基于多模态特征融合的可解释机器学习模型预测淋巴瘤患者骨髓侵犯的多中心研究

本研究针对淋巴瘤骨髓侵犯(BMI)诊断依赖有创性骨髓活检(BMB)的临床困境，开发了一种整合临床参数、18F-FDG PET/CT影像组学与深度学习特征的可解释机器学习模型。通过159例多中心数据验证，该模型AUC达0.886，显著提升医师诊断准确率（初级医师AUC从0.663提升至0.818），为无创化淋巴瘤分期提供新范式。

　　

淋巴瘤作为血液系统恶性肿瘤，其骨髓侵犯状态直接影响临床分期与治疗方案选择。传统骨髓活检(BMB)虽为金标准，但存在采样误差率高（约30%）、患者耐受性差等问题。尤其当骨髓侵犯呈局灶性分布时，单点穿刺可能造成高达20%的假阴性率。更棘手的是，现有影像学方法如¹⁸F-FDG PET/CT虽能显示代谢异常，但视觉判读主观性强，初级医师诊断AUC仅0.663，亟需客观量化工具。

针对这一临床痛点，桂林医学院附属第一医院核医学科的研究团队开展了一项创新性多中心研究。他们构建了首个整合临床指标（B症状、血小板计数）、PET/CT半定量参数（SUV_max、TLG）、影像组学特征（3,850个特征）与深度学习特征（3D ResNet50提取）的可解释机器学习模型，相关成果发表于《BMC Medical Informatics and Decision Making》。

研究采用三大关键技术：1）多中心队列设计（159例来自两家三甲医院），通过8:2随机划分训练/测试集并进行外部验证；2）创新性融合传统影像组学（PyRadiomics提取）与深度学习特征（4,096维特征），经t-SNE降维和LASSO筛选最优特征组合；3）应用SHAP值解析模型决策机制，实现"黑箱"算法的可视化解读。

【模型构建与验证】
通过比较ExtraTrees、SVM等算法，最终选择性能最优的ExtraTrees分类器。在外部验证集中，整合模型AUC(0.886)显著优于单一临床模型(0.798)或纯影像组学模型(0.708)。校准曲线显示预测概率与实际观察值高度吻合（Hosmer-Lemeshow检验p=0.171），决策曲线分析证实其临床实用价值。

【关键预测因子】
SHAP分析揭示：PET_lbp_3D_m1_glcm_DependenceEntropy（反映骨髓代谢异质性）贡献度最高，其次为血小板减少（OR=3.2）和B症状（OR=2.8）。值得注意的是，深度学习特征DL-1766/DL-2047虽贡献度中等，但可能捕捉到人眼难以识别的微小代谢改变。

【临床转化价值】
模型辅助显著提升初级医师诊断水平（AUC提升23.4%，p=0.03），使假阳性率从17.4%降至8.7%。对高级别NHL患者，模型预测骨髓侵犯的灵敏度达87.5%，可减少约40%不必要的BMB检查。

这项研究开创性地实现了三个突破：1）首次证明多模态特征融合可突破单一检测方法的性能瓶颈；2）通过SHAP解释机制建立医工交叉的信任桥梁；3）为《Lugano分期指南》的修订提供了循证依据。未来需在前瞻性队列中验证其成本效益，并探索在CAR-T细胞治疗前的骨髓评估价值。正如研究者Xinyu Zhu在讨论中指出，这种"白箱化"AI模型不仅提升了诊断精度，更通过可视化决策路径促进了临床认知对齐，标志着淋巴瘤精准诊疗进入新阶段。