Усиление механизма "взгляд-фокусировка" для скрининга пан-раковых заболеваний

Glance and Focus Reinforcement for Pan-cancer Screening

January 27, 2026

Авторы: Linshan Wu, Jiaxin Zhuang, Hao Chen

cs.AI

Аннотация

Панацеральный скрининг в крупномасштабных КТ-сканах остается сложной задачей для существующих методов ИИ, в первую очередь из-за трудностей локализации разнообразных типов мелких очагов поражения в больших объемах КТ-данных. Крайний дисбаланс между объектом и фоном существенно препятствует способности моделей концентрироваться на патологических областях, в то время как избыточное внимание к здоровым регионам не только снижает эффективность, но и увеличивает количество ложноположительных срабатываний. Вдохновившись диагностической стратегией радиологов "беглый взгляд - фокусировка", мы представляем GF-Screen - фреймворк с подкрепляемым обучением "Glance and Focus" для панацерального скрининга. GF-Screen использует модель "Glance" для локализации патологических областей и модель "Focus" для точной сегментации очагов, причем результаты сегментации модели Focus используются для подкрепления модели Glance через обучение с подкреплением (RL). В частности, модель Glance вырезает группу подобъемов из всего КТ-скана и обучается выбирать подобъемы с патологиями для последующей сегментации моделью Focus. Учитывая, что операция выбора недифференцируема для обучения сегментации, мы предлагаем использовать результаты сегментации для подкрепления модели Glance. Для оптимизации модели Glance мы вводим новую парадигму группового относительного обучения, которая использует групповое относительное сравнение для приоритизации прогнозов с высоким преимуществом и отбраковки прогнозов с низким преимуществом внутри групп подобъемов, что не только повышает эффективность, но и снижает ложноположительные результаты. Таким образом, мы впервые эффективно расширяем передовые методы RL для решения специфических задач панацерального скрининга. Масштабные эксперименты на 16 внутренних и 7 внешних наборах данных по 9 типам поражений продемонстрировали эффективность GF-Screen. Примечательно, что GF-Screen лидирует в публичной валидационной таблице лидеров панацерального челленджа MICCAI FLARE25, значительно превосходя решение-чемпион FLARE24 (+25.6% DSC и +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).