《Machine Learning and Knowledge Extraction》：Model Checking-Based Radiomics for Diagnosis and Prognosis of Oral Cavity Tumors: A Two-Tier Approach
编辑推荐：
背景：口腔肿瘤常因早期症状非特异性和影像敏感性限制而在晚期才被诊断。该研究提出一种结合影像组学（Radiomics）和模型检测（Model Checking）的新方法，以改善诊断和预后。方法：研究人员分析了一个回顾性数据集，包含18名患者（12名口腔鳞状细胞癌
背景：口腔肿瘤常因早期症状非特异性和影像敏感性限制而在晚期才被诊断。该研究提出一种结合影像组学（Radiomics）和模型检测（Model Checking）的新方法，以改善诊断和预后。方法：研究人员分析了一个回顾性数据集，包含18名患者（12名口腔鳞状细胞癌（OSCC）患者和6名健康对照），均接受了对比增强磁共振成像（contrast-enhanced MRI）。提取并选择了影像组学特征，然后将其编码为形式化模型（formal models）。应用了两层级模型检测（two-tier Model Checking）方法：（i）健康与病理患者的分类，以及（ii）治疗反应的预测。结果：所提方法取得了93%的诊断准确率和75%的预后准确率。该方法即使在有限数据集上也展现出稳健性，在小样本场景中优于传统数据驱动方法。结论：将影像组学与模型检测相结合，为口腔肿瘤的早期检测和预后提供了一种可解释且有效的工具。该方法可作为临床医生的决策辅助手段，尤其在数据匮乏的场景中。
**论文解读：基于模型检测的影像组学在口腔肿瘤诊断与预后中的双层方法**
**研究背景、问题与目的**
口腔肿瘤是全球性的重大健康问题，最常表现为口腔鳞状细胞癌（OSCC）。由于早期症状非特异性（如小溃疡或颜色改变）和影像学敏感性的限制，患者常在晚期才被确诊，导致治疗难度增加和生存率下降。准确预测预后对优化治疗策略至关重要，但肿瘤位置和范围的多样性使得治疗反应预测极具挑战。传统机器学习（ML）和深度学习（DL）方法在小型数据集上易出现参数估计不稳定和过拟合问题。为克服这些限制，研究人员提出将影像组学（Radiomics）与模型检测（Model Checking）相结合，旨在实现早期自动诊断和预后预测，并提供一个无需训练阶段、可解释的决策支持工具。论文发表在《Machine Learning and Knowledge Extraction》。
**主要关键技术方法**
研究人员采用以下关键技术：（1）特征选择：基于健康与病理患者（诊断层）以及治疗反应阳性与阴性患者（预后层）的特征分布曲线，通过人机协作自动筛选最具区分性的影像组学特征；（2）离散化：将每个选定特征的值划分为三个等距水平（低、中、高），用于构建患者特定的形式化模型；（3）形式化建模：将每次MRI检查的每一层切片编码为有限状态转移系统中的一个状态，切片之间的有序进展定义为转移；（4）性质规范：使用μ-演算（μ-calculus）逻辑公式表达诊断或预后模式；（5）模型验证：通过模型检验器自动验证每个患者模型是否满足相应的μ-演算公式，满足则判定为存在目标模式。样本队列来源于坎帕尼亚大学放射科（2020–2023年），共18名患者（12例OSCC，6例健康对照）。
**研究结果**
*诊断分类*
在第一层（诊断），研究人员尝试识别区分健康与OSCC患者的μ-演算公式。特征选择后，排除NGTDM和SHAPE类特征。通过比较各特征类别的最高准确率，发现FIRST阶、GLDM和GLSZM特征均达到93%的准确率。GLCM特征虽然准确率较低（67%），但实现了100%的精确率和特异性（无假阳性）。研究人员强调，在临床应用中应优先避免假阳性，以免向健康患者传递错误警报，因此GLCM模型更受推荐。混淆矩阵显示，GLCM模型有3例假阴性但无假阳性。
*预后分类*
在第二层（预后），研究人员首先尝试使用诊断公式直接预测治疗反应，但结果不够特异（最佳准确率67%）。因此，针对12名OSCC患者（8例治疗反应阳性，4例治疗反应阴性）重新进行特征选择并制定新的预后公式。新的公式从FIRST、GLCM、GLDM、GLRLM、GLSZM和NGTDM类特征中选优。结果显示，GLCM、GLRLM和GLSZM三类特征均达到75%的准确率。其中GLSZM模型表现最均衡：准确率75%，召回率75%，特异性75%，仅出现1例假阳性。研究人员指出，由于数据集较小，该预后准确率应视为初步结果。
**讨论与结论总结**
讨论部分指出，口腔肿瘤诊断延迟常见，患者自身和医疗因素均可导致延误。多学科协作对准确诊断至关重要。与传统ML/DL方法相比，该研究提出的形式化方法具有以下优势：无需训练阶段，避免过拟合；显式的逻辑规则可被临床专家审查和讨论，增强可解释性；适用于小样本场景，尤其适合罕见疾病。但该方法并非完全自动化，需领域专家参与定义μ-演算公式。局限性包括：队列仅含18名受试者（来自单一意大利机构），选定的特征和性质可能受本地采集协议和人群特征影响，结果应视为初步可行性研究。结论部分翻译如下：影像组学可提供口腔肿瘤病变的定量信息，结合形式化方法后能增强诊断准确性并实现早期异常检测。该整合方法在有限样本量下仍能获得可靠结果，诊断和预后准确率分别为93%和75%。然而，预后准确率尚不足以支持最终临床结论，需更大规模、多中心和独立队列验证其可重复性和通用性。当前结果表明，MRI影像组学与形式化方法的结合为小样本场景提供了可解释、无训练的方法框架，值得进一步研究。
