在现实CT放射学中采用表格式先前数据配套网络:良性vs恶性脏瘤分类
Tianzhu Liu1, Huanjun Wang2, Yan Guo2
1Department of Radiology, Guangdong Provincial Hospital of Traditional Chinese Medicine, Zhuhai, China.
Quantitative imaging in medicine and surgery
|November 10, 2025
概括
新的TabPFN模型有效地使用CT放射学来区分瘤,即使数据有限. 这种机器学习方法绕过了手动调整,提高了瘤分类的临床适用性.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 在瘤学瘤学.
背景情况:
- 基于放射学的机器学习 (ML) 模型在计算机断层扫描 (CT) 上区分良性和恶性瘤方面表现有前途.
- 传统的ML算法通常需要广泛的超参数调整和大数据集以获得最佳性能.
- 这项研究调查了表格式先前数据配套网络 (TabPFN) 的有效性,这是一个预训练过的变压器模型,用于使用放射学数据进行脏瘤分类.
研究的目的:
- 评估TabPFN模型在基于CT放射学特征的脏瘤分类中的性能.
- 将TabPFN的性能与传统的ML算法 (SVM,SGD,KNN,RF,XGBoost,LightGBM) 的性能进行比较.
- 评估TabPFN在临床放射学典型的小规模,高维数据集中的实用性.
主要方法:
- 分析了两个回顾性瘤数据集 (数据集A:囊性质;数据集B:细胞瘤与染色恐惧RCC).
- 使用PyRadiomics从三相CT图像中提取了放射性特征.
- 包括TabPFN在内的7个ML算法使用10倍交叉验证进行了评估,通过AUC,精度,灵敏度和特异性来衡量性能.
主要成果:
- 所有模型在数据集A中都取得了高性能 (验证AUC为0.800-0.946),TabPFN在查相分析中表现出色 (AUC为0.946).
- 在数据集B中,TabPFN与SVM和KNN相比,表现出优越的稳定性和性能 (验证AUC0.700-0.800),避免了与SGD见过的趋同问题.
- TabPFN的特征重要性分析显示了动态重量分配,类似于组合模型,没有手动超参数优化.
结论:
- 在区分瘤方面,TabPFN表现出强大的性能,特别是在小型,高维数据集中.
- 它的基于变压器的架构和预训练消除了手动参数调节的需要,提高了临床适用性.
- 在临床环境中,TabPFN为脏瘤分类提供了传统ML方法的有希望的替代方案.
