eess.IV] |
| （或 arXiv:2610.14151v1 [eess.IV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.14151 arXiv 颁发的 DOI，通过 DataCite（待注册） |
提交历史
来自：Yuan Liang [查看电子邮件]
[v1]
2026 年 10 月 9 日星期五 15:50:47 UTC（71 KB）
来源：arXiv cs.AI · arxiv.org