用于预测髓母细胞瘤分子亚群的深度学习模型，结合术前脑部磁共振成像（MRI）数据

《La radiologia medica》：Dual-task deep learning model for prediction of medulloblastoma molecular subgroups with preoperative brain MRI

medulloblastoma分子亚型预测通过双任务深度学习模型实现，模型结合3D Swin Transformer和Transformer解码器，优化肿瘤及小脑分割任务，在350例训练数据和126例独立测试中AUC达0.853，较放射组学模型提升0.156。

　　

摘要

目的

利用术前脑部磁共振成像（MRI）数据，开发一种深度学习模型来预测髓母细胞瘤（MB）的分子亚型。

材料与方法

本研究纳入了350名髓母细胞瘤患者作为模型开发的样本。收集了这些患者的术前多参数脑部MRI图像，并分析了肿瘤样本的分子分类数据。构建了一个双任务深度学习模型，该模型由3D Swin Transformer框架和基于Transformer的掩码解码器组成，用于预测髓母细胞瘤的分子亚型。该模型同时优化了肿瘤和小脑的分割任务。通过消融分析验证了双任务模型设计的有效性。另外还建立了一个包含126名髓母细胞瘤患者的独立测试队列，以评估该模型的预测性能。

结果

我们的双任务深度学习模型在髓母细胞瘤分子亚型预测方面表现出优异的性能，其AUC为0.877，准确率为88.9%，敏感性为71.6%，特异性为91.9%。该模型在成人和儿童患者群体中的表现均较为稳定，对应的AUC分别为0.915和0.871。此外，该模型在独立测试队列中也展示了良好的泛化能力，AUC为0.853，准确率为89.7%，敏感性为73.5%，特异性为92.1%。消融分析显示，采用双任务模型设计后，AUC显著提高了0.169（95%置信区间为0.097–0.244）。与基于放射组学的模型相比，我们的深度学习模型的AUC提高了0.156（95%置信区间为0.079–0.233）。

结论

我们提出的双任务深度学习模型能够实现髓母细胞瘤分子亚型的自动化和精准预测。