2025.7.25论文阅读

论文阅读
Single Modality vs. Multimodality: What Works Best for Lung Cancer Screening? 解释了多模态传感器数据融合优势大于单一模态输入 里面介绍了多模态数据融合三种方法 其中全中间融合（Full Intermediate Fusion, FIF）方法效果最好

评价指标：
ROC曲线下面积（Area Under the ROC Curve, AUC）
AUC是一种广泛用于评估二分类模型性能的指标。它的值介于0到1之间，其中：
1：表示模型是完美的分类器，能够完全区分正类和负类。
0.5：表示模型性能与随机猜测相当，没有区分能力。
小于0.5：表示模型性能比随机猜测还要差。
AUC的优势在于：
对类别不平衡不敏感：在数据集中正负样本数量不均衡的情况下，AUC比准确率（Accuracy）等指标更能反映模型的真实性能。
独立于分类阈值：AUC评估的是模型在所有可能分类阈值下的表现，而不是依赖于某个特定的阈值。这意味着它能更全面地衡量模型的排序能力，即模型将正样本排在负样本之前的能力。
存在的问题：
1. 数据集来源：研究使用的是国家肺癌筛查试验（NLST）数据集。虽然这是一个大型数据集，但其数据特点（例如，参与者年龄、吸烟史等）可能限制了模型在其他人群或不同筛查背景下的泛化能力。
2.影像数据处理：CT扫描来自不同的设备和扫描协议，导致切片厚度和像素间距的差异。尽管进行了重采样和归一化处理以确保同质性，但这仍然可能引入一些信息损失或偏差。
3.结节ROI的获取方式：数据集中不提供已识别结节的分割掩膜，而是手动创建了包含结节的20 × 50 × 50边界框。这种手动创建可能引入主观性或误差，并且可能没有充分捕捉结节的完整形态信息。
4.临床特征选择：尽管从原始的324个特征中筛选出136个特征，并进一步缩小到42个特征，但特征选择过程可能存在主观性，并且可能没有包含所有对肺癌预测有用的临床信息。
5.单一病理关注：研究主要关注肺癌的预测，而肺癌本身是一种复杂的疾病，受多种生物和生理现象以及多种因素影响。模型可能未能完全捕捉所有这些复杂性