基于2.5D对比增强T1加权成像的临床-影像组学-深度迁移学习融合模型无创预测脑膜瘤脑侵犯

《Frontiers in Oncology》:Non-invasive preoperative MRI-based deep transfer learning radiomics model for predicting meningioma brain invasion

【字体: 大 中 小 】 时间:2026年10月08日 来源:Frontiers in Oncology 3.4

编辑推荐:

  背景:当前对脑膜瘤脑侵犯(BI)的术前评估需要影像分析框架,在捕捉多维肿瘤-病理相关性的同时优化计算效率。基于2.5D MRI在整合多平面生物学数据与可处理计算负荷方面的固有优势,本研究创新性地整合深度迁移学习(DTL),一种将预训练网络知识与目标域适应相衔接

  
背景:当前对脑膜瘤脑侵犯(BI)的术前评估需要影像分析框架,在捕捉多维肿瘤-病理相关性的同时优化计算效率。基于2.5D MRI在整合多平面生物学数据与可处理计算负荷方面的固有优势,本研究创新性地整合深度迁移学习(DTL),一种将预训练网络知识与目标域适应相衔接的技术,以系统识别肿瘤侵袭性生物学特征,并利用术前对比增强T1加权成像(CE-T1WI)开发优化的预测系统。方法:这项回顾性研究纳入674例经病理证实为脑膜瘤的患者,其中53例伴BI,621例不伴BI。队列被分层为训练集和独立测试集。在CE-T1WI上勾画肿瘤感兴趣区(ROIs),提取影像组学和DTL特征。影像组学和DTL特征通过早期融合进行融合,随后进行特征选择。在训练队列中,进行五折交叉验证,合成少数类过采样技术(SMOTE)仅应用于每一折的训练部分;验证折和独立测试集保留其原始类别分布。结果:使用受试者工作特征(ROC)曲线下面积(AUC)比较模型有效性。在训练集中,ComM达到AUC 0.977,而在测试集中,其AUC达到0.935。ComM表现出最佳性能(训练集:AUCComM > AUCDTLRM > AUCRadM > AUCClinM > AUCDTLM;测试集:AUCComM > AUCDTLRM > AUCRadM > AUCDTLM > AUCClinM),对脑膜瘤BI显示出优异的术前预测能力。Hosmer-Lemeshow检验表明模型拟合良好,校准曲线显示ComM最接近理想曲线。结论:基于2.5D CE-T1WI的ClinM、RadM、DTLM、DTLRM和ComM在预测脑膜瘤BI方面均表现出良好性能。临床-影像组学-DTL融合模型(ComM)表现出最高效能,提示DTL提供了与脑膜瘤BI相关的、不同于影像组学特征的额外特征。该模型显示出术前预测的潜在临床效用;然而,在临床实施前需要在更大的多中心队列中进行进一步外部验证。
脑膜瘤是最常见原发性颅内肿瘤。2016年世界卫生组织(WHO)分类将脑侵犯(brain invasion, BI)纳入II级脑膜瘤分级标准,直接影响脑膜瘤诊断、分级、治疗决策和预后预测。目前病理是BI诊断金标准;但该方法可能因外科医师无法准确取材、病理医师只能被动分析送检标本而导致误诊或漏诊,并增加复发风险。通过影像组学(radiomics)、深度学习(deep learning, DL)等算法,机器学习可挖掘图像中与BI生物学行为对应的内在隐藏信息,用于术前预测和评估BI,为临床提供更全面的肿瘤信息,辅助手术策略制定并改善BI诊断,降低复发可能性并改善患者预后。既往研究多认为影像组学是识别脑膜瘤BI的有效工具,但传统低阶影像组学特征基于肿瘤图像的预定义特征,不能充分反映肿瘤影像异质性。DL可从大量原始数据中挖掘极高级别特征,加入DL特征可能改善传统影像组学模型预测性能;但当前DL研究仍面临硬件要求、模型设计复杂、适用性差、可解释性低和偏倚等问题,且标准DL模型所需的大规模高质量数据集构建费时费力。迁移学习利用源域和源任务获得的知识改善目标域目标任务的学习预测函数,尤其适用于目标域数据稀缺、源域数据充足的情形。深度迁移学习(DTL)是基于DL的迁移学习方法,可有效利用先前学习知识,以少量训练数据或模型微调解决新任务。Pan et al. 将DTL定义为从源域学习知识迁移到目标域任务学习,提高目标域任务预测性能。医学影像AI进展已超越传统卷积神经网络,基于大规模预训练的基础模型、Vision Transformers、整合影像与临床元数据或多源数据的多模态AI及可解释AI均受到关注。既往研究多使用肿瘤最大切片(2D)提取DL特征,但肿瘤内信息有限;2.5D图像即最大切片及其上下1 mm和2 mm切片,克服传统2D模型缺乏周围3D数据的缺点,并降低训练数据和模型参数需求。尚未见DTL特征联合影像组学特征用于脑膜瘤BI术前预测的报道。因此,研究人员探索BI与DTL和影像组学特征的关系,并建立联合临床-影像组学-DTL模型预测脑膜瘤BI。研究人员得出,基于CE-T1WI构建的ClinM、RadM、DTLM、DTLRM和ComM均具有良好预测效能,其中ComM最佳,提示DTL可提供与脑膜瘤BI生物学行为相关且不同于影像组学特征的额外信息,对术前无创风险分层具有潜在意义。

