《Cancer Research Communications》:MRI Deep Learning for Differentiating Glioblastoma, IDH Wild-type from Central Nervous System Diffuse Large B-cell Lymphoma
Open Access
编辑推荐:
胶质母细胞瘤(Glioblastoma, GBM),IDH野生型(IDH wild-type, IDHwt)与中枢神经系统弥漫性大B细胞淋巴瘤(Central Nervous System Diffuse Large B-cell Lymphoma, CNS-
胶质母细胞瘤(Glioblastoma, GBM),IDH野生型(IDH wild-type, IDHwt)与中枢神经系统弥漫性大B细胞淋巴瘤(Central Nervous System Diffuse Large B-cell Lymphoma, CNS-DLBCL)是两类具有侵袭性的脑肿瘤,其MRI特征存在重叠,但治疗方法截然不同。目前亟需非侵入性工具以辅助鉴别诊断。研究人员利用T1对比增强(T1 postcontrast)和T2加权(T2-weighted)MRI序列进行深度学习,以区分GBM和CNS-DLBCL。研究采用了三阶段的时间序列研究设计。模型开发基于1998年至2019年间在梅奥诊所(Mayo Clinic)诊断的146例CNS-DLBCL患者和146例在年龄、性别及MRI年份上匹配的GBM患者。模型在独立的时间序列测试队列中进行了测试。初步测试包括了1998年至2019年间在梅奥诊所诊断的240例独立GBM病例。前瞻性测试队列包括了2020年1月1日之后在梅奥诊所诊断的37例CNS-DLBCL和256例GBM患者,以及在外部机构诊断的36例CNS-DLBCL患者。在梅奥诊所诊断的患者中,47%的MRI是由非梅奥医疗机构生成的。研究人员比较了两种不同的模型方法:(i)集成方法(ensemble approach),使用受试者工作特征曲线下面积(Area Under the Receiver Operating Characteristic Curve, AUC)和交叉验证进行模型选择;(ii)损失方法(loss approach),最小化交叉熵损失(cross-entropy loss)并利用交叉验证评估预测性能。在前瞻性测试队列上,集成方法和损失方法的AUC分别为0.84 [95%置信区间(Confidence Interval, CI), 0.78–0.90] 和0.83(95% CI, 0.77–0.88)。随着模型数量的增加,集成预测的稳定性有所提高。分层AUC分析表明,模型在性别和年龄组别中均表现出一致的性能。研究人员利用了一个稳健的时间序列研究设计,并应用了两种不同的分析方法来开发分类模型。研究结果证实了使用基于MRI的深度学习模型来区分GBM与CNS-DLBCL的可行性。
本研究发表于《Cancer Research Communications》,针对IDH野生型胶质母细胞瘤(Glioblastoma, IDH wild-type, GBM, IDHwt)与中枢神经系统弥漫性大B细胞淋巴瘤(Central Nervous System Diffuse Large B-cell Lymphoma, CNS-DLBCL)在常规MRI上特征重叠导致术前鉴别诊断困难、误诊可能带来严重治疗后果的临床问题,开展了一项基于多序列MRI的深度学习鉴别研究。目前,GBM通常需手术切除联合放化疗,而CNS-DLBCL对大剂量甲氨蝶呤化疗敏感且多仅需穿刺活检确诊,两者治疗策略与预后差异显著;但常规MRI(如T1增强序列中GBM的典型环形强化伴坏死与CNS-DLBCL的均匀强化)存在较多非典型表现,高级MRI(如灌注成像检测脑血容量 Cerebral Blood Volume, CBV)又受限于设备与专家资源,因此开发无创、通用的术前辅助鉴别工具具有重要临床意义。研究人员通过严谨的三阶段时间序列研究设计(模型开发、回顾性特异性测试、前瞻性外部验证),利用3D DenseNet121架构分别构建了基于交叉验证选模的集成法(ensemble approach)与基于损失函数收敛的单模型法(loss approach),并在包含梅奥诊所多时期、多中心来源MRI及外部机构爱荷华大学队列的数据集上验证,得出两种模型在前瞻性测试集上AUC分别达0.84与0.83,且具有跨性别、年龄层的稳定性能,证实基于常规双序列(T1Gd + T2)MRI的深度学习模型可用于两者的鉴别诊断,为术前精准决策提供了可行工具。
研究人员主要用到的关键技术方法包括:基于梅奥诊所1998—2025年及爱荷华大学的历史病例,筛选出符合纳入标准的GBM(IDHwt)与CNS-DLBCL患者,按年龄、性别、MRI年份匹配构建292例的开发队列,并设置240例回顾性GBM、293例前瞻性病例(含外部36例CNS-DLBCL)作为独立测试集;MRI预处理采用HD-BET进行脑提取与配准,通过FeTS平台对齐至SRI24图谱并重采样为1 mm3各向同性分辨率(240×240×155),各序列按患者级减均值除标准差归一化;采用MONAI框架的3D DenseNet121模型,输入双通道(T1Gd + T2),以交叉熵为损失函数、AdamW为优化器,加入随机翻转/平移/旋转/缩放的数据增强,分别按照5次重复5折交叉验证选模取25模型中位数集成的策略,与全队列训练至交叉熵损失连续5轮变化≤0.02的收敛策略开发模型;通过遮挡图(occlusion maps)可视化模型关注区域,采用DeLong法计算AUC与95%CI,分层评估亚组性能,并在脱髓鞘假瘤队列中测试特异性。
