解剖结构作为图节点：儿科脑肿瘤幕上/幕下定位中表征先于架构

《Diagnostics》：Anatomical Structures as Graph Nodes: Representation Before Architecture in Paediatric Brain Tumour Localisation

　　

背景/目的：儿科脑肿瘤（paediatric brain tumour）队列规模小，直接在体积MRI（magnetic resonance imaging，磁共振成像）上训练的深度网络在此类队列上常表现不佳，通常应对策略是采用更大的架构。解剖表征（anatomical representation）本身的贡献尚未作为实验因素被单独隔离，因此尚不清楚困难中有多少来自架构、多少来自表征。本研究针对该空白，以幕上/幕下（supratentorial/infratentorial）肿瘤定位作为完全由解剖几何定义的任务。方法：在108例具有多序列MRI及肿瘤和8个解剖结构手动标注的儿科患者中，保持任务、队列和按受试者分组的五折交叉验证分配固定，改变输入表示：原始体积上的3D卷积网络、给予坐标和颅尾剖面先验的同一网络、无拟合参数的几何规则，以及以解剖结构为节点、由逻辑回归或图注意力网络（graph attention network, GAT）读出的患者级图。所有标志点下游的解剖均由折外预测。比较为患者配对，采用Bootstrap区间和Holm校正McNemar检验。结果：平衡准确率（balanced accuracy）从原始体素的0.522升至显式空间先验的0.652、无参数几何规则的0.681、图五特征线性读出的0.775和GAT的0.838；同一决策层给予手动掩膜时达到0.918。仅GAT显著超过最强卷积基线（+0.187，Holm校正p=0.009）。自动分割与0.143的差距相关，其驱动因素为空间错位而非漏检肿瘤。结论：对于这一几何定义的任务和队列规模，显式表示解剖结构比从体素学习相同几何更有效。

本研究背景聚焦儿科脑肿瘤定位中的几何问题。脑及其他中枢神经系统（central nervous system，CNS）肿瘤在近期美国人群数据中是儿童和青少年癌症相关死亡的首要原因；新扫描常需判断肿瘤相对小脑幕的位置，即幕上/幕下（supratentorial/infratentorial）分型，该分型关系鉴别诊断、手术规划及梗阻性脑积水等并发症。儿科脑肿瘤人工智能研究性能随任务定义、队列大小、成像协议和评估设计变化，显式解剖表征贡献较少被隔离。已发表最大儿科后颅窝系列仅数百例（617、527、288、158），单中心更小；3D卷积神经网络（convolutional neural network，CNN）端到端训练多序列体积时输入维度约10⁷、训练样本约10²，常见对策是加深架构、Transformer、增强或预训练编码器。本研究反向设问：固定任务、队列和交叉验证折，仅改变输入表示，从原始体素、显式几何编码到以命名解剖结构为节点的图；若性能沿表示轴上升而架构容量不变，则瓶颈为表征。主要贡献为受控比较表示、直接测量自动化差距、分析分割错误传播并定位图模型鲁棒机制；全文不主张CNN不适合医学影像，而问几何应从体素学习还是显式表示。研究发现显式解剖表示在该任务和队列规模下更有效，并提供表示先于架构的证据。

关键技术方法（不超过250字）：纳入108例儿科患者，17例来自Children’s Brain Tumor Network（CBTN），91例来自合作神经外科医生回顾性临床档案，档案由G?MRE, ?bni Sina Hospital, Ankara University, Ankara, Türkiye保管者持有；使用多序列MRI及肿瘤和8个解剖结构手动标注。固定任务、队列和按受试者分组的StratifiedGroupKFold五折交叉验证（seed 0），仅改变输入表示：原始3D CNN、坐标/颅尾剖面先验、无参数几何规则、九节点解剖图逻辑回归和GAT（两层消息传递、两头、隐藏宽度16、4772参数）。上游分割采用ViT-Mamba3D编码器-解码器，输出10类；所有标志点下游解剖均折外预测。评估采用平衡准确率、受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUC）、Bootstrap区间、患者配对McNemar与Holm校正。

3.1 显式空间信息改善定位：平衡准确率沿表示阶梯上升，原始体素3D CNN为0.522，加坐标通道0.538，加颅尾剖面0.652，无拟合参数幕切迹规则0.681，九节点图五特征逻辑回归0.775，GAT 0.838，同一决策层配手动掩膜0.918。三个CNN阶梯均为10随机种子多数投票、同一折划分。坐标通道帮助小、颅尾剖面帮助大，提示困难在池化丢失位置而非缺位置信息；九节点线性模型0.750低于单节点0.775。结论：显式空间信息改善定位，图表示直接提供位置。

3.2 简单几何解释任务：以五个幕切迹标志点云拟合平面，肿瘤质心偏移符号构成无参数决策；手动掩膜下无参数规则0.777、单阈值校准0.874、单颅尾坐标0.856；预测掩膜下单颅尾坐标0.759。幕切迹非平面，标志环偏离拟合平面中位峰谷高19.7 mm，原毫米空间中位倾斜7.1°；重采样至256×256×32后法线倾斜约1°，手动掩膜符号规则损失0.019、校准规则无损失。自动化后规则0.777降至0.681，校准规则0.874降至0.787；校准规则与五特征图读出无差异（0.787对0.775，McNemar p=0.093），但显著低于GAT（p=0.0025）。结论：解剖本身提供低维强信息，手工几何与学习读出对任务认识一致，差异在几何测量不完美时。

