《Cancer Research Communications》：Axial contrast-enhanced MRI images and corresponding occlusion maps illustr...
Open Access
编辑推荐：
研究人员开发并验证了基于磁共振成像（MRI）的深度学习模型，用于区分异柠檬酸脱氢酶野生型（IDHwt）胶质母细胞瘤（GBM）与中枢神经系统弥漫性大B细胞淋巴瘤（CNS-DLBCL）。这两种侵袭性脑肿瘤在常规MRI表现上存在重叠，但治疗方案差异显著，亟需无创性辅
研究人员开发并验证了基于磁共振成像（MRI）的深度学习模型，用于区分异柠檬酸脱氢酶野生型（IDHwt）胶质母细胞瘤（GBM）与中枢神经系统弥漫性大B细胞淋巴瘤（CNS-DLBCL）。这两种侵袭性脑肿瘤在常规MRI表现上存在重叠，但治疗方案差异显著，亟需无创性辅助鉴别工具。研究采用三阶段时序设计：模型开发阶段纳入146例CNS-DLBCL与146例按年龄、性别及MRI检查年份匹配的GBM患者（梅奥诊所，1998–2019年）；独立测试阶段包含240例同期GBM回顾性队列；前瞻性验证阶段纳入2020年后梅奥诊所确诊的256例GBM与37例CNS-DLBCL，以及36例外部机构（爱荷华大学）确诊的CNS-DLBCL病例，其中47%的梅奥患者MRI来自外院。研究比较两种建模策略：（i）集成法，基于受试者工作特征曲线下面积（AUC）与交叉验证选择模型；（ii）损失法，最小化交叉熵损失并通过交叉验证评估性能。前瞻性队列中，集成法与损失法的AUC分别为0.84（95%置信区间[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。分层分析显示模型性能在性别与年龄亚组中保持一致。研究表明，基于双序列（T1对比增强[T1Gd]与T2加权）MRI的深度学习模型可有效区分GBM与CNS-DLBCL，严格的时序设计与多中心验证增强了模型的临床适用性。
本研究发表于《Cancer Research Communications》，针对异柠檬酸脱氢酶野生型（IDHwt）胶质母细胞瘤（GBM）与中枢神经系统弥漫性大B细胞淋巴瘤（CNS-DLBCL）的术前鉴别诊断难题展开。二者均为侵袭性成人原发脑肿瘤，治疗方案迥异——GBM以手术切除联合放化疗为主，而CNS-DLBCL对大剂量甲氨蝶呤化疗敏感，手术仅用于活检确诊。然而，常规MRI中GBM的环形强化伴坏死与CNS-DLBCL的均匀强化特征存在显著重叠，不典型病例更易混淆，导致误诊后不必要的开颅手术延误治疗。高级MRI技术（如灌注成像）虽可检测脑血容量（CBV）差异，但受限于设备与技术要求，难以普及。因此，研究人员旨在通过深度学习构建基于常规MRI的无创鉴别工具，优化临床决策流程。
关键技术方法包括：1）三阶段时序队列设计（模型开发、回顾性测试、前瞻性验证），覆盖梅奥诊所（1998–2023年）及爱荷华大学共675例患者，47%的MRI来自外院以增强泛化性；2）双序列（T1Gd+T2）三维卷积神经网络（3D DenseNet121）训练，采用两种策略——集成法（5折交叉验证选模，25模型取中位数预测）与损失法（全队列训练，最小交叉熵损失选模，交叉验证评估性能）；3）标准化预处理（HD-BET脑提取、SRI24图谱配准至1 mm3各向同性分辨率）；4）遮挡图可视化模型注意力区域；5）DeLong法计算AUC及95% CI，分层分析亚组性能。
研究结果如下：
人口统计学与MRI特征：开发队列严格匹配年龄、性别与MRI年份；前瞻性队列涵盖多厂商（GE/Siemens/Philips）、多场强（1.5 T/3 T）扫描仪数据，模拟真实临床环境。
集成模型法：前瞻性队列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。模型稳定性随集成规模扩大显著提升（5模型至25模型）。
损失模型法：内部交叉验证AUC为0.90（95% CI：0.88–0.92），前瞻性验证AUC为0.83（95% CI：0.77–0.88）。Youden指数阈值下灵敏度78%、特异度76%；若设定90%灵敏度阈值，特异度为47%。
特异性验证：应用于34例肿胀型脱髓鞘病变，预测评分呈随机分布（均值0.50），未显示倾向性。
遮挡图分析：正确预测病例的注意力集中于病灶区，误诊病例则聚焦于非肿瘤区域。
讨论部分强调，两种建模策略均证实常规MRI深度学习模型的可行性。集成法通过多模型融合提升稳定性，适用于小样本场景；损失法则利用全队列训练降低对小验证集的过拟合风险，交叉验证提供无偏性能估计。研究局限性包括开发队列规模有限（n=292）及未优化超参数，但严格的时序设计与多中心外部验证弥补了这一不足。结论指出，该模型可作为辅助工具整合至临床工作流程，未来需进一步验证其在类固醇治疗患者、非典型CNS-DLBCL及其他鉴别诊断（如脑转移瘤、脱髓鞘疾病）中的表现，推动AI工具在脑肿瘤精准分型中的临床转化。
