CT‑IDP：以超過900項表型量化腹部 CT 的新框架
研究利用大規模腹部CT資料建立CT‑IDP影像表型框架。以TotalSegmentator分割多器官，萃取逾900項形態與密度等描述。使用彈性網路稀疏邏輯回歸訓練並凍結規格外部驗證。CT‑IDP在三資料集上宏觀AUC優於視覺變換器基線，顯示穩健性。
CT‑IDP：腹部CT的定量表型框架
一項多中心回顧性研究提出 CT‑IDP，目標是用可解釋的影像表型提升腹部 CT 的疾病量化能力。研究團隊在 MERLIN 基準上建立系統，並於兩組獨立資料集進行外部驗證。
研究流程先以 TotalSegmentator 生成多器官分割，從器官與隔室層級萃取逾900項描述，涵蓋形態（morphometry）、衰減（attenuation）與病灶負擔等維度。接著以彈性網路正則化（elastic‑net）的稀疏邏輯回歸訓練模型，並在外部驗證時保持模型規格凍結以檢驗泛化能力。
在效能比較上，CT‑IDP 對照以 DINOv3 為基底的視覺變換器基線，於 MERLIN 的宏觀 AUC 為 0.897 對 0.880；在 Duke‑Abdomen 為 0.877 對 0.857；在 AMOS 為 0.780 對 0.756。結果顯示 CT‑IDP 在多個資料集上呈現較佳或相近的辨識表現，且透過表型分層與係數層級檢視提供更高的可解釋性。
延伸閱讀
- DALPHIN 多中心基準：比較 VLM（GPT-5、Gemini 2.5 Pro）與病理專用 PathChat 的實務表現
- Temporal Retinal U-Net：當確定性回歸勝過複雜隨機模型時
- PhySE：VLM 微調與回合級自適應心理代理的即時 AR‑LLM 社交工程框架
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
