基于多模态医学影像分析的早期胰腺癌深度学习检测框架
计算机视觉与模式识别
2025-09-12 v2
摘要
胰腺导管腺癌（PDAC）是最致命的癌症之一，五年生存率不足 10% 主要由于晚期检测为主。该研究开发并验证了一种针对 PDAC 早期检测的深度学习框架，通过分析双模态影像：自发光和二次谐波生成（SHG）。我们分析了 40 个独特的患者样本，以创建一种专门的神经网络，能够区分正常组织、纤维化组织和癌症组织。我们的 methodology 评估了六种不同的深度学习架构，将传统卷积神经网络（CNN）与现代视觉转换器（ViT）进行比较。通过系统化实验，我们识别并克服了医学图像分析中的显著挑战，包括数据集大小有限和类别不平衡。最终优化的框架基于修改后的 ResNet 架构，采用冻结的预训练层和加权类别训练，实现了癌症检测准确率超过 90%。这显著优于当前的手动分析方法，表明其临床部署潜力。该工作为自动化 PDAC 检测建立了稳健的管道，可增强病理医生的能力，为未来扩展到其他癌症类型提供了基础。开发的方法论也为应用于临床应用中常见的有限大小医学影像数据集提供了有价值的见解。
引用
@article{arxiv.2508.20877,
title = {Deep Learning Framework for Early Detection of Pancreatic Cancer Using Multi-Modal Medical Imaging Analysis},
author = {Dennis Slobodzian and Amir Kordijazi},
journal= {arXiv preprint arXiv:2508.20877},
year = {2025}
}
备注
21 pages, 17 figure