CT 中肾脏病变分层的基准基础模型

开源医学基础模型（FM）的快速扩散提出了一个实际问题：它们的预先训练的表示迁移到临床相关但数据稀缺的分类任务的效果如何？特别是在基于 CT 的肾脏病变分类中，推动更大的普遍性将是有意义的，因为该领域受到固有的有限训练数据的限制。我们通过针对这一特定任务的三个医疗 FM 的基准来解决这个问题。这六类问题涵盖囊肿和透明细胞肾细胞癌等常见实体，以及罕见的亚型。使用冻结的特征探测协议，我们将 FM 嵌入与手工制作的放射组学分类器和从头开始训练的 3D ResNet-50 进行比较。模型在包含 2,854 个病变的复合数据集上进行训练，并在来自癌症影像档案的 234 个病变的外部测试集上进行评估。我们的结果揭示了两个关键发现。首先，FM 性能 (AUC 0.70-0.77) 与从头开始的 ResNet (AUC 0.72) 相匹配，同时大大降低了硬件需求，特征提取后只需要几秒钟的 CPU 时间。然而，传统的放射组学基线显着优于所有深度学习方法，AUC 为 0.88（所有 p $\leq$ 0.002）。这表明当前的通用 FM 嵌入尚未捕获驱动组织学亚型区分的细粒度纹理和形状异质性。尽管医学 FM 在数据稀缺的环境中具有潜力，但它并没有超越已建立的肾脏病变分层模型，使放射组学成为当前最先进的技术。