摘要
胶质瘤占原发性脑肿瘤的大多数，通过MRI进行准确诊断对于患者管理至关重要。现有的计算机辅助诊断方法通常依赖于肿瘤分割框架。在这项研究中，提出了一种不依赖于肿瘤分割的体积分级方法，用于区分低级别胶质瘤（LGG）和高级别胶质瘤（HGG），该方法使用基于任务导向的神经架构搜索（NAS）设计的卷积神经网络（CNN）来实现。该模型在包含1194名患者的多中心数据集上进行了评估，这些患者的术前MRI扫描数据来自四个公开可用的队列，包括T1-CE和FLAIR序列。NAS在受控的搜索空间内进行，以优化基于3D U-Net的模型框架，并结合了树结构Parzen估计器（TPE）和Hyperband剪枝技术。优化的模型框架通过添加残差连接和Squeeze-and-Excitation（SE）注意力机制来提升特征表示能力和训练稳定性。内部验证采用了在所有四个多中心数据集上重复的5折交叉验证。外部实验使用REMBRANDT作为测试队列（49例LGG，19例HGG）。该模型实现了88.25%的内部准确率和75.51%的外部准确率（宏观F1值：内部87.37%，外部73.77%），优于现有的3D CNN模型。基于Grad-CAM的可解释人工智能（XAI）分析显示，在没有分割监督的情况下，该模型能够准确定位肿瘤，并且其准确性得到了可用真实标签的验证。进一步的实验表明，该模型具有很好的泛化能力，IDH突变预测的准确率为89.51%，多级别分类的准确率为78.74%。