关键方法概述:该回顾性单中心研究经天津环湖医院伦理批准,免知情同意。筛查2021年9月至2023年10月病理证实脑膜瘤且术前MRI患者1,073例,最终纳入674例(平均57岁,范围11–82岁,男192例[28.5%];53例BI,621例无BI),按约7:3分层为训练集和独立测试集。临床和MRI语义特征构建ClinM;CE-T1WI经N4校正、归一化、重采样至1×1×1 mm3,手动勾画ROI,保留ICC>0.80特征。PyRadiomics提取三维影像组学特征;2.5D切片(最大层面及上下1 mm、2 mm)生成伪RGB,输入ImageNet预训练Inception-v3微调,提取2048维特征,每位置PCA至8维,拼接40维。早期融合后五折交叉验证,Mann-Whitney U、Spearman、LASSO选特征,SMOTE仅训练折,Extra Trees分类。构建ClinM、RadM、DTLM、DTLRM、ComM。

3.1 General clinical data and MRI characteristics:纳入674例脑膜瘤患者,其中53例BI、621例非BI。独立样本t检验和卡方检验比较基线和MRI特征,发现年龄、性别、肿瘤形态、肿瘤强化特征、肿瘤边缘和瘤周水肿在两组间差异有统计学意义(P<0.05)。3.2 Feature screening:每例从CE-T1WI提取1834个影像组学特征,包括一阶、形状、灰度共生矩阵(GLCM)、灰度依赖矩阵(GLDM)、灰度游程长度矩阵(GLRLM)、灰度尺寸区域矩阵(GLSZM)和邻域灰度差矩阵(NGTDM)。五张2.5D肿瘤切片独立提取DTL特征,每张切片2048维,经主成分分析(PCA)每个切片位置降至8个主成分,五切片拼接为40维患者级DTL特征。早期融合后获得1874个候选DTL-影像组学特征。Grad-CAM用于Inception-v3最终卷积层,可视化网络预测贡献区域。多步特征选择后,LASSO最终保留137个非零系数特征,包括125个影像组学特征和12个DTL特征,称为选择的DTL-影像组学特征。3.3 Model construction and evaluation:五个模型在训练集和测试集AUC均大于0.800。ComM在训练集和测试集均优于其他模型(训练集:ComM 0.977 vs ClinM 0.886、RadM 0.944、DTLM 0.857、DTLRM 0.955;测试集:ComM 0.935 vs ClinM 0.817、RadM 0.892、DTLM 0.836、DTLRM 0.899)。ComM对脑膜瘤BI预测最佳,其在训练集和测试集AP/PR-AUC也最高(0.968和0.916)。3.4 Model comparison:DeLong检验显示,测试集中ComM与ClinM、RadM、DTLM、DTLRM比较P均小于0.05,差异有统计学意义。Hosmer-Lemeshow检验表明各模型拟合良好;ComM在训练集和测试集Brier分数最低(0.073和0.113)。校准曲线显示ComM最接近理想曲线。决策曲线分析(DCA)显示ComM在广泛阈值概率范围内临床净获益最高。

