面向医学影像的物理嵌入式特征学习
机器学习
2026-03-31 v1 图像与视频处理
摘要
深度学习（DL）模型在智能医疗领域取得了优异性能，但大多数现有方法 operate as black boxes，忽略了控制肿瘤生长的物理过程，限制了可解释性、鲁棒性和临床信任。为此，我们提出 PhysNet，一个物理嵌入式 DL 框架，将肿瘤生动力学直接集成到卷积神经网络（CNN）的特征学习过程中。不同于传统物理信息方法仅在输出层施加物理约束，PhysNet 将肿瘤生长反应扩散模型嵌入 ResNet 骨干网络的中间特征表示中。该架构在端到端训练下同时完成多类肿瘤分类，学习潜在肿瘤密度场、其时间演化以及包括肿瘤扩散和生长速率在内的生物学有意义物理参数。这种设计是必要的，因为纯数据驱动模型，即便高度准确或基于集成，也无法保证物理一致的预测，也无法提供对肿瘤行为的洞见。在大型脑 MRI 数据集上的实验结果表明，PhysNet 在分类准确率和 F1 分数方面超越了多个最先进的 DL 基线，包括 MobileNetV2、VGG16、VGG19 和集成模型。除了性能提升外，PhysNet 还产生可解释的潜在表示和学习的生物物理参数，这些参数与既定医学知识相吻合，凸显了物理嵌入式表征学习作为通向更可信且临床有意义医学 AI 系统的实用路径。
引用
@article{arxiv.2603.28057,
title = {Physics-Embedded Feature Learning for AI in Medical Imaging},
author = {Pulock Das and Al Amin and Kamrul Hasan and Rohan Thompson and Azubike D. Okpalaeze and Liang Hong},
journal= {arXiv preprint arXiv:2603.28057},
year = {2026}
}
备注
7 pages, 5 figures