研究结果
引言(Introduction):研究人员指出GBM(IDHwt)与CNS-DLBCL是成人常见侵袭性原发中枢神经系统肿瘤,治疗与预后差异大,但常规MRI特征重叠,高级MRI普及受限,术前准确诊断对避免不必要的开颅手术、及时启动化疗至关重要,因此需开发基于常规MRI的无创鉴别工具。
患者选择与研究设计(Patient selection and study design):研究人员采用三阶段时间序列设计,阶段1为1998—2020年初梅奥诊所的146对匹配开发队列;阶段2为同期240例未匹配GBM回顾性特异性队列;阶段3为2020年后梅奥诊所256例GBM+37例CNS-DLBCL前瞻队列及爱荷华大学36例CNS-DLBCL外部队列;另设34例脱髓鞘假瘤队列测特异性;纳入需有术前T1Gd与T2序列、无既往神经外科操作,GBM依据2021 WHO标准定义为IDHwt IV级。
MRI预处理(MRI preprocessing):研究人员对所有MRI独立处理,用HD-BET做脑提取与配准,FeTS流程对齐至SRI24图谱,重采样为1 mm3各向同性(240×240×155),T1Gd与T2分别按患者级做均值标准差归一化。
三维深度学习模型架构(Three-dimensional deep learning model architecture):研究人员采用3D DenseNet121(MONAI v1.1.0, PyTorch v1.13.1),输入T1Gd+T2双通道,训练650轮、批次16、余弦退火学习率初始1e-3,二元交叉熵损失(CNS-DLBCL=1, GBM=0),AdamW优化,50%概率数据增强(翻转、平移、旋转、缩放),输出0—1连续预测值(接近0为GBM,接近1为CNS-DLBCL)。
模型开发(Model development):研究人员实施两种方法:集成法用5次×5折交叉验证,每折在20%验证集选最大AUC模型,共25模型,患者预测取25个得分的中位数;损失法在全开发队列训练,以连续5轮epoch交叉熵损失变化≤0.02为停止规则选单模型,再用5次×5折交叉验证评估性能;研究人员指出两者在交叉验证用途、选模标准(AUC最大vs损失最小)、预测方式(多模型集成vs单模型)三方面存在区别,损失法可避免小验证集过拟合、利用全数据分布。
遮挡图(Occlusion maps):研究人员采用基于扰动的遮挡图方法可视化影响预测的区域,遮挡导致输出变化大的区域视为对评分有贡献的区域。
统计分析(Statistical analysis):研究人员用DeLong法计算AUC与95%CI,分层计算不同年龄与性别亚组AUC,用Youden指数、>90%敏感度阈值、>90%特异度阈值定义截断值以估敏感度与特异度。
结果(Results)
人口学与MRI特征(Demographic and MRI characteristics):研究人员总结三阶段队列的人口学、MRI来源、设备厂商、场强等特征,阶段1严格匹配年龄、性别、MRI年份,各阶段均包含约35%—61%非梅奥来源MRI,设备含GE、Siemens、Philips等,场强以1.5 T为主、3 T在阶段3占比上升,说明数据具有异质性。
集成模型方法(Ensemble model approach):研究人员在阶段3前瞻性队列得到集成法AUC 0.84(95%CI 0.78–0.90);女性分层AUC 0.86(0.75–0.97),男性0.82(0.76–0.89);<65岁AUC 0.80(0.70–0.90),≥65岁AUC 0.87(0.80–0.94);随着集成模型数从5增至25,预测稳定性提升,仅5模型时AUC依赖所选折数变动较大。
损失模型方法(Loss model approach):研究人员在阶段1交叉验证估计平均AUC 0.90(95%CI 0.88–0.92),阶段3前瞻队列AUC 0.83(95%CI 0.77–0.88);女性AUC 0.87(0.78–0.96),男性0.80(0.73–0.88);<65岁AUC 0.81(0.72–0.90),≥65岁AUC 0.83(0.75–0.91);Youden指数最优截断0.724对应敏感度78%、特异度76%;>90%敏感度阈值0.081对应特异度47%,>90%特异度阈值0.986对应敏感度52%;34例脱髓鞘假瘤预测得分均值0.50、中位数0.54,呈随机分布;遮挡图显示正确预测时注意力集中于病灶侧,错误预测时常集中于非肿瘤区。
讨论(Discussion):研究人员表示两种分析方法得到的MRI深度学习模型AUC(0.84与0.83)相近,验证了双序列MRI鉴别两者的可行性;既往相关研究多样本小、无独立测试集导致AUC可能被高估,本研究通过三阶段时间验证、多中心MRI来源提升了泛化性;目前模型仅针对GBM与CNS-DLBCL二分类,临床还需考虑脑转移、脱髓鞘病等鉴别诊断,未来需扩展至多分类或配对模型,并处理分布外病例;集成法用交叉验证选模易在小验证集过拟合,增加集成模型数可提升稳定性;损失法用全队列训练、以损失收敛选模并用交叉验证估性能,可减少小验证集过拟合、避免独立测试集多次使用;AUC最大化与交叉熵损失最小化的选模标准不同,损失函数更惩罚偏离真值的预测、利于校准;本研究开发队列292例相对小,超参数未调优而为先验设定,但时间跨度覆盖诊断标准变化仍能在当代队列验证;MRI来源多中心(约36%—48%非梅奥)提升了通用性;研究局限包括开发样本量较小、超参数未系统优化、未涵盖所有鉴别场景;结论为基于常规双序列MRI的3D深度学习模型可无创鉴别GBM(IDHwt)与CNS-DLBCL,需进一步确定临床截断值、验证在类固醇使用/非典型表现/其他脑病变中的泛化性,可作为多学科鉴别诊断的工具之一。