增强肾肿瘤恶性病变预测：基于深度学习的自动3D CT 器器官聚焦注意
计算机视觉与模式识别
2026-02-27 v1 人工智能
摘要
准确预测肾肿瘤的恶性病变对于 inform 临床决策和优化治疗策略至关重要。然而，现有的影像模态方法缺乏足够的准确性，难以在手术干预前可靠预测恶性病变。虽然深度学习在基于3D CT图像的恶性病变预测方面显示出前景，但传统方法通常依赖手动分割以隔离肿瘤区域并降低噪声，从而提高预测性能。然而，手动分割费时、成本高且依赖专家知识。在本研究中，开发了一个深度学习框架，利用器器官聚焦注意（OFA）损失函数修改图像块的注意力，使器器官块仅注意其他器器官块。因此，在部署时无需对3D肾脏 CT 图像进行显式分割即可实现恶性病变预测。所提出的框架在来自UF Integrated Data Repository（IDR）的私有数据集上实现了 AUC 为0.685、F1 为0.872，在公开的 KiTS21 数据集上实现了 AUC 为0.760、F1 为0.852。这些结果超越了依赖分割式裁剪降低噪声的常规模型，显示了该框架在无显式分割输入下提升预测准确性的能力。研究结果表明，这种方法更高效、更可靠，能够增强肾癌诊断中的临床决策。
引用
@article{arxiv.2602.22381,
title = {Enhancing Renal Tumor Malignancy Prediction: Deep Learning with Automatic 3D CT Organ Focused Attention},
author = {Zhengkang Fan and Chengkun Sun and Russell Terry and Jie Xu and Longin Jan Latecki},
journal= {arXiv preprint arXiv:2602.22381},
year = {2026}
}
备注
5 pages, 2 figures, Accepted at IEEE ISBI 2026