机器学习与深度学习技术在脑肿瘤分类与分级中的系统性综述

《IEEE Access》:A Systematic Review of Machine Learning and Deep Learning Techniques for Brain Tumor Classification, and Grading

【字体: 大 中 小 】 时间:2026年02月09日 来源:IEEE Access 4.2

编辑推荐:

  脑肿瘤属于致死率最高的癌症类型之一,其早期检测对改善患者预后至关重要。除及时识别外,准确判定肿瘤类型与级别是指导治疗策略的关键。尽管磁共振成像(MRI)是肿瘤检测与诊断的主要手段,但由于肿瘤形态(包括形状与尺寸)存在变异,脑肿瘤的精确分类仍具挑战性。近年来,人

  
脑肿瘤属于致死率最高的癌症类型之一,其早期检测对改善患者预后至关重要。除及时识别外,准确判定肿瘤类型与级别是指导治疗策略的关键。尽管磁共振成像(MRI)是肿瘤检测与诊断的主要手段,但由于肿瘤形态(包括形状与尺寸)存在变异,脑肿瘤的精确分类仍具挑战性。近年来,人工智能——尤其是支持向量机(SVM)与k近邻(KNN)等机器学习方法,以及卷积神经网络(CNN)等深度学习架构——已成为从MR图像中对脑肿瘤类型与级别进行分类的有力工具。本综述对利用这些方法进行肿瘤分类的当代研究进行了全面考察。分析基于对主要科学数据库的结构化检索,纳入了2014至2025年间符合预设纳入标准的81项研究。具体而言,综述分析了所采用的分类技术、数据集及其特征、特征提取方法,以及文献中报告的性能评估结果。已有结果显示,深度学习方法总体优于传统机器学习模型,多项研究在肿瘤类型或级别分类任务中准确率超过90%。除总结现有工作外,本综述通过联合审视肿瘤类型与多类级别分类研究提供统一视角,突出非胶质瘤级别预测等研究不足领域及常见数据集局限。通过综合既有发现,综述明确了关键研究空白并提出了未来研究方向。本综述强调的一个关键未来方向是,有必要开展更全面的多类肿瘤级别预测研究,特别是……
研究背景与动机
脑肿瘤是中枢神经系统异质性颅内新生物,按世界卫生组织(WHO)2021分类依组织-分子特征分为原发(如胶质瘤、脑膜瘤)与转移瘤,并按Ⅰ–Ⅳ级衡量生物学侵袭性。早期分型与分级直接决定手术、放疗与预后,但MRI下肿瘤形态重叠、阅片者间差异大、传统活检耗时,使分类分级困难。研究人员指出,人工智能(AI)特别是机器学习(ML)与深度学习(DL)可自动从MRI提取判别模式,替代或辅助手工特征工程,因此亟需系统梳理2014–2025年相关文献以明确方法优劣、数据偏见与未决空白。该文发表于《IEEE Access》,属纳入81篇同行评议英文研究的PRISMA式系统性综述。
主要关键技术方法
研究人员在PubMed、Scopus、Google Scholar以“brain tumor”“MRI”“ML”“DL”“classification”“grading”组合检索2015–2025年英文原创论著,按PRISMA 2020流程筛选后留81篇。图像端共性预处理含强度归一化(min-max/Z-score)、颅骨剥离、配准、高斯去噪;特征端分两派——手工放射组学(离散小波变换DWT、灰度共生矩阵GLCM、局部二值模式LBP)与深度端直接由CNN(VGG-16、ResNet、EfficientNet、Inception、DenseNet)抽取层次特征;分类端ML用SVM/KNN/随机森林(RF)/朴素贝叶斯,DL用定制CNN或迁移学习接SoftMax/SVM头;评估统一用准确率、敏感度、特异度、精确率、F1与受试者工作特征曲线下面积(AUC)。样本队列主要来自公开集:BraTS(胶质瘤为主,2023版2001例)、Figshare(3064张CE-T1加权图,脑膜瘤/胶质瘤/垂体瘤三型)、TCGA-GBM、REMBRANDT,部分用Kaggle/Msoud私有合集。
研究结果
III-A 图像预处理与特征提取技术
