摘要
许多现有的用于脑肿瘤诊断的深度学习模型报告了非常高的准确率，但它们往往存在过拟合、泛化能力有限和鲁棒性差的问题，从而降低了其临床可靠性。首先，从多个公开来源汇集了一个大规模、多样化的数据集，以减少数据偏差。接下来，应用了一系列正则化和校准技术，包括标签平滑、混洗增强（α = 0.4）、模型权重的指数移动平均（EMA）以防止过拟合并稳定训练，以及温度缩放以校准预测概率。由于脑肿瘤诊断直接影响关键的临床决策，模型的准确性和其预测的可靠性均至关重要。为此，采用了六种多样化且强大的预训练骨干网络（ConvNeXt、EfficientNetV2、DenseNet201、Swin、ViT 和 DINOv3）作为纯迁移学习下的冻结特征提取器。在这些冻结特征之上，使用拼接、注意力和门控融合训练了轻量级分类头。然后，将所选分类头输出的预测类别概率进行组合，并通过逻辑回归元学习器生成最终预测，旨在提高准确性和可靠性。该架构在计算上非常高效，因为仅训练了轻量级分类器和逻辑回归元学习器，而重量级的骨干网络保持冻结。在 TEST2 上表现最佳的变体 attn_fp_ens 进一步使用在 TRAIN 集上的同步 10 折交叉验证进行了评估。表现最佳的 TEST 变体——门控融合集成加指纹特征（gated_fp_ens）达到了 99.33% 的测试准确率和 99.28% 的宏 F1 分数。在外部医院数据集（TEST2）的域偏移条件下，注意力融合集成加指纹特征（attn_fp_ens）在所有评估的变体中表现出最强的性能，达到了 95.16% 的准确率和 94.11% 的宏 F1 分数。TEST2 数据集是从当地医院收集用于外部评估的。
