Dual Representation Learning in CNNs: Generalised Glycolytic Patterns and Organ-specific Activations
Notice bibliographique
Résumé
Three-dimensional convolutional neural networks (3D CNNs) have demonstrated strong capabilities in analyzing complex textures within volumetric medical data, enabling advanced pattern recognition in oncological imaging [1,2,3,4]. This study investigates whether 3D CNNs trained for esophageal cancer detection in PET imaging develop generalizable representations of glycolytic activity. Using 486 PET/CT scans [5,6], we analyzed CNN activation patterns in primary tumors and three physiologically high-uptake organs: heart myocardium, liver, and urinary bladder. Statistical analysis revealed strong inter-organ correlations (tumor-myocardium: 0.98, tumor-liver: 0.96), yet significant differences in activation distributions between all organ pairs ($\mathrm{p}<0.05$). The urinary bladder exhibited the highest mean activation (0.181), followed by tumor (0.172), heart myocardium (0.158), and liver (0.149). Distance correlations (0.83-0.97) and mutual information (0.92-1.39) indicated substantial shared metabolic features across regions while preserving discriminative power. These results demonstrate that CNNs learn both generalized FDG uptake patterns and organ-specific signatures, capturing broad metabolic activity yet retaining the ability to distinguish pathological from physiological uptake. The strong tumormyocardium correlation suggests challenges in differentiating certain physiological uptakes from malignancy, with implications for false positive rates. Our findings provide new insights into the feature extraction mechanisms of deep learning models in oncological PET, supporting the development of more interpretable and clinically trustworthy AI tools for cancer detection.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».