基于时间点的深度学习模型用于脑腺瘤随访 MRI 的基准测试
计算机视觉与模式识别
2025-12-30 v2 人工智能
摘要
区分脑腺瘤的真实肿瘤进展（TP）与治疗相关的假性肿瘤（PsP）在早期随访仍然具有挑战性。我们提出了首个面向随访 MRI 的分阶段、横断面基准测试，使用 Burdenko 脑腺瘤进展队列（n=180）。我们独立分析不同的术后扫描，以检验模型性能是否依赖时间点。十一类代表性深度学习模型（CNN、LSTM、混合模型、Transformer 和选择性状态空间模型）在统一、由质量控制驱动的管道下进行患者水平交叉验证训练。在两个阶段，准确率相当（约0.70-0.74），但第二随访时的判别能力显著提升，多个模型的 F1 分数和 AUC 值均有所增加，表明后续护理路径中的可分离性更丰富。Mamba+CNN 混合模型在准确率与效率之间始终提供最佳权衡，而 Transformer 变体虽在 AUC 上表现竖争，但计算成本显著增加，轻量级 CNN 虽高效但可靠性较低。性能还显示出对批量大小的敏感性，这凸显了标准化训练协议的必要性。值得注意的是，总体而言绝对判别能力仍相对保守，这反映了 TP 与 PsP 本质难度以及数据集规模不平衡。这些结果建立了一个面向阶段的基准，激励未来工作融合纵向建模、多序列 MRI 以及更大规模的多中心队列。
引用
@article{arxiv.2511.18595,
title = {Timepoint-Specific Benchmarking of Deep Learning Models for Glioblastoma Follow-Up MRI},
author = {Wenhao Guo and Golrokh Mirzaei},
journal= {arXiv preprint arXiv:2511.18595},
year = {2025}
}
备注
15 pages, 4 figures