基于分割导出的定量表型用于可解释腹部 CT 疾病分类
计算机视觉与模式识别
2026-05-12 v1 人工智能
摘要
在本retrospective 多机构研究中，develop了一个定量表型框架 CT-IDP (CT Image-Derived Phenotypes)，其在 MERLIN 腹部 CT 基准数据集上开发 (训练、验证和测试集-分别为 15,175、5,018 和 5,082 例)，并在两个独立数据集上进行外部评估：Duke-Abdomen (2,000 例) 和 AMOS (1,107 例)。使用 TotalSegmentator 生成多器官分割，并用于导出超过 900 个器官和器官 Compartment-level 描述符，涵盖形态学、血管 attenuation 以及 contextual/burden 发现。使用稀疏疾病特定 logistic 回归和弹性网正则化在 MERLIN 上训练模型，在冻结的规格下进行外部验证。性能与 DINOv3 基于视觉转换器基线进行比较，使用 AUC 和平均精度 (AP) 进行衡量，同时进行表型分层审计和系数水平检查。MERLIN 上 CT-IDP 与基线的宏-AUC 为 0.897 与 0.880，Duke-Abdomen 数据集上为 0.877 与 0.857，AMOS 上为 0.780 与 0.756。
引用
@article{arxiv.2605.09002,
title = {CT-IDP: Segmentation-Derived Quantitative Phenotypes for Interpretable Abdominal CT Disease Classification},
author = {Lavsen Dahal and Joseph Y. Lo},
journal= {arXiv preprint arXiv:2605.09002},
year = {2026}
}