具有双评价器的自我监督强化学习（DRL）：一种用于胶质母细胞瘤生存预测的新框架

《International Journal of Imaging Systems and Technology》：Self-Supervised DRL With Twin Critics: A Novel Framework for Glioblastoma Survival Prognostication

胶质瘤生存预测研究提出SimCLR-Twin Critic DDPG框架，通过多模型分割（nnU-Net等）提取肿瘤特征，结合放射组学特征并经BorutaShap筛选，利用SimCLR自监督预训练增强表征，最终通过Twin Critic DDPG实现生存时间回归。该框架在BraTS2020数据集上达到最低MSE 31062.36和最高C-index 0.87，并在BraTS2019外部验证中保持稳定性能，同时通过LIME提供可解释性分析。

　　

摘要

在胶质母细胞瘤患者中实现准确的生存预测仍然是一个重大挑战，这主要是由于脑肿瘤亚型及其临床特征存在显著差异。本研究提出了一种创新的SimCLR-Twin Critic DDPG框架，该框架将自监督表示学习与深度强化学习相结合，以提高预后预测的准确性。肿瘤亚区域的分割是通过四种先进的模型独立完成的，分别是nnU-Net、VNet、SwinUNETR和UNet。根据这些分割模型的性能，从nnU-Net分割出的肿瘤亚区域中提取了深度特征，并将其与手工制作的放射组学特征相结合。结合后的特征经过BorutaShap进行特征选择处理，随后通过SimCLR进行自监督预训练，以改善特征表示能力和泛化能力。优化后的特征被输入到一个专为基于回归的生存时间预测设计的Twin Critic DDPG代理中。在BraTS 2020数据集上，该方法的表现优于现有技术，获得了最低的MSE（31,062.36）和最高的C指数（0.87）。为了进一步验证其鲁棒性和泛化能力，该框架在BraTS 2019数据集上进行了外部验证，在使用融合特征的情况下，获得了类似的MSE（31,156.56）和C指数（0.86）。此外，基于LIME的局部可解释性为个别预测提供了具有临床意义的解释，从而增强了人们对AI驱动系统的信任。本研究强调了SimCLR-Twin Critic DDPG框架作为胶质母细胞瘤患者准确生存预测的鲁棒且可解释的解决方案。

利益冲突

作者声明没有利益冲突。

数据可用性声明

本研究使用的BraTS2020数据集可访问于 https://www.med.upenn.edu/cbica/brats2020/data.html。BraTS2019数据集可访问于 https://www.med.upenn.edu/cbica/brats2019/data.html。