基于多阶段深度学习框架与 PKCP-MixUp 增强的儿童肝脏肿瘤多期增强 CT 诊断
图像与视频处理
2026-01-29 v3 计算机视觉与模式识别
机器学习
摘要
儿童肝脏肿瘤是儿科最常见的实体肿瘤之一，良性或恶性状态的鉴别以及病理分类对临床治疗至关重要。病理检查是金标准，但侵入性活检存在显著局限性：儿童肝脏血管丰富且肿瘤组织脆弱，出血等并发症风险较高；此外，年幼儿童配合度差，需要麻醉下进行活检，增加医疗成本或心理创伤。尽管已有诸多努力将 AI 应用于临床场景，但大多数研究者忽视了其在儿童肝脏肿瘤中的重要性。为建立无创检查流程，本文开发了一个用于儿童肝脏肿瘤自动诊断的多阶段深度学习框架，采用多期增强 CT。两个回顾性和前瞻性队列被纳入。本文提出了一种新型 PKCP-MixUp 数据增强方法以应对数据稀缺和类别不平衡问题。我们还训练了一个肿瘤检测模型以提取 ROI，然后构建了一个两阶段诊断流水线，包含三个骨干网络并使用 ROI 掩码图像。肿瘤检测模型取得了高性能（mAP=0.871），良性/恶性肿瘤分类第一阶段模型达到了优异性能（AUC=0.989）。最终诊断模型也表现出鲁棒性，包括良性亚型分类（AUC=0.915）和恶性亚型分类（AUC=0.979）。我们还进行了多层次比较分析，如数据和训练流水线的消融研究，以及 Shapley 值和 CAM 可解释性分析。该框架填补了儿童特异性深度学习诊断的空白，为 CT 期相选择和模型设计提供了可操作的见解，并为精准、可及的儿童肝脏肿瘤诊断铺平了道路。
引用
@article{arxiv.2511.19478,
title = {A Multi-Stage Deep Learning Framework with PKCP-MixUp Augmentation for Pediatric Liver Tumor Diagnosis Using Multi-Phase Contrast-Enhanced CT},
author = {Wanqi Wang and Chun Yang and Jianbo Shao and Yaokai Zhang and Xuehua Peng and Jin Sun and Chao Xiong and Long Lu and Lianting Hu},
journal= {arXiv preprint arXiv:2511.19478},
year = {2026}
}