DeepFAN：基于Transformer的深度学习模型，用于人机协作评估CT扫描中偶然发现的肺结节——一项多读者、多病例试验
计算机视觉与模式识别
2026-03-27 v1 人工智能
摘要
CT的广泛采用显著增加了检测到的肺结节数量。然而，当前用于分类良性及恶性结节的深度学习方法通常未能全面整合全局和局部特征，且大多数尚未通过临床试验验证。为解决这一问题，我们开发了DeepFAN，一个基于Transformer的模型，在超过10K个病理确认的结节上训练，并进一步进行了多读者、多病例临床试验以评估其在辅助初级放射科医生方面的有效性。DeepFAN在内部测试集上取得了诊断受试者工作特征曲线下面积（AUC）为0.939（95% CI 0.930-0.948），在涉及三家独立医疗机构400个病例的临床试验数据集上为0.954（95% CI 0.934-0.973）。可解释性分析表明全局特征的贡献高于局部特征。12位读者的平均性能在AUC上显著提升10.9%（95% CI 8.3%-13.5%），准确率提升10.0%（95% CI 8.9%-11.1%），灵敏度提升7.6%（95% CI 6.1%-9.2%），特异度提升12.6%（95% CI 10.9%-14.3%）（所有P<0.001）。结节级别的读者间诊断一致性从一致性差提升至中等（总体kappa：0.313 vs. 0.421；P=0.019）。总之，DeepFAN有效辅助了初级放射科医生，并可能有助于均衡诊断质量并减少对不确定肺结节的随访。中国临床试验注册：ChiCTR2400084624。
引用
@article{arxiv.2603.25607,
title = {DeepFAN, a transformer-based deep learning model for human-artificial intelligence collaborative assessment of incidental pulmonary nodules in CT scans: a multi-reader, multi-case trial},
author = {Zhenchen Zhu and Ge Hu and Weixiong Tan and Kai Gao and Chao Sun and Zhen Zhou and Kepei Xu and Wei Han and Meixia Shang and Xiaoming Qiu and Yiqing Tan and Jinhua Wang and Zhoumeng Ying and Li Peng and Wei Song and Lan Song and Zhengyu Jin and Nan Hong and Yizhou Yu},
journal= {arXiv preprint arXiv:2603.25607},
year = {2026}
}
备注
28 pages for main text and 37 pages for supplementary information, 7 figures in main text and 9 figures in supplementary information