使用 3D CT 扫描进行肺癌突变检测与分期的机器学习模型比较分析
图像与视频处理
2025-05-29 v1 计算机视觉与模式识别
摘要
肺癌是全球癌症死亡的主要原因，用于检测关键突变和分期的非侵入性方法对于改善患者预后至关重要。在此，我们比较了两种机器学习模型在来自 Stanford Radiogenomics 和 Lung-CT-PT-Dx 队列的 3D 肺结节数据上的性能：FMCIB+XGBoost，一种具有领域特定预训练的监督模型；以及 Dinov2+ABMIL，一种结合基于注意力的多实例学习的自监督模型。在 KRAS 和 EGFR 突变检测任务中，FMCIB+XGBoost 始终优于 Dinov2+ABMIL，对 KRAS 和 EGFR 突变分别达到了 0.846 和 0.883 的准确率。在癌症分期方面，Dinov2+ABMIL 展现出极具竞争力的泛化能力，在 Lung-CT-PT-Dx 队列的 T 分期预测中达到了 0.797 的准确率，这表明自监督学习 (SSL) 在多样化数据集上具有适应性。我们的结果强调了监督模型在突变检测中的临床效用，突出了 SSL 在改善分期泛化方面的潜力，同时指出了在突变敏感性方面有待改进的领域。
引用
@article{arxiv.2505.22592,
title = {Comparative Analysis of Machine Learning Models for Lung Cancer Mutation Detection and Staging Using 3D CT Scans},
author = {Yiheng Li and Francisco Carrillo-Perez and Mohammed Alawad and Olivier Gevaert},
journal= {arXiv preprint arXiv:2505.22592},
year = {2025}
}