LungEvaty：面向LDCT筛查的肺癌风险预测的可扩展、开源基于Transformer的深度学习模型
计算机视觉与模式识别
2025-11-26 v1 人工智能
摘要
肺癌风险估计正变得越来越重要，因为越来越多国家引入了基于低剂量CT(LDCT)的人群全覆盖筛查计划。随着影像体积的不断增长，能够高效处理整个肺部体积的可扩展方法变得至关重要，以充分发挥这些大规模筛查数据集的潜力。现有方法要么过度依赖像素级标注，限制可扩展性，要么以碎片化方式分析肺部，削弱性能。我们提出LungEvaty，一个完全基于Transformer的框架，用于从单次LDCT扫描预测1-6年肺癌风险。该模型处理整个肺部输入，从大规模筛查数据中直接学习，以捕获与恶性病变风险相关的综合解剖和病理线索。仅使用影像数据且不进行区域监督，LungEvaty便能达到最先进的性能水平，可通过可选的基于解剖的注意力指导(AIAG)损失进行细化。在总计中，LungEvaty在超过90,000次CT扫描上进行了训练，其中包括28,000多次用于微调和6,000次用于评估。该框架提供了一个简单、数据高效且完全开源的解决方案，为未来在纵向和多模态肺癌风险预测研究提供可扩展的基础。
引用
@article{arxiv.2511.20116,
title = {LungEvaty: A Scalable, Open-Source Transformer-based Deep Learning Model for Lung Cancer Risk Prediction in LDCT Screening},
author = {Johannes Brandt and Maulik Chevli and Rickmer Braren and Georgios Kaissis and Philip Müller and Daniel Rueckert},
journal= {arXiv preprint arXiv:2511.20116},
year = {2025}
}