医生在环：非小细胞肺癌病理反应预测的可解释多视图深度学习框架

为提升非小细胞肺癌（NSCLC）病理反应（pR）预测的临床可解释性，研究人员提出“Doctor-in-the-Loop”框架，融合专家知识（如CT影像分割掩膜）和内在可解释人工智能（XAI）技术，通过渐进多视图策略引导模型聚焦临床相关解剖区域。该框架在NSCLC患者数据集上实现预测准确率73.33%（AUC 62.93%），同时提供透明决策依据，推动肿瘤学AI临床转化。

　　

非小细胞肺癌（NSCLC）作为最常见的肺癌亚型，占肺癌病例的85%，尽管手术是早期和可切除局部晚期患者的主要治疗方式，但高术后复发率凸显了对病理反应（pathological response, pR）精准预测的迫切需求。pR指标（如完全病理反应和主要病理反应）能评估新辅助治疗（NAT）疗效，指导个性化治疗方案，避免无效侵入性干预。然而，现有方法存在局限：生物标志物依赖侵入性活检且无法捕捉肿瘤异质性；影像组学特征（radiomics）依赖手工设计，难以处理复杂模式；而深度学习（DL）模型虽能自动学习特征，却因缺乏可解释性而难以被临床采纳——尤其当模型聚焦无医学意义的区域时，其预测可信度大打折扣。更棘手的是，医学标注数据稀缺，小数据集训练易使模型忽视关键特征。这些问题共同阻碍了AI在肿瘤预后中的可靠应用。

为突破这些瓶颈，意大利罗马生物医学大学校园综合医院（Fondazione Policlinico Universitario Campus Bio-Medico of Rome）的研究人员开发了“Doctor-in-the-Loop”框架。该创新方法通过整合专家驱动的领域知识与内在可解释人工智能（XAI），构建了一个渐进多视图深度学习系统，能够精准预测NSCLC患者接受NAT后的病理反应，并提供透明决策依据。研究成果发表于《Image and Vision Computing》，标志着肿瘤学领域可解释AI的重要进展。

研究采用的核心技术方法包括：利用64例NSCLC患者（TNM II-III期）的术前CT影像数据集，经预处理（重采样至1 mm³分辨率、肺部窗值裁剪、归一化及裁剪为324×324像素）；设计渐进训练范式，结合DenseNet169模型和复合损失函数（分类损失?_cls + XAI损失λ?_xai），通过Gradual Learning策略逐步从全局视图（全肺区域）聚焦到精细视图（病灶区域），并利用Grad-CAM生成热图与专家分割掩膜对齐，实现训练过程的内在可解释性；实验采用5折分层交叉验证，以准确率（ACC）、曲线下面积（AUC）、Dice分数等指标评估性能。

研究结果通过多组实验验证了框架的有效性：

• 性能对比：在病理反应预测任务中，Doctor-in-the-Loop在病灶视图（Step 3）达到最佳ACC 73.33%和AUC 62.93%，显著优于传统方法（如影像组学+SVM的AUC 49.00%）和消融实验（如无渐进学习的XAI-guide AUC仅47.96%）。统计检验（Wilcoxon p<0.001）证实其提升具有显著性。

• 渐进学习效果：模型从全局视图（Step 1）到病灶视图（Step 3），预测性能逐步提升（如TPR从28.33%增至46.67%），同时热图与病灶掩膜的Dice分数从0.12升至0.50，证明渐进聚焦能有效模拟临床推理过程。

• 可解释性验证：Grad-CAM热图显示，引入专家分割掩膜（如肺部/病灶区域）后，模型决策焦点从无关区域转向临床相关解剖结构，?_xai损失确保热图与掩膜对齐（IoU 0.38），提供忠实于模型内部机制的透明解释。

• 消融分析：移除渐进学习或XAI指导均导致性能下降（如渐进学习消融实验的TPR骤降至16.67%），突显二者协同的必要性；而仅用分割输入（Segmentation实验）的AUC仅51.37%，证明全局视图信息不可或缺。

研究结论强调，Doctor-in-the-Loop通过“医生在环”范式，首次在pR预测中实现内在可解释性与高精度的统一。其渐进多视图策略（从全局到病灶）模拟医师诊断逻辑，而XAI损失确保模型聚焦于专家定义的临床相关区域，解决了传统黑箱模型在医疗决策中的信任危机。实验验证了该框架在小型数据集上优于现有方法（如影像组学和特征提取+机器学习），且热图解释性通过Dice分数定量验证（0.50）。讨论部分指出，虽然当前TPR（46.67%）仍有优化空间（受限于数据规模和失衡），但该框架为临床提供了非侵入性预测工具，能辅助制定个性化NAT方案，减少无效治疗。未来工作需扩展多中心数据集并探索自动化分割（Virtual-Doctor-in-the-Loop），以提升泛化性。此研究不仅推动了肿瘤学可解释AI的发展，其模块化设计更可拓展至其他医学影像任务，最终实现AI与临床实践的深度融合。