基于放射组学参数化的细胞自动机模拟代理特征增强多模态非小细胞肺癌治疗前CT生存预测

《Frontiers in Artificial Intelligence》:Structured proxy features for multimodal NSCLC survival prediction from pretreatment CT

【字体: 大 中 小 】 时间:2026年08月28日 来源:Frontiers in Artificial Intelligence 6.7

编辑推荐:

  引言:肺癌每年在全球造成约180万例死亡,其中非小细胞肺癌(NSCLC)占大多数。尽管治疗取得进展,但由于瘤内异质性难以被常规描述符充分刻画,生存分层仍具挑战。标准放射组学(radiomics)与深度学习技术将影像特征视为独立量,忽视了肿瘤特征间的结构化交互。

  
引言:肺癌每年在全球造成约180万例死亡,其中非小细胞肺癌(NSCLC)占大多数。尽管治疗取得进展,但由于瘤内异质性难以被常规描述符充分刻画,生存分层仍具挑战。标准放射组学(radiomics)与深度学习技术将影像特征视为独立量,忽视了肿瘤特征间的结构化交互。研究人员评估结构化代理特征能否通过增强治疗前计算机断层扫描(CT)表征、放射组学及临床变量(增补六个模拟衍生特征以捕捉异质性与形态学交互)来提升多模态NSCLC生存预测。 方法:放射组学参数化的细胞自动机从基线CT利用熵与球形度计算低维代理参数,生成生长率与坏死比代理特征。影像骨干为基于Transformer的掩码自编码器(TMAE),经同管道内替代编码器系统评估后选定,并提供基于注意力的可视化以突出高注意力肿瘤区域。 结果:在公开Lung1队列(n=390)上,四模态融合主要配置达C-index 0.641(iAUC 0.731,log-rank p<0.001)。该主要结果优于Lung1上先前多模态结果(C-index 0.631;iAUC 0.592),而一项独立的探索性系数优化分析获最佳观察C-index 0.662(iAUC 0.748)。 讨论:结果表明,在Lung1基准中常规放射组学、深度与临床表征之外,模拟衍生代理特征可提供互补预测信息。该框架整合结构化肿瘤动力学启发描述符与现代容积CT表征,为从常规治疗前影像进行回顾性相对风险排序提供实用途径,并为未来重复划分、外部队列与校准研究奠定基础。
研究背景与动机
肺癌是全球癌症相关死亡的首要原因,非小细胞肺癌(NSCLC)约占所有肺癌诊断的85%,各期总五年生存率约28%,IV期降至近10%。传统预后模型依赖临床病理因素与分期,但同分期同治疗患者结局差异显著,反映瘤内异质性未被标准协变量充分代表。治疗前计算机断层扫描(CT)常规获取且含丰富表型数据,放射组学(radiomics,通过高通量提取定量图像特征全面量化肿瘤表型)与深度学习是两类核心影像预后方法,但均将定量影像描述符视为独立量,未建模异质性与形态、增殖与坏死等生物学交互。已有多模态融合在Lung1公开队列的C-index长期徘徊于0.577–0.631的窄带,性能增益有限。为此,研究人员提出以放射组学参数化细胞自动机(cellular automaton, CA)生成结构化代理特征,并以Transformer掩码自编码器(TMAE)为影像骨干,检验其在多模态NSCLC生存框架中的互补价值。论文发表于《Frontiers in Artificial Intelligence》。
主要关键技术方法
研究人员采用TCIA的NSCLC-Radiomics(Lung1)队列,剔除缺失后入组390例(训练260/测试130固定划分)。预处理含1 mm3各向同性重采样、323 mm肿瘤裁剪与强度归一化。关键技术有三支:其一,放射组学参数化CA,以PyRadiomics提取的体素强度熵Ei与形状球形度Si经仿射映射为每患者增殖系数αi与坏死系数βi,在3D晶格上演算增殖、存活、恶性、坏死态转移,输出生长率、坏死比及α、β、E、S共六个模拟衍生特征ψi;其二,TMAE影像骨干,对323体素CT分512个43子块、75%掩码、12层Transformer编码器产出768维CLS嵌入;其三,四模态拼接ψi‖zi‖ρi‖ci分别喂入Cox比例风险(CoxPH)与神经Cox(Neural Cox),集成风险评分。参数α、β仿射系数以生存终点校准。
研究结果
4.1 与前沿方法比较:在Lung1固定划分下,四模态融合(TMAE+模拟+放射组学+临床)主要结果C-index 0.641、iAUC 0.731、log-rank p<0.001,优于Ferretti和Corino(2025)的0.631/0.592,探索性系数优化达C-index 0.662/iAUC 0.748。
4.2 编码器比较与模拟特征配置:在同源管道对照ResNet、3D-CAE等编码器后TMAE当选;随模拟代理特征逐次加入,融合性能单调获益,印证其互补性。
4.3 模态消融:依次剥离模拟分支、TMAE、放射组学、临床变量,四模态完整配置为最高C-index基准,单独去除模拟分支掉落最明显。
4.4 附加实验:贝叶斯特征选择超参搜索稳定选中熵与球形度锚定特征;模拟参数(成熟率μ、突变率γ、坏死延迟τN)敏感性分析显示C-index对α/β标定最敏感;探索性系数优化获最佳0.662。
讨论与结论翻译
讨论指出,Lung1基准中传统放射组学、深度与临床表征之外,模拟衍生代理特征可提供互补预后信息。通过将结构化肿瘤动力学启发描述符与现代容积CT表征整合,框架为从常规治疗前影像进行回顾性相对风险排序提供实用途径,并为未来重复划分、外部队列与校准研究奠基。
结论:研究人员证实,放射组学参数化CA导出的六个低维代理特征(生长率、坏死比、α、β、E、S)在固定Lung1基准内为多模态NSCLC生存预测提供互补价值,以TMAE为骨干的四模态融合达C-index 0.641(探索优化0.662)。该研究未宣称超越已有架构复杂度的收益,而主张以结构化交互摘要突破放射组学独立量假设,形成可复现、可溯源的CT预后增强路径。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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