3 篇关联报道
该工作提出SegDINO，用冻结的DINOv3-S编码器提取第3、6、9、12层中间特征，通过Token Pyramid Adaptation（TPA）把同分辨率token重排为1/4至1/32的伪多尺度金字塔，再用Scale-Aware Decoding（SAD）做尺度内细化与自顶向下跨尺度传播，并发布含284例胰腺癌患者CT的PanCT数据集；在PanCT与TN3K、Kvasir-SEG、ISIC三个公开基准上，SegDINO的DSC与HD95均优于U-Net、SegNet、R2U-Net、Attention U-Net、TransUNet、U-NeXt、U-KAN，模型共27.68M参数、推理速
该研究将整合了基于剂量学评分的射束角度选择、多模态引导剂量预测与功能引导剂量模拟的AP-FLART系统在RayStation中实施，并用33例接受SPECT通气或灌注成像的肺癌患者数据评估，结果显示自动FLART计划较手动常规放疗计划显著降低高功能肺平均剂量15.1%，在FLART获益患者中把≥2级放射性肺炎概率降低6.25个百分点（27%），临床收益与手动FLART计划相近，且87.9%的自动计划无需修改即可被临床接受，计划时间从2-3小时缩短至约8分钟。
该研究在训练队列（n=186）、验证队列（n=116）和前瞻性多中心验证队列（n=269）中，从治疗前T2加权MRI提取影像组学与监督深度学习特征，比较人工开发与GPT辅助的建模流程，发现融合特征在两种逻辑回归模型中AUC最高（训练队列0.759对0.763±0.003，验证队列0.714对0.741±0.008，前瞻性多中心验证队列0.700对0.706±0.004），GPT辅助流程在五种分类器上与人工开发模型性能大致相当，且五次重复运行的AUC标准差为0.001至0.019，表明在专家监督下GPT可自动化影像组学建模的关键步骤。
已读完全部报道