点击、预测、信任：基于知识到行动框架的肺癌CT基于预后的临床医生在回路AI分割
计算机视觉与模式识别
2025-10-21 v1
摘要
肺癌仍是癌症死亡的首要原因，CT成像是筛查、预后和治疗的核心。手动分割方法在变异性和耗时方面存在问题，而深度学习（DL）提供了自动化，但面临临床采用的障碍。在知识到行动框架的指导下，本研究开发了一个临床医生在回路中的DL管道，以提高可重复性、预后准确性和临床信任度。分析来自12个公共数据集的999名患者的多中心CT数据，使用五个DL模型（3D Attention U-Net、ResUNet、VNet、ReconNet、SAM-Med3D），对比专家轮廓在整个图像和点击点裁剪图像上的表现。通过Spearman相关系数、ICC、Wilcoxon检验和MANOVA评估分割的可重复性，使用497个PySERA提取的放射组特征；预后建模比较监督学习（SL）和半监督学习（SSL） across 38种降维策略和24个分类器。六位医生在七个领域（包括临床有意义性、边界质量、预后价值、信任度和工作流程整合）对掩模进行定性评估。VNet实现了最佳性能（Dice = 0.83，IoU = 0.71），放射组稳定性（平均相关系数 = 0.76，ICC = 0.65），以及在SSL下的预测准确率（准确率 = 0.88，F1 = 0.83）。SSL在所有模型中都优于SL。放射科学家更青睐VNet的肿瘤周围表示和更平滑的边界，更倾向于用于细化而非取代AI生成的初始掩模。这些结果表明，将VNet与SSL集成可实现准确、可重复且临床上可信的CT基于肺癌预后，凸显了向医生中心AI翻译的可行路径。
引用
@article{arxiv.2510.17039,
title = {Click, Predict, Trust: Clinician-in-the-Loop AI Segmentation for Lung Cancer CT-Based Prognosis within the Knowledge-to-Action Framework},
author = {Mohammad R. Salmanpour and Sonya Falahati and Amir Hossein Pouria and Amin Mousavi and Somayeh Sadat Mehrnia and Morteza Alizadeh and Arman Gorji and Zeinab Farsangi and Alireza Safarian and Mehdi Maghsudi and Carlos Uribe and Arman Rahmim and Ren Yuan},
journal= {arXiv preprint arXiv:2510.17039},
year = {2025}
}
备注
13 pages, 2 figures, and 2 tables