arXiv cs.AI· Yosuke Yamagishi, Tomohiro Kikuchi, Shouhei Hanaoka, Takeharu Yoshikawa, Osamu Abe·· 10 小时前AI 评分31
通用 CT 基础模型 RADAR 与 Merlin 能否区分肝脏肿瘤?
How Well Do Generalist CT Foundation Models Differentiate Liver Tumors?
AI 导读
研究评估了 RADAR 和 Merlin 两个通用 CT 基础模型区分肝脏肿瘤的能力,在零样本设置下 RADAR 四分类准确率仅 54.4%(κ=0.37),并将 31%(129/421)的恶性肿瘤预测为血管瘤。仅用线性探针在四期特征上训练线性分类器后,RADAR 准确率提升至 79.9%(κ=0.72),误判为血管瘤的恶性肿瘤降至 1%(5/421),Merlin 准确率为 60.9%。
正文 · AI 翻译
摘要:通用 CT 基础模型能以高性能检测出许多病灶,但其区分已检测病灶的能力在很大程度上尚未得到评估。这项回顾性研究评估了两个通用模型 RADAR 和 Merlin,使用一个公开的单机构多期 CT 数据集(517 例:肝细胞癌、肝内胆管癌、乳腺癌和结直肠癌肝转移以及血管瘤)来区分肝脏肿瘤。这些模型在零样本设置下使用其现有输出进行评估,并采用线性探测,即仅在冻结的图像特征上训练一个线性分类器(分层五折交叉验证重复五次)。在零样本设置下,RADAR 在门静脉期四分类区分中达到 54.4% 的准确率(95% CI:49.9,58.8)和 $\kappa$ 为 0.37,并将 31%(421 例中的 129 例)的恶性肿瘤预测为血管瘤。对四期特征进行线性探测后,其准确率提升至 79.9%(95% CI:76.6,83.4),$\kappa$ 为 0.72,且 1%(421 例中的 5 例)的恶性肿瘤被预测为血管瘤;Merlin 达到 60.9% 的准确率(95% CI:56.9,65.0)。通用 CT 基础模型在区分肝脏肿瘤方面表现出有限的零样本能力,仅通过线性探测即得到显著改善。
| 评论: | 12 页,3 幅图。代码:此 https URL |
| 主题: | 计算机视觉与模式识别 (cs.CV);人工智能 (cs.AI) |
| 引用为: | arXiv:2611.24122 [cs.CV] |
| (或 arXiv:2611.24122v1 [cs.CV] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.24122 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Yosuke Yamagishi [查看电子邮件]
[v1]
2026 年 11 月 18 日星期三 09:41:41 UTC(974 KB)
来源:arXiv cs.AI · arxiv.org