研究人员归纳,设备间强度偏移经归一化校正,颅骨剥离去除非脑区降噪,DWT多分辨率子带捕捉异质纹理,GLCM编码对比度与同质性,LBP抓微纹理;DL兴起后预训练CNN替代手工特征,但小数据下手工特征仍具竞争力。
III-B 性能评估指标
综述明示混淆矩阵派生公式,并指出类不平衡时准确率失真,敏感度(漏诊代价)、特异度(误诊代价)、F1与AUC为更临床友好指标。
III-C 肿瘤类型分类
III-C1 机器学习:Deepak与Ameer用CNN深特征融合接SVM/KNN多数投票获95.6%;Cheng等BoW+SVM达91.14%;Pattanaik等fine-KNN在Figshare四类(含无瘤)获91.1%与AUC 0.96;Celik与Inik的CNN-KNN混合达97.15%,EfficientNetB0-SVM达97.93%;Qureshi等UL-BTD(CNN+GLCM接SVM)在CE-MRI三类达99.23%。结论是受控私库ML可达98–99%,公库Figshare降至90–96%,集成(RF-KNN-DT)提升鲁棒性。
III-C2 深度学习:Khan分层CNN 92.13%;Ghassemi GAN鉴别器+SoftMax 93.01%;Isunuri七层CNN 97.42%;Alhassan硬Swish-ReLU CNN 98.26%;Raza DeepTumorNet(改GoogLeNet)99.67%;Samee GN-AlexNet 99.51%;Nassar五CNN多数投票99.31%;Hosny DenseNet121+InceptionV3软投票集成99.02%且接Grad-CAM;Qureshi SAlexNet-2达99.69%。结论为迁移学习+EfficientNet/ResNet/Inception系在异源大数据常驻97–99.7%,集成推过99%,浅定制CNN波动大。
III-D 肿瘤分级
III-D1 机器学习:Gupta等Na?ve Bayes分低/高级胶质瘤97.83%;Citak SVM/MLP分LGG/HGG 93%(敏96.4%);Zhang SVM三级分级准确率0.961;Gupta DWT+LBP+NB 96%;Hamerla XGBoost分脑膜瘤Ⅰ/Ⅱ–Ⅲ得AUC 0.97。结论为NB与SVM在LGG-HGG任务稳居94–97.8%,多序列或波谱特征助益明显。
III-D2 深度学习:Sajjad微调VGG-19多分级90.67%;Mzoughi 3D-CNN T1-Gado 96.49%;Tandel五CNN多数投票FLAIR上98.88%;Khazaee EfficientNetB0 98.87%;Lo迁移AlexNet分Ⅱ/Ⅲ/Ⅳ 97.9%;Banzato InceptionV3接表观扩散系数(ADC)图AUC 0.94优于T1增强;Vassantachart非对称3D双路90%;Wodzinki ResNet-18跨中心脑膜瘤仅74%。结论为3D-CNN与集成在BraTS/TCIA达96–99%,脑膜瘤因队列小(<150例)与设备异质掉点严重,扩散加权衍生 biomarker 比单纯T1ce更分得开。
讨论与结论翻译浓缩
研究人员在讨论中指出,81篇中仅少数嵌入Grad-CAM/SHAP等可解释性分析,绝大多数模型停留于概念验证:数据单中心、类不平衡(Ⅱ–Ⅲ级脑膜瘤与LGG被淹没)、仅用T1ce/T2-FLAIR单模、2D切片丢体积信息、指标爱报准确率而隐去敏感度/特异度。结论重申DL在类型分类公库上普遍压过ML,但非胶质瘤分级(如脑膜瘤ⅠvsⅡ–Ⅲ、髓母/室管膜)样本稀薄;未来须走多中心多设备、多序列融合、3D架构、成本敏感重采样与XAI四条路。综述本身意义在于把“类型分类”与“多级分级”并列审视,点出Figshare/BraTS主导导致泛化幻觉,并为临床部署框定验证门槛。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号