在 BraTS-GoAT 2026 評估 nnU-Net 斷腦腫瘤族群間的泛化能力
為何重要
nnU-Net 作為醫學影像分割的黃金基準架構，但在跨多機構、異質性資料集上仍出現顯著績效衰減，這印證了通用模型在面對分佈歧異臨床資料時的限制。研究否定了翻轉增強的效能，建議開發者需依據病灶特性客製化，而非依賴通用技巧，這對將 AI 整合至醫療現場具實務指引意義。
BraTS-GoAT 2026 強調於異質性病患群體中評估腦腫瘤分割模型，本研究在 1,351 個標記病例上訓練傳統 3D nnU-Net，採用五折交叉驗證與每折 1,000 訓練週期。
- 在彙總驗證集上，增強腫瘤(ET)、腫瘤核心(TC)與全腦腫瘤(WT)的 Dice 相似係數(DSC)分別為 0.7805、0.8288、0.8854。
- 從 OOF 預測降至彙總驗證時，平均 Dice 從 0.9058 降至 0.8310，跌幅達 0.0747。
- 翻轉增強雖在單折上帶來提升卻無明顯整合助益；改用殘差編碼器替代方案的均值 Dice 為 0.8282。
- 預測失敗案例顯示參考 ET 體積較小、ET 元件較不連續，且 ET 在最大成分中的佔比偏低。