GazeXPErT：面向可解释 AI 的 FDG-PET/CT 扫描专家眼动数据集
图像与视频处理
2026-03-03 v1 计算机视觉与模式识别
人机交互
摘要
[18F]FDG-PET/CT 是多种癌症类型中用于肿瘤分期和治疗反应评估的核心影像模态，但专家读者短缺导致需要更高效的诊断辅助工具。虽然存在针对自动肿瘤分割的独立 AI 模型，但临床转化仍受到可解释性、可解释性、可靠性和工作流程集成方面的顾虑。我们提出GazeXPErT，一个捕获专家在 346 例 FDG-PET/CT 扫描中进行肿瘤检测和测量时搜索模式的 4D 眼动数据集。每项检查均由一位学徒和一位板证 nuclear medicine 或放射学专家使用启用眼动功能的标注平台进行阅读。从 3,948 分钟原始 60Hz 眼动数据中，提取出 9,030 条唯一的注视-肿瘤轨迹，与 PET/CT 图像切片同步，并以 COCO 样式格式呈现，用于多种机器学习应用。基准验证实验表明，采用专家注视模式的 3D nnUNet 肿瘤分割模型在 DICE 分数上显著优于不采用专家注视模式（0.6819 vs 0.6008），且在序列式注视和 PET/CT 图像上训练的视觉转换器可提高动态肿瘤定位（74.95% 预测注视点靠近肿瘤）和专家意图预测（准确率 67.53% 和 AUROC 0.747）。GazeXPErT 是一个宝贵资源，旨在探索除上述基准实验之外的多种机器学习问题，这些问题包括但不限于视觉对齐、因果推理、临床可解释特征增强、人机交互、人类意图预测或理解、以及面向 FDG-PET/CT 影像中专家注视-奖励建模的 AI 方法。
引用
@article{arxiv.2603.00162,
title = {GazeXPErT: An Expert Eye-tracking Dataset for Interpretable and Explainable AI in Oncologic FDG-PET/CT Scans},
author = {Joy T Wu and Daniel Beckmann and Sarah Miller and Alexander Lee and Elizabeth Theng and Stephan Altmayer and Ken Chang and David Kersting and Tomoaki Otani and Brittany Z Dashevsky and Hye Lim Park and Matteo Novello and Kip Guja and Curtis Langlotz and Ismini Lourentzou and Daniel Gruhl and Benjamin Risse and Guido A Davidzon},
journal= {arXiv preprint arXiv:2603.00162},
year = {2026}
}