肺部计算机断层扫描的基础模型与放射组学：特征提取器、分类头和分割选择的基准

放射组学是基于 CT 的肺癌表型分析的既定方法，但与基础模型的比较很少分离出特征提取器、分类头和分割选择的贡献，或测试跨队列稳健性。我们对五个特征提取器（Curia、Curia-2、DINOv3、Radioomics2D、Radioomics3D）、七个分类头（TabPFN、TabICL、XGBoost、CatBoost、随机森林、逻辑回归、Ridge）和三个分割方案的五项任务进行了基准测试：肿瘤体积和分期分类、2 年生存预测、组织学分类和年龄预测。模型在 LUNG1 (n=338) 上进行训练，并在内部测试集 (n=84) 和外部 LUNG2 队列 (n=211) 上进行评估，以最坏情况的跨队列性能作为主要指标。主要设计因素取决于任务：分割驱动体积和阶段分类，而分类器选择驱动生存、组织学和年龄预测。放射组学在肿瘤体积、肿瘤分期和生存方面具有竞争力（部分原因是前者的标签衍生效应）； Curia 变体的生存分数达到了可比的峰值； DINOv3 在各个任务上略有不足。补丁和切片聚合的影响可以忽略不计。我们推荐使用肿瘤分割和 CatBoost 头的 Curia 作为安全默认设置，在三个主要临床任务中实现最佳平均排名，尽管特定任务的选择始终优于任何跨任务默认设置。当无法获得肿瘤轮廓时，具有肺分割和逻辑回归功能的 Curia-2 提供了一种有竞争力的替代方案。所有管道均采用适合小队列规模的两阶段设计，其中端到端 微调 可能存在过度拟合的风险。