Foundation Models vs. Radiomics for Lung Computed Tomography: A Benchmark of Feature Extractors, Classification Heads, and Segmentation Choices

📄 arXiv: 2607.01001v1 📥 PDF

作者: Nils Neukirch, Martin Maurer, Nils Strodthoff

分类: cs.CV, cs.LG

发布日期: 2026-07-01

备注: 17 pages, 8 figures, 2 tables, Code is available at https://github.com/AI4HealthUOL/lung-ct-benchmarking

💡 一句话要点

基于基础模型与放射组学的肺部CT特征提取与分类比较研究

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 肺癌分析 CT图像处理 特征提取 分类模型 放射组学 基础模型 生存预测 肿瘤分期

📋 核心要点

  1. 现有放射组学方法在与基础模型比较时，未能有效隔离特征提取器、分类头和分割选择的贡献，且缺乏跨队列的稳健性测试。
  2. 本文通过基准测试不同特征提取器、分类头和分割方案，提出了一种系统化的比较方法，旨在优化肺癌CT图像分析的性能。
  3. 实验结果表明，Curia与肿瘤分割及CatBoost组合在主要临床任务中表现最佳，且在不同任务间的选择优于任何跨任务的默认方案。

📝 摘要（中文）

放射组学是基于CT的肺癌表型分析的传统方法，但与基础模型的比较往往未能单独评估特征提取器、分类头和分割选择的贡献，且缺乏跨队列的稳健性测试。本文基准测试了五种特征提取器、七种分类头和三种分割方案，涵盖肿瘤体积与分期分类、两年生存预测、组织学分类和年龄预测等五项任务。结果显示，分割选择对体积和分期分类至关重要，而分类器选择则影响生存、组织学和年龄预测。放射组学在肿瘤体积、分期和生存预测中表现竞争力，Curia变体在生存预测中达到可比的峰值分数。推荐使用Curia与肿瘤分割及CatBoost分类头作为默认方案。

🔬 方法详解

问题定义：本文旨在解决放射组学与基础模型在肺癌CT图像分析中的比较问题，尤其是如何有效评估特征提取器、分类头和分割选择的贡献。现有方法往往未能单独分析这些因素的影响，导致结果的不确定性。

核心思路：通过系统性基准测试，比较五种特征提取器、七种分类头和三种分割方案在不同任务中的表现，旨在找出最佳组合以提高肺癌CT图像分析的准确性和可靠性。

技术框架：研究设计包括五个主要任务：肿瘤体积与分期分类、两年生存预测、组织学分类和年龄预测。模型在LUNG1数据集上训练，并在内部测试集和外部LUNG2队列上评估。

关键创新：本研究的创新在于系统性地比较了不同特征提取器和分类器的组合，明确了任务依赖性对模型性能的影响，提出了Curia与CatBoost的组合作为默认方案。

关键设计：实验中使用的特征提取器包括Curia、DINOv3等，分类头包括XGBoost、CatBoost等。模型设计采用两阶段结构，以适应小样本数据集，避免过拟合风险。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，Curia与肿瘤分割及CatBoost组合在主要临床任务中表现最佳，尤其在肿瘤体积、分期和生存预测中具有竞争力，Curia变体在生存预测中达到可比的峰值分数，DINOv3在各项任务中略显不足。

🎯 应用场景

该研究为肺癌CT图像分析提供了一种系统化的比较框架，能够帮助临床医生选择最佳的特征提取和分类方法，从而提高肺癌的早期诊断和预后评估的准确性，具有重要的临床应用价值和潜在影响。

📄 摘要（原文）

Radiomics is the established approach for CT-based lung cancer phenotyping, yet comparisons with foundation models rarely isolate contributions of feature extractor, classification head, and segmentation choice, or test cross-cohort robustness. We benchmark five feature extractors (Curia, Curia-2, DINOv3, Radiomics2D, Radiomics3D), seven classification heads (TabPFN, TabICL, XGBoost, CatBoost, Random Forest, logistic regression, Ridge), and three segmentation regimes on five tasks: tumor volume and stage classification, 2-year survival prediction, histology classification, and age prediction. Models are trained on LUNG1 (n=338) and evaluated on an internal test set (n=84) and the external LUNG2 cohort (n=211), with worst-case cross-cohort performance as the primary metric. The dominant design factor is task-dependent: segmentation drives volume and stage classification, while classifier choice drives survival, histology, and age prediction. Radiomics is competitive for tumor volume, tumor stage and survival (partly due to label-derivation effects for the former); Curia variants reach comparable peak scores for survival; DINOv3 falls slightly short across tasks. Patch and slice aggregation have negligible impact. We recommend Curia with tumor segmentation and a CatBoost head as a safe default, achieving the best mean rank across the three primary clinical tasks, though task-specific selection consistently outperforms any cross-task default. When tumor delineations are unavailable, Curia-2 with lung segmentation and logistic regression offers a competitive alternative. All pipelines use a two-stage design suited to small cohort sizes where end-to-end fine-tuning would risk overfitting.