《Cancers》：Pixel-Wise Prediction of Glioblastoma Recurrence Using Mid-Treatment MRI and Deep Learning
编辑推荐：
引言：胶质母细胞瘤（GBM）常在原总肿瘤体积（GTV）附近复发，提示在影像学可见进展之前可能存在治疗抵抗亚区。本研究探讨基于表观扩散系数（ADC）图的深度学习能否生成GTV内治疗抵抗区域的像素级概率图。方法：训练/验证集包括64例内部患者在放疗第10次分割（F
引言：胶质母细胞瘤（GBM）常在原总肿瘤体积（GTV）附近复发，提示在影像学可见进展之前可能存在治疗抵抗亚区。本研究探讨基于表观扩散系数（ADC）图的深度学习能否生成GTV内治疗抵抗区域的像素级概率图。方法：训练/验证集包括64例内部患者在放疗第10次分割（Fx10）后的图像，以及40例外部队列治疗前图像作为辅助跨域训练队列；留出测试集包括16例内部Fx10患者。抵抗区域定义为放疗第10次分割扫描所获取GTV与完成治疗后后续复发之间的重叠。模型在二维GTV裁剪切片上训练，并采用患者级分离以防止数据泄漏。比较单模态与多模态MRI输入，随后评估基于ADC的模型（包括基线UNet、预训练ResNet34、BiomedCLIP辅助UNet及BLIP图文UNet）。采用常规指标评估性能，包括受试者工作特征曲线下面积（ROC-AUC）、精确率-召回率曲线下面积（PR-AUC）、F1-score、召回率（recall）、特异性（specificity）及精确率（precision）。结果：ADC是最具信息量的单模态，ROC-AUC和PR-AUC分别达到69%和80%。在基于ADC的架构比较中，没有模型在所有指标上持续优越。基线UNet获得最高准确率、F1-score和召回率，而预训练ResNet34和BLIP辅助模型的ROC-AUC略高于基线UNet（均为70%）。误差分析显示，对于小或稀疏抵抗区域，性能显著下降，假阴性错误富集于抵抗区域和GTV边界附近。结论：基于ADC的深度学习在GTV内治疗抵抗性GBM区域的像素级空间映射方面显示可行性。从头训练的UNet提供最强的敏感度/F1权衡，而预训练和视觉语言模型（VLM）辅助模型仅提供指标特异性获益。模型比较显示，BiomedCLIP辅助和BLIP图文UNet模型未明显改善相对基线UNet的精细空间分割性能。
研究背景：GBM是成人最常见的恶性原发性脑肿瘤，尽管采用手术、放疗及替莫唑胺等综合治疗，生存仍较差。GBM具有瘤内异质性，治疗反应不仅跨患者不同，也跨同一肿瘤不同区域不同；部分亚区抵抗治疗并最终导致进展或复发。因此，早期识别抵抗区域具有临床重要性，可支持及时治疗调整、更个性化管理，并为未来生物引导剂量绘画和空间复发风险图提供依据。扩散加权成像（DWI）来源的ADC反映组织微结构和细胞密度，治疗中ADC变化可能区分GTV内后来复发与未复发区域。然而，利用治疗中MRI在GTV内进行抵抗与敏感组织的像素级区分研究有限；该任务需在已有异常肿瘤体积内识别细微瘤内差异，同时面对标签不确定、强类别不平衡和临床数据集较小等挑战。研究人员因此探讨深度学习能否生成GTV内抵抗区域空间概率图，比较ADC与其他MRI输入，评估基线UNet、预训练及VLM辅助架构，并分析抵抗区域负荷和边界相关误差。研究纳入内部64例Fx10患者及40例RHUH-GBM外部治疗前患者作辅助跨域训练，16例内部Fx10患者为固定留出测试集；抵抗标签定义为Fx10时GTV与完成治疗后复发区域的重叠，其余GTV为敏感。结果显示ADC为最具信息量的单模态，基于ADC的深度学习在GTV内像素级抵抗映射上具有可行性；从头训练UNet具有较强敏感度/F1权衡，预训练和VLM辅助模型仅呈指标特异性获益；小或稀疏抵抗区域及边界附近假阴性是主要限制。其意义在于为未来自动化复发风险映射和生物引导治疗适应提供初步可行性证据，但尚非临床就绪。
关键技术方法概述：数据来源为Sunnybrook Health Sciences Center的80例GBM内部队列及TCIA的RHUH-GBM 40例外部队列；内部64例Fx10用于训练/验证、16例Fx10留出测试，外部40例治疗前影像仅作辅助跨域训练。采用ADC、FLAIR和T1W+对比增强MRI，经强度标准化、1 mm各向同性重采样、脑掩膜、GTV裁剪、CLAHE和256×256调整；以2D UNet为基线，比较三通道多模态、预训练ResNet34、BiomedCLIP瓶颈融合及BLIP图文瓶颈融合。患者级5折交叉验证，Adam优化，联合二元交叉熵、focal、soft Dice及L1/L2损失，类别权重和几何增强；以ROC-AUC、PR-AUC、F1等评估，bootstrap 95%置信区间，并按抵抗区域大小和边界距离分析误差。