讨论部分指出,利用临床信息和2.5D图像肿瘤信息构建ComM、ClinM、RadM、DTLM和DTLRM,其中ComM最佳,提示可术前有效预测脑膜瘤BI。2.5D图像比传统2D提供更多空间信息,比3D需要更少计算资源;DTL特征由预训练卷积神经网络提取,更全面,提高预测性能。DL需要大数据和计算资源,迁移学习利用已有知识提高效率。Zeng et al. 用迁移学习提取DL特征预测早期胃癌淋巴结转移,内部验证和外部验证AUC分别为0.901和0.915;Zhu et al. 用DTL术前沿脑膜瘤分级,训练集和测试集AUC分别为0.891和0.811,与本研究一致,提示迁移学习在术前预测中表现良好。RadM在训练集和测试集表现良好,但Hosmer-Lemeshow检验P=0.044,提示Extra Trees算法可能对影像组学特征拟合欠佳,未来可尝试其他机器学习方法。DTLM训练集和测试集AUC分别为0.857和0.836;DTLRM分别为0.955和0.899,优于RadM和DTLM。DTL特征提高模型预测性能,反映瘤内异质性并预测脑膜瘤BI。影像组学特征和DTL特征均来自肿瘤定量测量,可能互补。RadM测试集AUC略优于DTLM,可能因影像组学来自整个3D肿瘤体积,而DTL来自选定2.5D切片。Yang et al. 使用增强T1WI训练的DL影像组学模型分级脑膜瘤,训练集AUC 0.988 vs 0.980 vs 0.892,测试集0.935 vs 0.918 vs 0.718,显示DL影像组学模型优于影像组学和DL模型。Zeng et al. 整合临床变量和多模型数据,结合影像组学与DL特征区分早期胃癌淋巴结转移。Zheng et al. 基于增强CT构建DL影像组学列线图预测头颈部鳞状细胞癌组织学分化等级,列线图预测结果良好。Grad-CAM可视化显示网络关注肿瘤区域及周围界面,可能涉及不规则肿瘤边缘、肿瘤-脑界面改变和瘤周水肿等与BI相关影像特征;但该分析为定性,未定量评估激活图定位,需进一步研究验证其生物学意义。Extra Trees可建模高维临床、影像组学和DTL特征空间中的非线性关系,额外随机化有助减少过拟合,且较XGBoost、CatBoost、LightGBM更简单、少依赖大量顺序优化。包含DTL特征的DTLRM和ComM优于ClinM和RadM,提示DTL可提供与脑膜瘤BI生物学行为相关且不同于影像组学特征的额外特征。临床角度,术前BI风险估计可为手术计划提供补充信息;预测高风险者,外科医师可预期更粘连或浸润性肿瘤-脑界面并准备更复杂切除;低风险者,在其他临床和影像发现支持下可能避免不必要激进手术。该模型可作为辅助术前风险分层工具,而非替代临床判断;是否改善手术决策或患者结局需前瞻性多中心研究评估。局限包括:回顾性、选择偏倚;BI样本小且组间样本量差异大,SMOTE处理不平衡;单中心无外部验证,所有MRI为Siemens 3.0T,不同厂商、场强和采集协议稳健性与泛化性不确定;临床实施前需更大、多中心、异质性队列外部验证。

结论部分翻译:基于CE-T1WI构建的ClinM、RadM、DTLM、DTLRM和ComM在预测脑膜瘤BI方面均有良好效能(所有AUC>0.8)。包含DTL特征的DTLRM和ComM优于ClinM和RadM,提示DTL可提供与脑膜瘤BI生物学行为相关且不同于影像组学特征的额外特征。ComM预测脑膜瘤BI效能最佳。这些发现提示联合模型对脑膜瘤BI术前预测具有潜在临床效用;然而,临床实施前需要进一步外部验证。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号