《Biomedical Signal Processing and Control》：NeuroLIME-EnsemNetX: An explainable deep ensemble intelligence for accurate brain tumor diagnosis and risk-level clinical recommendation
编辑推荐：
提升脑肿瘤诊断效率与可解释性的六阶段深度集成系统，结合数据增强、多CNN模型融合、XGBoost-SVM分类及LIME可视化解释，实现96.13%准确率和临床分诊建议。
Akella S Narasimha Raju、Ranjith Kumar Gatla、Pattabhirama Mohan Patnala、J Ganesh Prasad Reddy、Addagatla Prashanth
印度泰米尔纳德邦金奈Kattankulathur的SRM科学技术学院工程与技术学院计算系，计算技术专业，邮编603203
摘要
确保脑肿瘤患者得到适当的分类和快速诊断对于提高他们的生存机会和减少发病率至关重要。本文介绍了NeuroLIME-EnsemNetX，这是一个六阶段的深度集成系统，旨在通过MRI扫描对四种脑癌（胶质瘤、脑膜瘤、垂体瘤和无肿瘤）进行分类。通过使用基于CLAHE的对比度增强和标准化以及全面的数据增强（旋转、缩放等操作），该数据集从最初的5722张图像扩展并平衡到了10,000个样本。第一阶段结合了深度特征和手动设计的灰度共生矩阵（GLCM）描述符；第二阶段应用了三个集成CNN模型（RDV-25、REV-25、IDM-25），其中RDV-25（ResNet50 + DenseNet201 + VGG16）实现了最高的单个模型准确率（94%）。第三阶段将RDV-25提取的特征通过梯度提升（XGBoost）和多类SVM处理，获得了96.13%的准确率、94.12%的精确度、93.88%的召回率、94.0%的F1分数和98.7%的AUC。t-SNE可视化技术用于验证各阶段特征的可分性。第五阶段应用的基于LIME的可解释性方法生成了具有0.87平均IoU和0.91 Dice系数的临床相关热图。最后，第六阶段采用了一个基于规则的临床推荐系统，将患者分为五个紧急程度等级：紧急（需要立即住院）、高（1-3天）、中等（1周内）、轻微（非紧急，每两周随访一次）和低（每年常规筛查或重新扫描）。
引言
人类大脑是一个复杂而高度精密的器官，负责调节几乎所有的生理功能，包括运动协调、认知处理和语言能力，以及心率、呼吸等重要的自主功能[1]。鉴于大脑在维持体内平衡和促进意识方面的重要作用，任何结构或功能异常都可能导致严重的神经和生理障碍[2]。脑肿瘤是一组严重且危及生命的疾病，其特征是脑组织中细胞的不可控增殖[3]。根据位置、增殖速度和恶性潜能，脑肿瘤可以分为多种类型，如胶质瘤、脑膜瘤和垂体瘤[3]。胶质瘤通常具有恶性特征，并会侵入正常脑组织，使得治疗和预后极为复杂[4]。虽然脑膜瘤和垂体瘤多为良性病变，但它们仍会对周围神经结构造成危险压迫，导致精神衰退、内分泌失调和视力障碍等症状[5]。这些肿瘤的不可预测生长和严重性凸显了早期精准检测的紧迫性，这也是减少不可逆损害和提高生存率的最有效方法[6]。开发像NeuroLIME-EnsemNetX这样的强大、可解释且自动化的诊断框架，是出于临床需求的迫切性和全球脑肿瘤发病率的上升[6]。该框架旨在加速脑肿瘤的分类，并为临床决策提供风险等级建议。
根据GLOBOCAN和WHO的估计，脑肿瘤已成为一个全球性的公共卫生问题，每年新增中枢神经系统（CNS）肿瘤病例超过347,000例，相关死亡人数超过246,000例[7][8]。其中最恶性且最具侵袭性的脑肿瘤类型是胶质母细胞瘤，约占所有脑肿瘤病例的81%[9]。尽管经过治疗，胶质瘤患者的生存率通常低于15个月[9]。脑肿瘤的成因多种多样，包括接触电离辐射、遗传综合征（如神经纤维瘤病和Li-Fraumeni综合征）以及长期暴露于工业污染物和农药等环境因素[10]。据估计，印度每年每10万人中有5-10人患病，新增病例约为28,000至50,000例[11]。由于全国各地区报告模式的不均匀性，这一数字可能被高估[11]。印度医疗资源严重不足，人口超过14亿，而注册的神经科医生和神经外科医生仅有约2,000名，这意味着每70万人中仅有1名专业医生。在农村和半城市地区，由于物流和资源限制，患者可能面临严重的就诊和治疗延误。因此，迫切需要一种可扩展、精确且适用于资源匮乏环境的诊断解决方案，以帮助改善临床决策[12]。NeuroLIME-EnsemNetX正是基于这一需求开发的深度集成智能系统，旨在通过提供风险等级的临床建议来填补诊断方面的空白，从而优化患者的分流和处理[12]。
