Renforcement par Coup d'Œil et Concentration pour le Dépistage Pan-Cancéreux

Glance and Focus Reinforcement for Pan-cancer Screening

January 27, 2026

papers.authors: Linshan Wu, Jiaxin Zhuang, Hao Chen

cs.AI

papers.abstract

Le dépistage pan-cancéreux dans les scanners tomodensitométriques à grande échelle reste un défi pour les méthodes d'IA existantes, principalement en raison de la difficulté à localiser divers types de petites lésions dans de grands volumes scanographiques. Le déséquilibre extrême entre le premier plan et l'arrière-plan empêche significativement les modèles de se concentrer sur les régions pathologiques, tandis qu'une attention redondante aux régions saines diminue non seulement l'efficacité mais augmente également les faux positifs. Inspirés par la stratégie diagnostique de coup d'œil et de focalisation des radiologues, nous introduisons GF-Screen, un cadre d'apprentissage par renforcement Glance and Focus pour le dépistage pan-cancéreux. GF-Screen utilise un modèle Glance pour localiser les régions pathologiques et un modèle Focus pour segmenter précisément les lésions, où les résultats de segmentation du modèle Focus sont utilisés pour récompenser le modèle Glance via l'apprentissage par renforcement (RL). Spécifiquement, le modèle Glance recadre un groupe de sous-volumes à partir du volume scanographique entier et apprend à sélectionner les sous-volumes contenant des lésions pour que le modèle Focus les segmente. Étant donné que l'opération de sélection est non différentiable pour l'entraînement à la segmentation, nous proposons d'utiliser les résultats de segmentation pour récompenser le modèle Glance. Pour optimiser le modèle Glance, nous introduisons un nouveau paradigme d'apprentissage relatif par groupe, qui utilise une comparaison relative au sein du groupe pour prioriser les prédictions à fort avantage et écarter les prédictions à faible avantage dans les groupes de sous-volumes, améliorant ainsi non seulement l'efficacité mais aussi réduisant les faux positifs. De cette manière, nous étendons efficacement pour la première fois les techniques de RL de pointe pour relever les défis spécifiques du dépistage pan-cancéreux. Des expériences approfondies sur 16 jeux de données internes et 7 externes couvrant 9 types de lésions ont démontré l'efficacité de GF-Screen. Notamment, GF-Screen mène le classement de validation publique du challenge pan-cancéreux MICCAI FLARE25, surpassant largement la solution championne de FLARE24 (+25,6% DSC et +28,2% NSD).

English

Pan-cancer screening in large-scale CT scans remains challenging for existing AI methods, primarily due to the difficulty of localizing diverse types of tiny lesions in large CT volumes. The extreme foreground-background imbalance significantly hinders models from focusing on diseased regions, while redundant focus on healthy regions not only decreases the efficiency but also increases false positives. Inspired by radiologists' glance and focus diagnostic strategy, we introduce GF-Screen, a Glance and Focus reinforcement learning framework for pan-cancer screening. GF-Screen employs a Glance model to localize the diseased regions and a Focus model to precisely segment the lesions, where segmentation results of the Focus model are leveraged to reward the Glance model via Reinforcement Learning (RL). Specifically, the Glance model crops a group of sub-volumes from the entire CT volume and learns to select the sub-volumes with lesions for the Focus model to segment. Given that the selecting operation is non-differentiable for segmentation training, we propose to employ the segmentation results to reward the Glance model. To optimize the Glance model, we introduce a novel group relative learning paradigm, which employs group relative comparison to prioritize high-advantage predictions and discard low-advantage predictions within sub-volume groups, not only improving efficiency but also reducing false positives. In this way, for the first time, we effectively extend cutting-edge RL techniques to tackle the specific challenges in pan-cancer screening. Extensive experiments on 16 internal and 7 external datasets across 9 lesion types demonstrated the effectiveness of GF-Screen. Notably, GF-Screen leads the public validation leaderboard of MICCAI FLARE25 pan-cancer challenge, surpassing the FLARE24 champion solution by a large margin (+25.6% DSC and +28.2% NSD).