影像组学与 ConvNeXt 集成用于乳腺癌诊断
计算机视觉与模式识别
2026-01-12 v1 人工智能
摘要
乳腺癌的早期诊断对于提高生存率至关重要。影像组学和深度学习（DL）在辅助放射科医师进行早期癌症检测方面已展现出巨大潜力。本文旨在批判性评估影像组学、DL 及集成技术在从筛查乳腺 X 光片中检测癌症的性能。使用了两个独立的数据集：RSNA 2023 乳腺癌检测挑战赛数据集（11,913 名患者）和来自 TecSalud 数据集的墨西哥队列（19,400 名患者）。ConvNeXtV1-small 深度学习模型在 RSNA 数据集上训练并在 TecSalud 数据集上验证，而影像组学模型使用 TecSalud 数据集开发，并采用留一年法进行验证。集成方法使用相同的方法论一致地组合并校准了预测结果。结果显示，集成方法的曲线下面积（AUC）最高，达到 0.87，而 ConvNeXtV1-small 和影像组学分别为 0.83 和 0.80。总之，结合深度学习和影像组学预测的集成方法显著增强了基于乳腺 X 光片的乳腺癌诊断。
引用
@article{arxiv.2601.05373,
title = {Ensemble of radiomics and ConvNeXt for breast cancer diagnosis},
author = {Jorge Alberto Garza-Abdala and Gerardo Alejandro Fumagal-González and Beatriz A. Bosques-Palomo and Mario Alexis Monsivais Molina and Daly Avedano and Servando Cardona-Huerta and José Gerardo Tamez-Pena},
journal= {arXiv preprint arXiv:2601.05373},
year = {2026}
}
备注
Accepted and presented at the IEEE International Symposium on Computer-Based Medical Systems (CBMS) 2025