基于小规模 MRI 图像的可解释前列腺癌检测
计算机视觉与模式识别
2026-03-20 v1 人工智能
摘要
前列腺癌是男性死亡的主要原因之一，但 T2 加权前列腺 MRI 的解释仍具有挑战性 due to lesions 的微妙且异质性。我们开发了一个基于小数据集（162 张 T2 加权图像：102 张癌症，60 张正常）的自动癌症检测可解释框架，通过迁移学习和数据增强来解决数据稀缺问题。我们对比了 Vision Transformer (ViT, Swin)、CNN (ResNet18) 和经典方法 (Logistic Regression, SVM, HOG+SVM)。迁移学习的 ResNet18 取得最佳性能（准确率 90.9%，灵敏度 95.2%，AUC 0.905），仅需 1100 万参数，而 Vision Transformer 尽管复杂度更高，却表现较低。值得注意的是，HOG+SVM 取得相当的准确率 (AUC 0.917)，凸显了在小数据集上手工特征的有效性。不同于依赖双参数 MRI (T2+DWI) 和大规模数据集的现有方法，我们的方法仅使用 T2 加权图像即可实现竞争性能，降低了获取复杂度和计算成本。在 22 例病例的读者研究中，五位放射科医生的平均灵敏度为 67.5% (Fleiss Kappa = 0.524)，而 AI 模型为 95.2%，这表明 AI 辅助筛查有望减少漏诊并提高一致性。代码和数据已公开。
引用
@article{arxiv.2603.18460,
title = {Interpretable Prostate Cancer Detection using a Small Cohort of MRI Images},
author = {Vahid Monfared and Mohammad Hadi Gharib and Ali Sabri and Maryam Shahali and Farid Rashidi and Amit Mehta and Reza Rawassizadeh},
journal= {arXiv preprint arXiv:2603.18460},
year = {2026}
}
备注
26 pages, 5 figures, 7 tables