3.3 表示间配对比较：同一固定折、患者配对McNemar检验显示，GAT超过最强CNN基线0.187（Holm校正p=0.009）；线性单节点读出对CNN不显著（p=0.073，校正0.145）；GAT对线性读出不显著（p=0.092，校正0.145）。最强CNN基线对初始化敏感，单seed平衡准确率0.533–0.678，故用10seed集成。预测掩膜下各配置更多损失幕下，图模型相对线性读出的增益几乎由幕上侧承担；上游错位率两类相似（幕上17/57、幕下17/51，中位Dice 0.562和0.559），更符合决策边界稍高。手动配置九错误均在肿瘤质心垂直偏移?1.7至+7.1体素带内，带外21例无误分，误分肿瘤较小；全队列无交叉验证拟合仍不消除错误（0.909，10例误分）。结论：仅GAT显著优于最强CNN，残余错误集中于边界带和小肿瘤。

3.4 自动化差距及失败模式：同一决策层手动0.918对预测0.775，差0.143；此仅为关联，未分解。分割质量跨结构差一个数量级，肿瘤节点位置可靠性除窦外最差。按肿瘤Dice阈值0.3分层34例错位，该层肿瘤节点读出近随机，脑室节点仍有信号，图集成保留更多性能；错位层中位Dice 0.030、中位质心位移40.5体素、预测/真实体积比0.59、13例零重叠，但无患者为空预测。主导失败为空间错位而非完全缺失；静态线性模型未利用存活脑室信号，达到与仅脑室相同0.618并在恢复层损失0.065。结论：自动化差距主要来自上游空间错位，需可逐患者加权节点模型。

3.5 对空间错位鲁棒性：随肿瘤位移增加图模型比线性读出更稳健。干净输入线性0.775对单图模型0.767±0.042；10体素0.691对0.718±0.024，20体素0.609对0.680±0.025，40体素0.554对0.615±0.040；20和40体素所有5seed均超过线性，最差seed分别+0.044和+0.021，独立环境复现。单图模型0.768不超线性0.775，干净输入优势为集成效应；错位层集成从1seed0.627升至30seed0.735，10seed预先固定，1至10seed增+0.063，10至30seed增+0.016。结论：图模型价值在容忍几何损坏，集成收益在错位层最大。

3.6 注意力转移位置：读出注意力近均匀1/9，分割质量组间无差异：肿瘤0.114对0.118（Mann–Whitney p=0.09），侧脑室0.114对0.114，第四脑室0.105对0.103；CPU/GPU复现。首层消息传递中肿瘤自注意力0.545对均匀0.111，错位时降至0.421，权重移向岩尖0.061→0.095、窦汇0.062→0.098、第四脑室0.046→0.079。全队列肿瘤自注意力与stage-1 Dice相关（Spearman ρ=+0.39，p<0.0001；首层ρ=+0.43，p<10^?5）；首层两头经校正显著，第二层两头均不。结论：再路由发生在首层消息传递而非读出；因注意力为测量而非干预，应视为关联而非因果，需消融肿瘤自环验证。

讨论部分中心结果为表示而非架构：固定队列、任务和折后，几何信息越显式性能越高，最大单步是拟合任何决策边界到显式解剖，而非神经网络；z-profile CNN为中间案例，收益来自颅尾轴不再被池化，图表示进一步将位置作为节点特征。无参数规则表明正确解剖下任务近符号检验，学习模型主要增加对测量不完美的容忍；不表明图神经网络普遍优于CNN。自动化管道损失在上游，手动与预测差距主要与肿瘤空间错位相关而非无预测，未来目标为分割空间保真而非分类器容量。残余错误部分为队列属性：手动标注下错误集中于肿瘤中心距幕切迹平面数体素内，且全队列拟合不消失，说明限制在肿瘤质心所能表达的信息而非训练数据量。任务定义排除141例中16例双幕切迹，二分类较临床问题容易；两来源不平衡，91例本地中44%幕下、17例外部中65%幕下，来源与类别不能分离；定义幕切迹表面的窦汇和岩尖中位Dice仅0.267和0.316，41%和24%患者低于0.1，参考表面由最不可靠标注估计；重采样压缩颅尾轴并移除大部分幕切迹倾斜，拟合阈值后代价小但曲率信息大多缺失。注意力分析提示可解释故事正确但只在两阶段之一，常规检查的读出无该效应，报告单阶段可支持任一结论。准确率低于文献95–100%应读作评估协议差异：患者级、受试者分组、两阶段折外、配对相同折并带区间。局限包括队列小且单研究、来源混杂、无独立外部测试集、GAT对线性读出+0.064的置信区间触零且不同硬件库返回[?0.028,+0.120]；自动化差距依赖未重训分割模型；机制解释部分相关；每例一次标注且无第二读者。未来需富集近边界和小病变、恢复双幕切迹第三类、独立多中心测试、多读者重复标注、将分室作为到幕切迹表面的有符号距离、重点标注小幕切迹结构并保留更细穿面分辨率。

研究结论（Conclusions）翻译：本研究考察解剖表示在儿科幕上/幕下肿瘤定位中的作用。在同一队列和同一患者级评估协议下，随着向决策提供更显式几何信息，平衡准确率提高。简单几何表示已解释大部分类别分离，表明相关信息低维，可直接从解剖计算而非从原始体素学习。自动管道主要限制在上游分割；手动与预测掩膜间性能差距主要与肿瘤空间错位相关，而非完全未能产生肿瘤预测，这确定分割准确性和空间保真为未来工作重要目标。分离注意力作用的两阶段显示，图模型对此类错误容忍背后的再路由发生在首层消息传递而非读出，后者是此类分析常规检查阶段。GAT在肿瘤位置空间位移时更稳健；然而在本样本量下，研究未提供足够证据表明当输入正确定位时其优于线性图读出。总体而言，对于该几何定义任务和该队列规模，显式表示解剖结构比要求高容量网络从体素学习相同几何更有效。