基于跨模态合成与梯度蒸馏的高效子宫内膜癌筛查
计算机视觉与模式识别
2026-02-24 v1 人工智能
摘要
早期检测子盆腔侵犯是子宫内膜癌(EC) 分期和拯救生命管理的关键环节，而该病是全球流行的恶性肿瘤。经阴道超声是资源受限初级护理环境中的首选筛查模式;然而，其诊断可靠性严重受限于组织对比度低、操作者依赖性强以及阳性病理样本极度稀缺。现有人工智能解决方案难以克服这一严重的类别不平衡问题以及侵犯的微妙影像特征，尤其是在初级护理诊所严格的计算限制下。本文提出一种自动化、高度有效的两阶段深度学习框架，以解决数据和计算两个瓶颈。为缓解病理数据稀缺问题，我们开发了一种受结构引导的跨模态生成网络，从未成对的磁共振成像(MRI)数据合成出多样化、高保真度的超声图像，严格保持临床关键解剖接合点。此外，我们引入一种轻量级筛查网络利用梯度蒸馏，将来自高容量教师模型中的判别性知识传递给动态指导稀疏注意力聚焦于任务关键区域。我们在包含 7,951 名参与者的大型、跨中心队列上进行评估，本模型在最小计算成本(0.289 GFLOPs)下实现了 99.5% 的灵敏度、97.2% 的特异度和 0.987 的ROC 曲线下面积，显著优于专职超声医生的平均诊断准确率。我们的做法表明，结合跨模态合成数据增强与知识驱动的高效建模可以为资源受限的初级护理环境 democratize 专家水平的实时癌症筛查。
引用
@article{arxiv.2602.19822,
title = {Efficient endometrial carcinoma screening via cross-modal synthesis and gradient distillation},
author = {Dongjing Shan and Yamei Luo and Jiqing Xuan and Lu Huang and Jin Li and Mengchu Yang and Zeyu Chen and Fajin Lv and Yong Tang and Chunxiang Zhang},
journal= {arXiv preprint arXiv:2602.19822},
year = {2026}
}