显示240例回顾性胶质母细胞瘤病例模型评分的小提琴图——基于MRI深度学习区分胶质母细胞瘤（IDH野生型）与中枢神经系统弥漫性大B细胞淋巴瘤的研究

《Cancer Research Communications》：Violin plots showing the model scores from the 240 retrospective GBM cases ... Open Access

　　

摘要：胶质母细胞瘤（Glioblastoma, GBM）IDH野生型（isocitrate dehydrogenase wild-type, IDHwt）与中枢神经系统弥漫性大B细胞淋巴瘤（central nervous system diffuse large B-cell lymphoma, CNS-DLBCL）均为侵袭性颅脑肿瘤，MRI表现重叠但治疗方案截然不同，亟需无创工具辅助鉴别诊断。研究人员采用T1增强（T1 postcontrast）与T2加权MRI序列构建深度学习模型实现二者鉴别，采用三阶段时序研究设计：模型开发队列纳入1998–2019年梅奥诊所诊断的146例CNS-DLBCL与146例年龄、性别、MRI检查年份匹配的GBM患者；初始独立测试队列纳入同期240例独立GBM患者；前瞻性测试队列纳入2020年1月后梅奥诊所诊断的37例CNS-DLBCL与256例GBM，以及外部机构诊断的36例CNS-DLBCL，其中梅奥队列47%的MRI来自非梅奥医疗机构。研究对比两种建模策略：（i）集成法：基于受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC）与交叉验证进行模型选择；（ii）损失法：最小化交叉熵损失并通过交叉验证评估预测性能。前瞻性测试队列中，集成法与损失法的AUC分别为0.84 [95%置信区间（confidence interval, CI）, 0.78–0.90]与0.83（95% CI, 0.77–0.88）。集成预测稳定性随模型数量增加而提升，分层AUC分析显示模型性能在性别与年龄亚组中保持一致。本研究通过稳健的时序设计与两种分析方法证实，基于MRI的深度学习模型可有效区分GBM与CNS-DLBCL。

论文解读

胶质母细胞瘤（GBM, IDH野生型）与中枢神经系统弥漫性大B细胞淋巴瘤（CNS-DLBCL）是成人最常见的两类侵袭性原发中枢神经系统肿瘤，二者治疗策略与预后差异显著：GBM以手术切除联合放化疗为核心，CNS-DLBCL则首选大剂量甲氨蝶呤化疗联合全脑放疗，手术仅用于活检确诊。常规MRI是术前评估的核心手段，但二者常表现为重叠的强化模式，尤其是CNS-DLBCL可出现坏死、GBM可无显著坏死的不典型表现，即使灌注成像等高级序列仍存在血管变异干扰与技术普及限制。术前误诊可能导致不必要的开颅切除，延误CNS-DLBCL的紧急化疗时机，因此亟需可靠的无创鉴别诊断工具。该研究发表于《Cancer Research Communications》，旨在通过严谨的时序研究设计与多方法验证，构建基于常规MRI的深度学习鉴别模型。

研究采用的关键技术方法包括：基于三阶段时序队列设计，纳入梅奥诊所1998–2020年及外部机构的GBM与CNS-DLBCL患者，匹配年龄、性别与MRI年份以消除混杂偏倚；采用HD-BET与Federated Tumor Segmentation平台完成MRI预处理，统一配准至SRI24图谱并标准化分辨率；基于MONAI框架构建3D DenseNet121架构，输入T1增强与T2双序列，分别采用集成法（5次5折交叉验证生成25个模型，取中位数预测值）与损失法（基于全队列最小化交叉熵损失选择单模型，5折交叉验证评估性能）两种策略建模；通过遮挡图可视化模型关注区域，采用DeLong法计算AUC及95%置信区间，开展亚组与泛化性验证。

研究结果

人口学与MRI特征

开发队列（阶段1）严格匹配GBM与CNS-DLBCL的年龄、性别与MRI年份分布；测试队列（阶段2、3）符合两类肿瘤的流行病学特征，且47%的梅奥患者MRI来自外部医疗机构，涵盖GE、西门子等多厂商1.5T与3T设备，保障了真实世界代表性。

集成模型法结果

阶段2的240例回顾性GBM中位预测得分为0.002，明确倾向GBM分类；阶段3前瞻性队列中，梅奥GBM、梅奥CNS-DLBCL与爱荷华CNS-DLBCL的中位得分分别为0.029、0.969与0.819，整体AUC达0.84（95% CI, 0.78–0.90）。女性与男性亚组AUC分别为0.86与0.82，<65岁与≥65岁亚组分别为0.80与0.87，性能稳定。进一步验证显示，集成模型数量从5增至25时，预测稳定性显著提升，单一5折交叉验证的AUC波动较大，25个模型的集成结果最可靠。

损失模型法结果

阶段1内部交叉验证平均AUC为0.90（95% CI, 0.88–0.92），阶段2的240例GBM中位得分为0.020；阶段3前瞻性队列中，三类人群中位得分分别为0.118、0.999与0.917，整体AUC为0.83（95% CI, 0.77–0.88），亚组性能与集成法一致。基于约登指数的最优阈值（0.724）对应灵敏度78%、特异度76%；若要求灵敏度≥90%，特异度为47%，若要求特异度≥90%，灵敏度为52%。模型在34例肿瘤样脱髓鞘疾病队列中预测得分呈随机分布（均值0.50），未出现偏向性误判。遮挡图显示，正确预测的病例注意力集中于病灶区域，错误预测则聚焦于非肿瘤区域。

讨论与结论

研究通过两种独立分析策略验证了MRI深度学习模型的鉴别效能，前瞻性AUC均超过0.83，且跨机构、跨设备性能稳定。现有同类研究多存在样本量小、缺乏独立测试集的问题，本研究的三阶段时序设计（含前瞻性外部验证）有效降低了过拟合风险，明确了两种方法学的差异：集成法依赖交叉验证选模，易受小样本验证集影响，需多模型集成提升稳定性；损失法基于全队列优化损失函数，通过交叉验证评估泛化性，更适配临床小样本场景。需注意，模型对肿瘤样脱髓鞘等疾病无特异性，未来需拓展至多分类框架。研究局限性包括开发队列样本量有限、未优化超参数、未覆盖激素治疗等特殊临床场景，但多机构MRI数据的纳入已显著提升通用性。该成果为无创鉴别两类肿瘤提供了可行方案，未来需进一步验证阈值选择与临床整合路径，推动AI工具在神经肿瘤诊疗中的落地应用。