JHU 等发布 RT-Super：用影像报告替代人工标注训练肿瘤分割
maier_ak · x · 2026-10-13
Johns Hopkins、哈佛医学院、UCSF 等机构发布预印论文 RT-Super（代码公开），探索用医院现成数据——放射报告、纵向随访扫描、多期对比 CT——替代昂贵的逐层人工勾画掩码来训练肿瘤分割模型。
方法：师-生自蒸馏
- 学生模型为常规分割网络 MedFormer，部署时只输入一张 CT、无报告
- 教师是卷积+Transformer 混合体，额外看到报告、同一患者的其他扫描和对比期相
- 报告感知 Transformer 生成卷积核细化学生特征；无人工掩码处学生直接模仿教师输出
效果与局限
- 对比前作 R-Super，外部验证检测打平（AUC 均 84）
- 真正提升在零掩码勾画：Dice 从 16 提到 30
- 但离天花板仍远：两位放射科医生在这些肿瘤上的一致性为 Dice 50–66
作者 Andreas Maier 点出微妙转变：放射报告此前被当作隐私泄露风险，如今成了免费的监督信号。
「研究」频道最新
- AgentSWE 基准：25 个任务实测编码 Agent 造 Agent，无一达标 — Jiahao Wang · 2026-10-13
- Schema 智能体在 ARC-AGI-3 公开集达约 99% RHAE，论文与代码全开源 — wzenus · 2026-10-13
- 世界模型研究结论:堆数据无用,关键是从数据里榨出更多;精确物理仍缺位 — mangahomanga · 2026-10-13
- 独立开发者自建推理库训练 SVG 生成模型:进化算法败给 SGD — cephaloform · 2026-10-13
- 哈佛与NTT研究：AI智能体群体规模越过临界点将失控自增殖 — Hidenori8Tanaka · 2026-10-13
- 普林斯顿QUEEN模型：4B参数既能下大师级象棋又能讲解思路 — jiqizhixin · 2026-10-13