glance 和 focus 强化学习用于全癌筛查
计算机视觉与模式识别
2026-02-03 v2
摘要
大规模 CT 扫描中的全癌筛查对于现有 AI 方法仍存在挑战，主要原因是难以局部化大 CT 体积中多样化的微小病灶。极端的前景-背景不平衡显著阻碍模型聚焦于疾病区域，而对健康区域的冗余关注不仅降低效率，还增加假阳性。灵感来自放射科医师的 glance 和 focus 诊断策略，我们提出了用于全癌筛查的 Glance 和 Focus 强化学习框架 GF-Screen。GF-Screen 采用 Glance 模型定位疾病区域，采用 Focus 模型精确分割病灶，其中 Focus 模型的分割结果被用于通过强化学习 (RL) 对 Glance 模型进行奖励。具体而言，Glance 模型从整个 CT 体积中裁剪出一组子体积，并学习选择 Focus 模型用于分割的含病灶子体积。鉴于选择操作在分割训练中不可微， 我们提出利用分割结果对 Glance 模型进行奖励。为优化 Glance 模型，我们引入一种新颖的组相对学习范式，该范式利用组相对比较优先考虑高优势预测并丢弃子体积组中低优势预测，不仅提高效率，还减少假阳性。如此一来，首次有效地将最新的强化学习技术应用于解决全癌筛查中的具体挑战。在 16 个内部数据集和 7 个外部数据集上的大量实验表明了 GF-Screen 的有效性。值得注意的是，GF-Screen 在 MICCAI FLARE25 全癌挑战公共验证排行榜中名列前茅，相较 FLARE24 冠军解答方案提升了 +25.6% DSC 和 +28.2% NSD。
引用
@article{arxiv.2601.19103,
title = {Glance and Focus Reinforcement for Pan-cancer Screening},
author = {Linshan Wu and Jiaxin Zhuang and Hao Chen},
journal= {arXiv preprint arXiv:2601.19103},
year = {2026}
}
备注
Accepted by ICLR 2026. Code is available at https://github.com/Luffy03/GF-Screen