研究结果：
3.1 参与者特征：通过比较104例训练队列与16例留出测试队列的人口学和临床特征，发现年龄、性别、切除状态及辅助TMZ使用无显著差异，但扫描磁场类型分布有显著差异，测试队列3T比例更高；总体生存呈边缘差异，测试队列较长。测试集仅3例部分复发，提示像素级指标可能受复发模式分布影响，需谨慎解释。
3.2 最佳输入模态选择：通过在固定内部测试集上比较不同MRI输入及是否加入外部辅助训练，发现ADC单模态在两种训练方式下均表现最高；扩展训练后ADC模型平衡准确率63±6%、ROC-AUC 69±8%、PR-AUC 80±14%、F1-score 72±10%，但特异性由59%降至54%。T1W和FLAIR模型总体相近但特异性较低，联合T1W+FLAIR+ADC未明显改善分割性能。结论为ADC是最具信息量的单模态，加入其他序列未清晰提升性能。
3.3 模型性能：通过比较基于ADC的不同架构，扩展训练下基线UNet获得最高准确率65±7%、F1-score 72±10%和召回率71±10%；预训练ResNet34与BLIP图文UNet的ROC-AUC略高，分别为70±9%和70±8%，基线UNet为69±8%；医学VLM辅助UNet获得最高平衡准确率65±6%、特异性74±10%和精确率78±13%，但召回率和F1-score较低。患者级3D Dice变异较大，且未观察到稳健的架构间AUC差异。结论为各架构呈指标特异性权衡，无一致最优模型。
3.4 误差分析：通过按真实抵抗区域大小分层切片级Dice、按含抵抗像素切片数分层患者级Dice，并分析假阳性/假阴性像素与抵抗区域及GTV边界距离，发现大抵抗区域Dice较高，中等、小和极小区域明显下降；仅0–1个阳性切片的患者Dice接近零，阳性切片较多者较高但变异大。假阴性错误更富集于抵抗区域和GTV边界附近，假阳性错误边界定位不强。结论为低抵抗负荷和边界不确定性是主要挑战。
讨论部分总结：本研究主要发现ADC是GTV内像素级区分抵抗与敏感组织最具信息量的模态，这与扩散MRI反映微结构和细胞密度的生物学作用一致，也符合同队列中Fx10早期ADC反应差异已可检测的结果；ADC联合T1W和FLAIR未清晰改善性能，可能与样本量、输入复杂度及非ADC序列信息关联较弱有关。架构比较显示不同修改改善不同指标，无模型在所有指标持续优越，患者级聚类校正后小AUC差异不稳健；基线UNet模型较小且召回率和F1-score较强，预训练ResNet34和BLIP辅助模型ROC-AUC略高但未一致转化为敏感度、特异性或精确率改善，且可训练参数更多；医学VLM辅助模型特异性和精确率较高但敏感度下降，Brier评分提示原始概率输出校准有限，概率图应解释为相对空间风险图。外部RHUH-GBM数据作为辅助跨域训练提高了固定内部测试集部分指标，但其治疗时点、扫描仪和采集协议不同，不能视为生物等效数据，应作跨域训练解释。误差分析表明低抵抗负荷和边界相关不确定性显著影响性能；贡献在于聚焦GTV内像素级抵抗映射而非全肿瘤分割或患者级分类，并系统比较输入、架构和误差。局限包括样本量小、测试集小且仅3例部分复发、外部队列异质、2D切片未显式捕捉层间连续性、复发配准和GTV勾画标签不确定性、VLM评估有限、仅建模原GTV内抵抗而未涵盖GTV外复发。
结论部分翻译：总体而言，这些发现支持ADC作为未来GBM自动化复发风险映射的有前景候选。鉴于数据集规模有限、类别不平衡且缺乏独立外部验证，本研究结果应解释为初步可行性证据。该工作为进一步研究基于ADC的深度学习作为空间表征高危肿瘤亚区工具提供了有意义的起点。由于ADC广泛可用并已纳入许多脑肿瘤MRI方案，本研究结果可推动标准化ADC成像流程用于复发风险映射的进一步发展。随着更大规模多机构数据集、改进的空间建模和不确定性感知验证，基于ADC的抵抗图最终可能支持关于生物引导治疗适应、剂量绘画策略及高危肿瘤区域更密切影像随访的研究。然而，在考虑将该方法用于治疗适应或剂量绘画之前，可靠检测小和稀疏抵抗区域仍是必要条件。
