基于增强T1WI影像的肿瘤生境分析与深度学习融合模型预测儿童脑肿瘤Ki-67增殖指数研究

本研究针对儿童脑肿瘤Ki-67指数预测难题，通过融合肿瘤生境分析与深度学习技术，基于对比增强T1加权成像（CE-T1WI）构建预测模型。研究结果显示，融合模型在训练集和验证集的AUC分别达0.97和0.83，显著优于单一模型，为临床无创评估肿瘤增殖活性提供了新方法，具有重要转化价值。

　　

肿瘤具有高度异质性，由多个被称为"肿瘤生境（tumor habitats）"的子区域构成，每个区域对应着具有相似结构、代谢或功能特征的细胞群体。本研究通过整合生境分析与深度学习技术，基于对比增强T1加权成像（contrast-enhanced T1-weighted imaging, CE-T1WI）对儿童脑肿瘤的Ki-67增殖指数进行预测分析。

研究方法采用回顾性分析140例儿科患者的CE-T1WI影像数据，分别提取生境特征和深度学习特征，通过皮尔逊相关性分析、最小绝对收缩与选择算子（least absolute shrinkage and selection operator, LASSO）以及主成分分析（principal component analysis, PCA）进行特征筛选，并运用随机森林算法分别构建生境模型和深度学习模型。最终融合两类模型的最优特征，建立Ki-67指数预测的融合模型。

研究结果显示：按7:3比例划分训练集与测试集后，生境模型和深度学习模型在训练集的受试者工作特征曲线下面积（area under the curve, AUC）分别为0.95和0.91，验证集分别为0.74和0.69；而融合模型在训练集和验证集的AUC分别提升至0.97和0.83，展现出最优的预测性能。

结论表明，生境成像可有效量化肿瘤内异质性，实现对不同肿瘤子区域的定量与定性表征。基于CE-T1WI的生境-深度学习融合模型为儿童脑肿瘤Ki-67指数预测提供了高效工具，可辅助临床医生制定精准治疗方案并评估患者预后。