多模态影像引导的三步法可视化预测胶质母细胞瘤复发：基于稳定扩散与跨模态融合的创新研究

针对胶质母细胞瘤(GBM)复发预测中无法精确定位和可视化的问题，复旦大学附属华山医院团队提出三步法预测模型（FES模块、影像组学分析、标签约束），融合DTI/PET多模态影像，通过稳定扩散模型实现复发区域可视化预测，DSC达0.9113，首次实现DR/LR复发类型的图像化呈现，为放疗靶区规划提供新范式。

　　

胶质母细胞瘤(GBM)作为WHO IV级的高度恶性脑肿瘤，患者中位生存期仅15个月，其高异质性导致80%病例术后8-9个月内复发。传统预测方法仅能判断复发概率和类型(LR/DR)，无法精确定位复发区域，而放疗规划亟需可视化预测结果。更棘手的是，远处复发(DR)因侵袭性强、MRI对比度低、单模态信息不足，预测难度显著高于局部复发(LR)。现有深度学习方法如nnU-Net、Swin UNETR虽能处理多模态MRI，但未针对DTI/PET设计专用模块，且GAN生成质量受限，扩散模型又缺乏强引导机制。

复旦大学附属华山医院联合云南省肿瘤医院团队在《Computerized Medical Imaging and Graphics》发表研究，提出三步法引导的GBM复发预测系统。通过收集256例患者的多中心数据（含罕见PET影像），开发包含自适应融合模块和模态专用卷积(Conv-D/P)的特征提取分割(FES)网络，结合影像组学分析与标签约束的稳定扩散模型，最终实现28.93 FID和0.9113 DSC的预测性能，首次完成DR/LR的影像化预测。

关键技术包括：1) 多模态特征提取分割(FES)模块，针对DTI/PET设计Conv-D/Conv-P卷积核；2) 跨模态融合策略整合T1/CT/DTI/PET特征；3) 模型融合技术聚合患者个体与群体复发特征；4) 标签约束的稳定扩散模型生成预测图像。

【Three-step-guided Prediction of GBM Recurrence】
研究通过三步流程实现精准预测：首先用pyradiomics分析多模态影像特征区分LR/DR类型；随后FES模块通过Conv-D提取DTI各向异性特征，Conv-P捕捉PET代谢热点，结合跨模态注意力机制定位疑似区域；最后在稳定扩散阶段引入复发类型标签和区域掩膜约束生成。

【Implementation】
实验采用PyTorch框架，优化目标为Dice损失与交叉熵损失之和，Adam优化器初始学习率0.01。值得注意的是，Conv-D采用3D可变形卷积捕捉DTI纤维束走向，Conv-P使用深度可分离卷积降低PET噪声干扰。

【Data】
数据集涵盖复旦大学附属华山医院244例和云南省肿瘤医院12例GBM患者，包含手术前后T1/CT/DTI/PET多时间点影像，所有数据经伦理委员会批准(KY 2015-256)。

【Discussion】
该研究的突破性体现在：1) FES模块使PET高摄取区与DTI纤维破坏区的重合度提升37%；2) 模型融合技术将DR预测特异性提高至89.2%；3) 标签约束解决了扩散模型引导弱的问题，生成病灶边界更符合临床解剖。

【Future Work】
作者指出当前PET样本量不足的局限，未来拟通过联邦学习整合多中心数据。对于异源影像数据（如ASL/CBV），计划开发模态迁移学习模块。

【Conclusion】
这项研究开创性地将稳定扩散模型与多模态影像融合相结合，不仅可预测经典分子亚型（如IDH突变型），更能可视化呈现复发灶的空间分布。临床转化后，该技术可使放疗靶区勾画时间缩短40%，并为耐药性评估提供影像生物标志物。团队公开的预训练模型已集成至华山医院神经导航系统，推动精准神外发展。