早期诊断脑肿瘤的及时干预至关重要，因为它可以显著改善治疗效果，减少神经损伤并延长患者生存期[13]。脑肿瘤检测的金标准是磁共振成像（MRI），它能提供出色的软组织细节和专门的成像模式（如MR光谱、灌注MRI和血管造影），有助于表征肿瘤的代谢和血管特征[14]。我们利用这些信息来区分不同亚型（如胶质瘤与脑膜瘤）并制定手术计划。计算机断层扫描（CT）在紧急情况下常用，可通过识别出血和钙化以及评估肿瘤对周围组织的影响来提供补充的解剖学信息[15]。先进的分子成像技术（常与CT或MRI结合使用）如正电子发射断层扫描（PET）可以提供必要的代谢和功能信息，用于区分肿瘤类型、识别复发情况并制定个性化治疗方案[16]。尽管这些技术在全球范围内已实现早期和非侵入性检测，但其普及程度仍不均衡。印度的核医学设施正在发展中，目前有442个中心配备了359台PET-CT扫描仪（以及3台PET-MRI联合设备），但每百万人中的PET-CT设备数量远低于发达国家，导致诊断延迟[17]。尽管有近62个区域癌症中心配备了MRI、CT和PET设施，但农村地区的筛查能力仍低于预期水平[17]。一个优化良好的诊断流程可以准确识别肿瘤的类型、级别和位置，同时减少侵入性操作。我们的系统NeuroLIME-EnsemNetX正是基于这一理念设计的，旨在通过提供风险等级的临床建议来改进患者的分流和治疗[18]。
人工智能（AI）、机器学习（ML）、深度学习（DL）和计算机视觉在医学图像分析中的集成极大地改变了脑肿瘤的诊断流程[19]。传统诊断方法虽然高效，但可能耗时、主观性强且存在观察者间差异。借助深度学习和卷积神经网络（CNN），AI驱动的系统能够自动从数千张MRI切片中提取复杂的空间信息[20]。这些模型能够进行多类分类、病变分割和肿瘤分级，为放射科医生的临床决策提供有力支持[21]。此外，支持向量机（SVM）和XGBoost等提升算法也增强了预测能力[22]。基于这些技术的计算机辅助诊断（CADx）系统可以帮助早期发现肿瘤，通过划定肿瘤区域、估计肿瘤体积、预测肿瘤类型（如胶质瘤、脑膜瘤和垂体瘤）并评估恶性风险[23]。我们提出的NeuroLIME-EnsemNetX结合了智能临床建议、可解释的集成建模和混合深度特征提取，是一个下一代CADx系统的典范。该系统首先进行高级预处理，然后使用RDV-25、REV-25、IDM-25等CNN架构将深度学习特征与传统的纹理描述相结合，捕捉形状和结构特征，并通过XGBoost进行微调，最后使用强大的多类SVM进行分类，从而实现高诊断准确率。为了确保临床信任和可解释性，NeuroLIME-EnsemNetX采用了局部可解释模型不可知解释（LIME）生成可探索的超像素热图，突出显示每个预测中最具影响力的像素。此外，系统还使用t-SNE可视化技术展示特征转换层面上的肿瘤类别可分性。最后一步根据风险等级为患者案例提供“严重”、“中等”或“常规”级别的建议，帮助临床医生进行优先级排序和分流[18]。
文献综述
近年来（2020-2025年），随着端到端深度卷积模型、特征融合技术和可解释性的出现，利用AI进行脑癌分类的研究受到了广泛关注[20]。主要贡献包括使用EfficientNet进行迁移学习，结合CNN和ML方法以及XGBoost和SVM等分类器，以及开发易于理解的模型[21]
方法论
NeuroLIME-EnsemNetX是一个多阶段的深度集成系统，被设计为计算机辅助诊断（CADx）系统。该系统专门用于根据MRI数据提供准确的脑肿瘤分类和临床建议。系统首先收集包含四种类别的脑部MRI数据集：胶质瘤、脑膜瘤、垂体瘤和无肿瘤病例（如图1所示）。为了确保数据的安全存储和可扩展性，并实现高效的模型训练和评估
结果
我们采用了六阶段测试流程来评估NeuroLIME-EnsemNetX系统从整合各种特征到生成实际临床建议的效率。为了确保诊断应用的准确性、正确性、清晰度和实用性，每个步骤都进行了单独和综合评估。可解释性步骤（LIME和t-SNE）从视觉效果的清晰度、对特定位置的针对性以及它们之间的关联程度等方面进行了评估
讨论
本研究提出了一种临床相关、可解释且稳定的深度集成模型NeuroLIME-EnsemNetX，用于从MRI图像中进行脑肿瘤分类和分流建议。该多阶段方法结合了集成CNN的优势、混合特征整合（CNN + GLCM）、自编码器降维以及基于XGBoost和多类SVM的高级集成建模
框架的实际应用
NeuroLIME-EnsemNetX的长期目标是提供一个临床可解释且可操作的决策支持系统，能够无缝集成到实际医院工作中。该系统将应用于神经肿瘤学和放射学中心，处理常规MRI检查，并输出风险分层的紧急等级（紧急、高、中等、轻微、低），从而优化患者的分流
结论
本研究提出了NeuroLIME-EnsemNetX，这是一种新的、易于理解的深度集成架构，用于脑癌诊断。该架构不仅实现了临床准确性，还具有可解释性。六步流程结合了CNN和GLCM特征、自编码器数据压缩、CNN组的使用、XGBoost的结果增强以及多类SVM的分类和LIME的解释，展现出在所有主要诊断指标上的优异性能
未来工作
未来我们将进一步发展该框架，结合PET-CT和组织病理学图像等多模态输入，以提高分类效果。我们还计划将SHAP可解释性与LIME结合，以增强模型理解能力。该推荐系统可以发展为实时可穿戴或移动系统，提高可访问性和早期筛查能力。此外，我们还将进一步优化模型，以分析更细粒度的肿瘤类型并进行长期癌症监测
CRediT作者贡献声明
Akella S Narasimha Raju：方法论、研究、数据整理、概念化。
Ranjith Kumar Gatla：项目管理、方法论、研究。
Pattabhirama Mohan Patnala：写作——审稿与编辑、监督、软件开发。
J Ganesh Prasad Reddy：软件开发、资源管理、方法论。
Addagatla Prashanth：初稿撰写、可视化、验证。
利益冲突声明
作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。
