Glance- en Focus-versterking voor Pan-kanker Screening

Glance and Focus Reinforcement for Pan-cancer Screening

January 27, 2026

Auteurs: Linshan Wu, Jiaxin Zhuang, Hao Chen

cs.AI

Samenvatting

Pan-kankerscreening in grootschalige CT-scans blijft een uitdaging voor bestaande AI-methoden, voornamelijk vanwege de moeilijkheid om diverse soorten kleine laesies in grote CT-volumes te lokaliseren. De extreme onbalans tussen voor- en achtergrond belemmert modellen aanzienlijk om zich op zieke regio's te concentreren, terwijl overbodige focus op gezonde regio's niet alleen de efficiëntie verlaagt maar ook de vals-positieven verhoogt. Geïnspireerd door de diagnostische strategie van radiologen om eerst globaal te kijken en zich vervolgens te focussen, introduceren wij GF-Screen, een Glance and Focus reinforcement learning-raamwerk voor pan-kankerscreening. GF-Screen gebruikt een Glance-model om de zieke regio's te lokaliseren en een Focus-model om de laesies precies te segmenteren, waarbij de segmentatieresultaten van het Focus-model worden gebruikt om het Glance-model te belonen via Reinforcement Learning (RL). Specifiek snijdt het Glance-model een groep subvolumes uit het gehele CT-volume en leert het de subvolumes met laesies te selecteren voor segmentatie door het Focus-model. Aangezien de selectie-operatie niet differentieerbaar is voor segmentatietraining, stellen wij voor om de segmentatieresultaten te gebruiken om het Glance-model te belonen. Om het Glance-model te optimaliseren, introduceren wij een nieuw groep-relatief leerparadigma, dat groep-relatieve vergelijking gebruikt om voorspellingen met hoog voordeel te prioriteren en voorspellingen met laag voordeel binnen subvolume-groepen te negeren, wat niet alleen de efficiëntie verbetert maar ook vals-positieven vermindert. Op deze manier breiden wij voor het eerst state-of-the-art RL-technieken effectief uit om de specifieke uitdagingen in pan-kankerscreening aan te pakken. Uitgebreide experimenten op 16 interne en 7 externe datasets over 9 laesie-types demonstreerden de effectiviteit van GF-Screen. Opmerkelijk is dat GF-Screen de leiding neemt op het publieke validatie leaderboard van de MICCAI FLARE25 pan-kanker challenge, waarbij het de FLARE24 kampioensoplossing met ruime marge overtrof (+25.6% DSC en +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).