基于SHAP驱动的MRI深度学习模型在胶质瘤分级与Ki-67增殖指数预测中的可解释性研究

本研究针对胶质瘤分级与Ki-67增殖指数(Ki-67 LI)预测的临床需求，通过整合ResNet50深度学习特征提取、PCA降维与XGBoost分类器，构建了基于T2w-FLAIR MRI的AI诊断框架。研究在101例患者队列中实现了胶质瘤分级0.94准确率与Ki-67水平0.91预测精度，并运用SHAP可解释性分析揭示了DL特征与Ki-67的生物关联性，为无创评估肿瘤增殖活性提供了新范式。

　　

胶质瘤作为成人最常见的恶性脑肿瘤，其精准分级与预后评估一直是神经肿瘤学的重大挑战。传统依赖活检的Ki-67增殖指数检测虽能反映肿瘤侵袭性，但存在侵入性高、评估标准不一等局限。随着人工智能在医学影像领域的突破，如何建立可解释的AI模型实现无创分级成为研究热点。

针对这一需求，来自中国的研究团队在《Computerized Medical Imaging and Graphics》发表了创新性研究。该研究创新性地将深度学习特征提取与可解释人工智能技术结合，通过ResNet50从T2w-FLAIR MRI提取2048维瓶颈特征，经PCA降维后整合患者年龄、性别及Ki-67数据，构建XGBoost分类模型。研究采用101例经病理证实的胶质瘤患者数据（含20切片/例），通过5折交叉验证评估性能，并运用SHAP方法解析关键特征贡献。

关键技术方法包括：1) 采用旋转平移增强处理数据不平衡；2) ResNet50提取全局池化特征；3) PCA保留95%方差降维至158个DL特征；4) 结合3个临床特征构建XGBoost分类器；5) SHAP分析揭示特征-预测关联性。

研究结果部分：
3.1 胶质瘤分级分类
模型在测试集162个切片中达到94%准确率，对II、III、IV级胶质瘤的F1分数分别为0.95、0.88、0.96。混淆矩阵显示高级别胶质瘤(IV级)识别准确率高达96%。

3.2 Ki-67水平预测
将Ki-67分为低(5%≤Ki-67<10%)、中(10%≤Ki-67≤20%)、高(>20%)三级，模型整体准确率91%，其中中度组F1-score达0.93。SHAP分析显示DL33、DL26等特征贡献显著。

3.3 SHAP解释性分析
关键发现包括：1) Ki-67是分级最显著特征，其值>20%时SHAP值急剧上升；2) DL150、DL56等影像特征与Ki-67呈非线性关联；3) 年龄贡献度中等而性别影响微弱。

讨论指出，该研究首次系统论证了MRI深度学习特征与Ki-67的生物相关性：1) 高阶DL特征可捕捉肿瘤异质性对应的增殖活性；2) 模型对>20%的Ki-67阈值识别最佳，与WHO分级标准一致；3) SHAP可视化使"黑箱"决策透明化。尽管存在单模态影像和样本量限制，该框架为无创胶质瘤评估提供了新思路，未来整合多组学数据将进一步提升临床适用性。

这项研究的核心价值在于：1) 验证了AI替代部分病理检测的可能性；2) 建立的158维DL特征库可拓展至其他肿瘤分析；3) XAI驱动的研究范式为医疗AI的可信落地树立了标杆。随着技术迭代，这种融合生物标志物与影像组学的方法有望重塑神经肿瘤诊疗流程。