放射组学 AI 模型对采集参数的敏感性如何？
人工智能
2026-05-15 v1
摘要
在临床常规中部署 AI 放射组学系统的主要障碍是它们在异构多中心采集协议下性能的下降。本工作提出了一个面向性能的框架，用于量化放射组学 AI 模型的扫描参数敏感性，同时识别与跨数据集鲁棒性提升相关的具有临床显著性的参数区域。我们构建了一个混合效应框架，用于量化临床相关采集参数对模型性能的影响，同时考虑了受试者层面的随机效应。我们将该框架应用于使用两个独立多中心数据集（一个公共数据库和自采数据）及多种 SOTA 架构的 CT 扫描肺癌诊断。为了评估跨数据库的可重复性，使用收集的数据调整了 CT 参数，并在公共数据集上进行了测试。所选的最佳配置为 X 射线管电流 >= 200 mA、螺距 <= 1.5、层厚 <= 1.25 mm，这平衡了诊断质量与低辐射剂量。这些配置将指标从低质量扫描的 0.79+-0.04 敏感度、0.47+-0.10 特异度提升至高质量扫描的 0.90+-0.10 敏感度、0.79 +- 0.13 特异度。
引用
@article{arxiv.2605.14667,
title = {How Sensitive Are Radiomic AI Models to Acquisition Parameters?},
author = {D. Gil and I. Sanchez and C. Sanchez},
journal= {arXiv preprint arXiv:2605.14667},
year = {2026}
}