Reforço de Olhar e Foco para Rastreamento Pan-Cancer

Glance and Focus Reinforcement for Pan-cancer Screening

January 27, 2026

Autores: Linshan Wu, Jiaxin Zhuang, Hao Chen

cs.AI

Resumo

A triagem pan-cancer em exames de TC de grande escala continua a ser um desafio para os métodos de IA existentes, principalmente devido à dificuldade de localizar diversos tipos de lesões minúsculas em grandes volumes de TC. O extremo desequilíbrio entre primeiro plano e fundo (foreground-background) dificulta significativamente que os modelos se concentrem nas regiões doentes, enquanto o foco redundante em regiões saudáveis não só diminui a eficiência, mas também aumenta os falsos positivos. Inspirados na estratégia de diagnóstico de "olhadela" (glance) e "foco" (focus) dos radiologistas, introduzimos o GF-Screen, uma estrutura de aprendizagem por reforço Glance and Focus para triagem pan-cancer. O GF-Screen emprega um modelo Glance para localizar as regiões doentes e um modelo Focus para segmentar precisamente as lesões, onde os resultados da segmentação do modelo Focus são utilizados para recompensar o modelo Glance através de Aprendizagem por Reforço (RL). Especificamente, o modelo Glance recorta um grupo de subvolumes de todo o volume de TC e aprende a selecionar os subvolumes com lesões para o modelo Focus segmentar. Dado que a operação de seleção não é diferenciável para o treino de segmentação, propomos empregar os resultados da segmentação para recompensar o modelo Glance. Para otimizar o modelo Glance, introduzimos um novo paradigma de aprendizagem relativa de grupo (group relative learning), que emprega a comparação relativa de grupo para priorizar previsões de alta vantagem e descartar previsões de baixa vantagem dentro de grupos de subvolumes, melhorando não só a eficiência, mas também reduzindo os falsos positivos. Desta forma, pela primeira vez, estendemos eficazmente técnicas de ponta de RL para enfrentar os desafios específicos da triagem pan-cancer. Experiências extensas em 16 conjuntos de dados internos e 7 externos, abrangendo 9 tipos de lesão, demonstraram a eficácia do GF-Screen. Notavelmente, o GF-Screen lidera a tabela de classificação de validação pública do desafio pan-cancer MICCAI FLARE25, superando a solução campeã do FLARE24 por uma grande margem (+25,6% DSC e +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).