联邦学习新突破：FeTS 2.0为胶质母细胞瘤术后分割设定金标准

《Neuro-Oncology》：IMG-69. FeTS 2.0: Federated learning sets benchmark in post-op GBM segmentation

为解决术后胶质母细胞瘤(GBM)自动体积分割因患者隐私导致数据匮乏的难题，研究人员通过FeTS 2.0倡议，利用联邦学习(FL)技术联合全球53家机构，在不共享原始数据的前提下成功训练出AI分割模型。该模型在独立验证集上对TIE、ET、RC和NE的Dice相似系数(DSC)分别达到0.95、0.94、0.89和0.77，性能超越传统集中式训练模型，为建立标准化三维截断值、完善RANO评估标准奠定基础，推动全球数据驱动的精准医疗决策。

　　

在神经肿瘤领域，胶质母细胞瘤（Glioblastoma, GBM）是最具侵袭性的原发性脑肿瘤之一。患者术后需要通过磁共振成像（MRI）定期随访，以评估肿瘤是否复发或进展。准确勾画术后残留或复发的肿瘤区域——包括坏死区域（Necrosis, NE）、瘤周水肿/浸润组织（Peritumoral Edematous/Infiltrated Tissue, TIE）、强化肿瘤（Enhancing Tumor, ET）以及切除腔（Resection Cavity, RC）——对于判断治疗效果和指导后续治疗至关重要。然而，这一分割过程高度依赖放射科医生的手动勾画，不仅耗时耗力，且存在主观差异，难以实现标准化。

更关键的是，开发能够自动、精准完成此任务的人工智能（AI）模型，需要大规模、多样化的医学影像数据作为训练基础。但医疗数据涉及严格的患者隐私保护，通常被隔离在各医疗机构内部（常被称为“数据孤岛”），无法轻易集中。这一矛盾极大地限制了高性能AI模型的开发，也阻碍了大规模回顾性和前瞻性研究的开展，使得定义与临床结局相关的体积阈值这一目标难以实现。以往的集中式研究，例如基于1,350个随访时间点的BraTS 2024挑战赛，其模型性能仍有提升空间。因此，如何在不侵犯数据隐私的前提下，汇聚全球医疗智慧以训练更强大的AI模型，成为了一个亟待解决的核心问题。

针对这一挑战，由Dominic LaBella（杜克大学医学中心）、Hasan Kassem（MLCommons）等多位学者领导的研究团队，发起了名为“联邦肿瘤分割（Federated Tumor Segmentation, FeTS）2.0”的重大倡议。这项研究创新性地采用了联邦学习（Federated Learning, FL）这一前沿技术范式。简单来说，联邦学习是一种分布式机器学习技术，它允许模型在多个分散的数据源上进行训练，而无需将任何原始数据移出其原始存储位置。研究人员的目标是联合全球范围内的众多医疗机构，共同训练一个用于术后胶质母细胞瘤分割的AI模型，同时确保所有患者数据保留在各自机构的防火墙内。

这项大规模国际合作研究的结果正式发表于权威期刊《Neuro-Oncology》2025年11月期。研究表明，FeTS 2.0倡议成功实现了迄今为止最大规模的术后胶质母细胞瘤分割模型联邦学习训练，其性能显著超越了传统的集中式训练方法，为建立标准化、可重复的肿瘤反应评估体系迈出了关键一步。

为开展研究，研究人员联合了全球53家医疗机构，汇集了10,208个术后胶质母细胞瘤患者的随访时间点的多参数MRI数据。这些数据经过标准化预处理后，由各贡献机构的专家按照统一协议对NE、TIE、ET和RC进行精细标注。研究采用先进的nnUNet作为基础模型架构，并通过MLCommons的MedPerf协调器和Intel的OpenFL框架来实施联邦学习流程。训练过程持续超过600个周期，期间仅在协作方之间共享训练后的模型权重和验证分数，原始数据始终保留在本地。

研究结果

模型性能达到新高度

FeTS 2.0项目产生的最佳共识模型在独立的保留验证集上表现出色。其Dice相似系数（Dice Similarity Coefficient, DSC）分别为：TIE达到0.95，ET达到0.94，RC达到0.89，NE达到0.77。这一综合性能指标表明，该模型在术后胶质母细胞瘤的自动分割任务上创造了新的纪录。

联邦学习优势凸显

与FeTS 2.0的成果形成鲜明对比的是，同期进行的集中式BraTS 2024术后胶质母细胞瘤分割研究，其训练集仅包含1,350个随访时间点，测试集为397个时间点。该集中式模型在相应类别上的DSC分别为TIE 0.89, ET 0.79, RC 0.78, NE 0.81。FeTS 2.0模型在TIE、ET和RC分割精度上均实现了显著超越，特别是在关键的强化肿瘤（ET）分割上优势明显。这直接证明了通过联邦学习整合大规模、地理分布广泛的数据，能够有效提升模型的准确性和鲁棒性。

成功实现跨机构协作

该研究实证了联邦学习技术能够支持大规模、地理分布分散的去中心化协作。53家参与机构在无需共享敏感患者数据的前提下，共同贡献了算力和数据资源，成功完成了模型的联合训练。这一模式有效地规避了因数据隐私法规带来的障碍，加速了医疗AI领域的大数据分析进程。

研究结论与意义

FeTS 2.0倡议的成功具有多重重要意义。首先，它在技术层面验证了联邦学习在医学影像分析，特别是复杂脑肿瘤分割任务中的巨大潜力和实用性。通过打破“数据孤岛”，联邦学习使得利用以往难以获取的海量、多样化临床数据训练AI模型成为可能，从而显著提升了AI模型的性能和泛化能力。

其次，该研究产生了目前性能最强的术后胶质母细胞瘤自动分割模型。这种可重复、可靠的感兴趣区（Region-of-Interest）勾画能力，为后续开展大规模回顾性和前瞻性研究奠定了坚实基础。研究人员可以基于此模型产生的大量标准化体积数据，深入分析不同肿瘤亚区的体积变化与患者生存期、治疗反应等临床结局之间的关联，最终目标是定义出具有临床指导意义的体积阈值（例如，确定强化肿瘤体积减少多少百分比可被定义为治疗有效）。

最终，这些来自真实世界大数据分析的证据，有望被纳入未来更新的神经肿瘤反应评估（Response Assessment in Neuro-Oncology, RANO）标准中，从而在全球范围内标准化胶质母细胞瘤的治疗反应评估。这将支持临床医生进行更加适应性强、数据驱动的治疗决策，推动精准医疗在神经肿瘤领域的发展。总之，FeTS 2.0不仅为胶质母细胞瘤的临床管理提供了强大工具，也为整个医学AI领域如何在不牺牲隐私的前提下实现协作与创新树立了标杆。