将手工制作的特征与深度学习生成的MRI特征相结合：一个可解释的框架，用于预测胶质瘤患者对化疗的反应

《npj Precision Oncology》：Integrating handcrafted and deep learning MRI signatures: an interpretable framework for predicting chemotherapy benefit in glioma

　　

摘要

胶质瘤的分子和空间异质性严重限制了术后辅助化疗疗效的准确预测，这成为实现个性化治疗决策的关键瓶颈。传统的影像评估方法和单一模态的人工智能模型难以全面描述这种复杂的肿瘤表型。本研究基于TCGA-LGG队列的术前多模态MRI数据，并结合Genomic Data Commons (GDC)中的临床和生存信息，提取了726个放射组学特征。术后化疗的疗效通过总体生存期（≥24个月 vs. <24个月）这一在实际的低级别胶质瘤放射组学研究中经过验证的实用替代终点来衡量。研究人员使用基于分割引导的3D边界框和基于补丁的采样策略生成了两种类型的深度学习嵌入特征，并结合了一个轻量级的3D CNN模型以及预训练的3D ResNet-18（MedicalNet）模型。预测模型分别采用放射组学数据、深度学习数据或其融合数据进行构建，并通过分层交叉验证在真实世界数据集（数据集1）和通过PCA-GMM增强的数据集（数据集2）上进行了评估。模型可解释性通过SHAP属性分析、方差分析和Grad-CAM可视化进行了评估。放射组学特征和深度学习特征表现出显著的信息互补性：前者侧重于描述肿瘤的整体体积、形态和宏观纹理，而后者则擅长捕捉局部异质性和微妙的空间浸润模式。融合模型在预测术后化疗疗效方面表现最佳，在受限的真实世界数据集（数据集1）上的AUC为0.75，在特征更丰富的数据集2上提升至0.99。SHAP分析揭示了驱动模型预测的关键放射组学特征，而Grad-CAM热图则将模型的注意力集中在肿瘤核心区域和浸润边缘——这些区域与药物疗效相关的病理微环境高度一致。双数据集的比较进一步证实，数据质量和特征多样性是释放模型预测潜力并实现精确药物反应表型分析的核心因素。本研究建立了一个透明且可解释的多模态人工智能框架，该框架整合了手工制作的和深度学习的MRI特征，显著提高了胶质瘤术后化疗疗效的预测能力。