面向多中心新冠肺炎 CT 扫描分类的异构集成
图像与视频处理
2026-03-18 v1 计算机视觉与模式识别
摘要
新冠肺炎疫情暴露了诊断工作流程的关键局限：RT-PCR 检测试剂延迟且假阴率高，而 CT 基于筛查提供更快的补充诊断但需要专业放射学解读。将自动化 CT 分析部署到多个医院中心进一步带来挑战，扫描仪硬件、获取协议和患者人群差异导致显著域迁移，降低单模型性能。为此，我们提出一种覆盖三种推理范式的九模型异构集成：（1）基于 DINOv2 Vision Transformer 的自监督模型，采用切片级 sigmoid 汇聚；（2）基于 RadImageNet 预训练 DenseNet-121 的切片级 sigmoid 平均；（3）七个使用 EfficientNet-B3、ConvNeXt-Tiny 和 EfficientNetV2-S 背bone，采用扫描级 softmax 分类的带门控注意力多实例学习模型。通过随机种子变异和随机权重平均进一步增强集成多样性。我们通过 Focal Loss、嵌入级 Mixup 和领域感知数据增强，将验证到训练损失比从 35 降至不足 3 倍以消除严重过拟合。模型输出经得分加权概率平均融合，并通过 per-source 阈值优化进行校准。最终集成在四个医院中心实现 0.9280 的平均宏 F1 分数，超越最佳单模型（F1=0.8969）+0.031，证明异构架构结合源感知校准对稳健的多站点医学图像分类至关重要。
引用
@article{arxiv.2603.14621,
title = {A Heterogeneous Ensemble for Multi-Center COVID-19 Classification from Chest CT Scans},
author = {Aadit Nilay and Bhavesh Thapar and Anant Agrawal and Mohammad Nayeem Teli},
journal= {arXiv preprint arXiv:2603.14621},
year = {2026}
}