编辑推荐：
为解决脑转移瘤（BM）、胶质母细胞瘤（GBM）和原发性中枢神经系统淋巴瘤（PCNSL）在 MRI 影像诊断中易误诊、PCNSL 样本少致分类困难等问题，研究人员开展基于卷积神经网络的多类脑恶性肿瘤诊断研究，构建 FoTNet 模型，其分类准确率达 92.5%，有助于术前诊断。
在医学领域，脑恶性肿瘤的精准诊断一直是个难题。脑转移瘤（BM）、胶质母细胞瘤（GBM）和原发性中枢神经系统淋巴瘤（PCNSL）这三种常见的恶性脑肿瘤，虽然在形态和生物学特征上差异较大，但在 MRI 影像上却常常表现出相似的特征，比如都会出现环形强化、明显的瘤周水肿、分水岭或灰白质界面、球形形状以及多个病灶等。这就导致在临床实践中，医生很容易出现误诊的情况。而且，PCNSL 的发病率相对较低，每年仅有 0.0005%，这使得相关的样本数量有限，在进行诊断研究时容易出现数据不平衡的问题。传统的深度学习方法在处理这三种肿瘤的分类任务时，性能也不太理想，最高的 AUC 值仅约 0.854。这些问题严重影响了患者的治疗效果，因为不同类型的肿瘤治疗方案差异很大。例如，BM 通常采用包括手术、化疗、放疗、免疫治疗和靶向治疗在内的多模式治疗方法；GBM 则以最大安全切除为中心，随后进行同步放化疗以及后续的辅助化疗；PCNSL 在实施化疗和放疗之前，需要通过腰椎穿刺或活检来确认病情。一旦在影像评估阶段将这三种肿瘤类型误分类，就可能会导致治疗延误或错误，进而危及患者的生命健康。
为了解决这些问题，浙江大学医学院附属邵逸夫医院的研究人员开展了一项极具意义的研究。他们提出了一种名为 FoTNet（Focus on Tumor Network）的深度学习框架，旨在提高对这三种肿瘤的自动诊断准确率，尤其是针对相对罕见的 PCNSL 肿瘤。研究结果令人振奋，FoTNet 在测试集上实现了 92.5% 的分类准确率和 0.9754 的平均 AUC，显著优于现有的机器学习和深度学习方法。这一成果为术前诊断提供了强有力的支持，有助于临床医生做出更明智的治疗决策，对改善患者的治疗效果具有重要意义。该研究成果发表在《Brain Research Bulletin》上。
研究人员在这项研究中主要运用了以下几种关键技术方法：首先，构建了一个多中心二维肿瘤成像数据集，整合了浙江大学医学院附属邵逸夫医院的内部数据集以及 UPENN 和 TCGA 的公共数据集，确保了数据的多样性和可靠性。其次，设计了 FoTNet 模型，该模型借鉴了 ConvNeXt 框架，并融入了创新的频率通道注意力（FCA）机制和焦点损失（Focal Loss）函数。此外，采用 AdamW 优化器，在 NVIDIA GeForce RTX 8000 GPU 上，基于 PyTorch 框架对模型进行训练。
下面来看具体的研究结果：
- 数据收集：收集了浙江大学医学院附属邵逸夫医院神经外科提供的术后、经病理证实的 T1 加权增强 MRI 图像作为内部数据集，还纳入了外部的 UPENN - GBM 和 TCGA - GBM 数据集。内部数据集包含 64 例 GBM、81 例 PCNSL 和 269 例 BM 病例，详细记录了患者的人口统计学信息和图像统计数据。
- 性能评估：对比了多种深度学习架构在三类分类任务中的表现。结果显示，FoTNet 的分类准确率为 92.47±0.03%，平衡准确率（BACC）为 87.51±0.63%，AUC 为 0.9754（95% CI：0.966 - 0.984），在整体性能上优于其他模型。
- 结果可视化：
- 性能指标分析：通过引入更多评估指标对 FoTNet 进行分析，其在多类肿瘤分类中准确率达 0.925，对 BM、GBM 和 PCNSL 的 AUC 值分别为 0.976、0.977 和 0.973 。不过，在检测 PCNSL 时，F1 评分相对较低，为 0.839，可能与样本量小有关。
- t - SNE 分析：利用 t - SNE 对训练和测试数据集的特征嵌入进行可视化。训练集中，三种肿瘤类别能明显区分；测试集中，BM 和 GBM 的分布与训练集相似，但 PCNSL 有部分样本出现分散，不过整体模型仍能有效识别三种肿瘤。
- 稳定性验证：进行五折交叉验证，结果表明 FoTNet 在区分 BM 和 GBM 时表现出较高的 AUC 值和较低的标准差，具有可靠的判别能力。PCNSL 虽 AUC 值高，但 F1 评分变异性较大，不过与其他研究相比，各项指标仍较高。
- 解释性结果：使用 Smooth Grad - CAM++ 方法生成类激活图（CAMs），结果显示 FoTNet 能准确识别和定位肿瘤病变，有效区分三种肿瘤类型，尽管在 GBM 的 CAMs 中偶尔会关注到非肿瘤区域，但不影响对肿瘤区域的准确分类。
- 困难病例分析：分析测试集中的困难病例发现，模型在处理 GBM 和 PCNSL 时存在一些问题，如对 GBM 肿瘤的错误分类、受高信号结构干扰，以及对 PCNSL 肿瘤的漏检和形状捕捉不完整等，这表明需要进一步改进模型。
- 模型计算效率比较：与基线模型 ConvNeXt_xLarge 相比，FoTNet 添加 FCA 块后，准确率提高，且参数数量和 FLOPs 几乎相同，计算复杂度未显著增加，适用于实际应用。
在研究结论和讨论部分，研究人员指出，准确识别和解释 MRI 图像中肿瘤的关键指标对区分 BM、GBM 和 PCNSL 至关重要。以往研究直接应用通用神经网络效果不佳，而本研究通过对网络架构的深度修改和引入频率通道注意力模块，显著提升了脑肿瘤分类性能。同时，研究人员也认识到 PCNSL 数据不平衡的问题依然存在，尽管通过多中心数据集和焦点损失函数有所改善，但仍有提升空间。未来可以探索整合多模态数据，如 PET - CT 扫描和其他 MRI 序列，以进一步提高诊断准确性；开发可解释性模块，增强临床医生对模型决策过程的理解和信任；开展多中心前瞻性研究和纵向研究，验证模型在不同患者群体和医疗环境中的适用性和稳定性，评估其在监测疾病进展和治疗反应方面的性能。总之，这项研究为术前脑肿瘤分类提供了一种极具前景的方法，有望帮助临床医生做出更准确的诊断决策，在医疗资源有限或缺乏专业知识的地区，也能发挥重要作用，为脑恶性肿瘤的诊断和治疗开辟了新的道路。
