面向肾脏病灶分层的CT基础模型基准测试

开源医学基础模型（FMs）的快速普及引发了一个实际问题：它们的预训练表示如何迁移到临床相关但数据稀缺的分类任务中？在CT基于肾脏病灶分类中，提高通用性的推进是有意义的，因为该领域受限于固有的训练数据有限。我们通过对该特定任务对三种医学FMs进行基准测试来应对这一问题。该六分类问题涵盖了骘瘤、鲜液性肾细胞癌等常见实体，以及罕见亚型。使用冻结特征探测协议，我们将FM嵌入与手工放射学特征分类器和从头训练的3D ResNet-50进行比较。模型在2,854个病灶的组合数据集上训练，在来自The Cancer Imaging Archive的234个外部测试集上评估。我们的结果揭示了两个关键发现：首先，FM性能（AUC 0.70-0.77）与从头训练的ResNet（AUC 0.72）相当，同时大大降低了硬件需求，在特征提取后仅需CPU几秒钟。然而，传统的放射学基线显著优于所有深度学习方法，达到AUC 0.88（所有p $\leq$ 0.002）。这表明当前的通用性FM嵌入尚未捕获驱动组织学亚型区分的细粒度纹理和形状异质性。尽管它们在数据稀缺环境中具有潜力，但医学FMs未能超越 established 模型用于肾脏病灶分层，放射学仍为当前的SOTA。