强度离散化与滤波对伽玛刀治疗脑转移瘤患者影像组学及机器学习模型性能的影响研究

本研究针对脑转移瘤影像组学预处理中强度离散化参数（bin sizes/numbers）、强度重标定（intensity rescaling）及滤波方法（LOG/Wavelet等）的选择缺乏标准化问题，通过分析108个病灶的CE-T1WI图像，发现32-bin模型准确率达70%，相对ROI±3SD重标定显著提升性能（AUC 0.74），为临床影像组学标准化提供关键依据。

　　

在精准医疗时代，影像组学(Radiomics)作为“虚拟活检”技术，正逐步改变脑肿瘤诊疗格局。然而，这一新兴领域面临严峻挑战：尽管磁共振成像(MRI)凭借卓越的软组织对比度成为脑转移瘤诊断和伽玛刀放射外科(Gamma Knife radiosurgery)规划的金标准，其影像组学预处理流程却存在巨大异质性——从强度离散化(intensity discretisation)的bin值选择到滤波方法应用，各研究机构采用不同标准，导致结果难以复现。这种“方法学丛林”现象严重阻碍了影像组学模型向临床决策的转化。

针对这一痛点，马来西亚国立大学医院(HCTM)的研究团队在《Radiography》发表了一项开创性研究。他们系统评估了强度离散化参数（bin sizes 8-256、bin numbers 1-50）、四种强度重标定方法（包括相对ROI±3SD）以及Laplacian of Gaussian(LOG)等滤波器对108个脑转移病灶CE-T1WI图像的影响。通过LASSO回归特征选择和KNN分类器构建，首次揭示32-bin离散化与均值±3SD重标定的组合能实现70%准确率（AUC 0.70），而LOG滤波器可显著提升纹理特征鉴别力。这些发现为建立MRI影像组学标准化预处理流程提供了关键实验证据。

关键技术方法：研究团队回顾性分析30例接受伽玛刀治疗的脑转移患者（108个病灶）的CE-T1WI图像，采用1×1×1mm³重采样后，测试6种bin sizes、5种bin numbers及4种滤波器（LOG/Wavelet/Laws/Mean）组合。通过SMOTE处理类别不平衡，LASSO筛选11-18个特征，最终用KNN评估模型性能。

Results

• 强度离散化影响：32-bin模型表现最优（准确率70%，AUC 0.70），10-bin模型在bin numbers中领先（准确率79%），但组间差异无统计学意义（p>0.05）。
• 重标定方法：相对ROI均值±3SD重标定使准确率提升12%（73% vs 61%），AUC提高0.14，证实其噪声抑制优势。
• 滤波器性能：LOG与均值滤波器在增强边缘特征和均匀性方面表现突出。

Discussion
研究首次证实MRI影像组学中，离散化参数选择应优先考虑32-bin而非传统256-bin，这颠覆了CT/PET研究结论。均值±3SD重标定通过保留生物学相关强度变异，显著优于min-max法。值得注意的是，特征数量与模型性能无直接关联，强调质量优于数量的特征选择理念。

Conclusion
该研究为脑转移瘤影像组学建立了可重复的预处理标准：推荐32-bin离散化结合ROI±3SD重标定与LOG滤波。这一范式不仅适用于Gamma Knife疗效预测，更可推广至其他MRI引导的肿瘤诊疗场景，推动影像组学从实验室走向临床决策系统。未来需通过多中心验证进一步巩固其普适性。