基于多模态深度学习和影像组学的脑膜瘤质地预测：一项整合T1与T2 MRI的多中心研究

本研究针对脑膜瘤手术规划中质地评估的主观性问题，创新性地整合深度学习(DL)与影像组学(Radiomics)技术，开发了DLR_Model预测模型。通过多中心204例患者的T1/T2 MRI数据，该模型在外部验证集达到AUC 0.854，显著优于传统方法，为术前精准评估肿瘤质地提供了客观量化工具，对优化手术策略具有重要临床价值。

　　

脑膜瘤作为最常见的颅内肿瘤，其手术切除难度与肿瘤质地密切相关——柔软型(Grade 1-2)可单纯吸引切除，而坚硬型(Grade 3-5)需机械辅助且并发症风险高。目前临床依赖MRI信号强度主观判断质地，缺乏量化标准。尽管磁共振波谱(MRS)等技术曾被尝试，但敏感性不足。这一瓶颈促使广州医科大学附属第二医院与南部战区总医院联合团队开展多中心研究，通过融合人工智能与影像组学技术，在《BMC Medical Imaging》发表了突破性解决方案。

研究团队采用三大关键技术：首先从204例患者的多中心MRI数据中提取3,668个手工特征(含几何/强度/纹理特征)和ResNet50深度学习特征；其次通过LASSO回归筛选出15个关键特征(10个影像组学+5个DL特征)；最后构建支持向量机(SVM)分类器，比较纯影像组学模型(Rad_Model)、纯深度学习模型(DL_Model)及融合模型(DLR_Model)性能。

【特征选择】SHAP分析揭示T2_lbp_3D_m1_glszm_SmallAreaLowGrayLevelEmphasis纹理特征最具预测力，其高值对应柔软型肿瘤；而T1_DL_13等深度学习特征通过捕捉肿瘤密度差异辅助分类。

【模型性能】在外部验证集：

• DLR_Model以AUC 0.854(95%CI:0.752-0.957)全面领先
• 准确率0.778、特异性0.850显著优于Rad_Model(AUC 0.797)
• 决策曲线分析(DCA)证实其临床适用性最佳

【临床意义】该研究首次实现多中心、多模态(MRI-T1/T2)的脑膜瘤质地预测，其创新性体现在：

1. 突破单模态局限：T1序列贡献8个关键特征，T2序列贡献4个，证实多模态互补价值
2. 深度学习弥补传统局限：DL特征T1_DL_4等占据权重前三，揭示人眼不可见的微结构差异
3. 手术指导明确：模型预测坚硬型肿瘤需准备超声吸引器等器械，缩短30%手术时间

讨论部分指出，当前模型仍受限于二维切片分析，未来需拓展三维全肿瘤建模。但该成果已为精准神经外科奠定基础——通过术前量化预测，医生可个性化选择微创或传统术式，潜在降低术中出血量(文献报告达40%)。这项跨学科研究标志着AI驱动神经肿瘤学进入新阶段，其方法论框架可扩展至其他实体瘤的术前评估。