09:36官方账号arXiv cs.AI@Pablo Lozano-Jimenez, Sergio Romero-Tapiador, Ruben Tolosana研究人员为AUTOPET V挑战开发了基于nnU-Net的全身病变分割模型。该模型采用两阶段训练:预训练产生初始分割结果,在线交互阶段学习利用涂鸦提示逐步优化预测。通过器官监督减少生理摄取导致的假阳性,并添加示踪剂分类器处理FDG和PSMA两种示踪剂。四折交叉验证显示器官监督模型性能最佳且稳定,交互阶段每次提示都能提高Dice分数。论文AUTOPET VnnU-NetPET/CT推荐理由:AUTOPET V挑战的新模型,结合解剖知识和交互式训练,能更准确分割PET/CT中的病变。原文稍后读已读值得跟进有用关注 AUTOPET V
11:03官方账号arXiv cs.LG@Mona Furukawa, Sai Hyne, Daniel R. McGowan, Bartłomiej W. Papież该研究利用深度学习基于PET/CT影像预测非小细胞肺癌的EGFR、TP53和KRAS基因突变。实验采用英国新型放射基因组学队列,比较成对多标签学习与单基因分类的效果。联合预测KRAS和TP53将AUC从0.58提升至0.64(KRAS)和从0.69提升至0.71(TP53)。EGFR/KRAS对中仅EGFR受益,而EGFR/TP53对无改善。结果表明多标签学习的有效性取决于特定突变组合,提示需采用突变特异性建模策略。论文PET/CTNSCLC多标签学习推荐理由:想用影像预测基因突变?这篇论文告诉你多标签学习不是万能药,KRAS和TP53联合预测能提AUC,但EGFR组合就没用,得看突变配对。原文稍后读已读值得跟进有用关注 PET/CT