《Frontiers in Neurology》：A single model for glioblastoma segmentation with and without T2-FLAIR: independent validation of a targeted dropout strategy
编辑推荐：
目的：评估靶向T2液体衰减反转恢复（T2-FLAIR）dropout在T2-FLAIR不可用时进行鲁棒的自动胶质母细胞瘤分割和体积测量的效果，同时在全MRI协议可用时保持性能。材料与方法：在这项回顾性多数据集研究中，研究人员在排除UPenn-GBM病例（剩余n
目的：评估靶向T2液体衰减反转恢复（T2-FLAIR）dropout在T2-FLAIR不可用时进行鲁棒的自动胶质母细胞瘤分割和体积测量的效果，同时在全MRI协议可用时保持性能。材料与方法：在这项回顾性多数据集研究中，研究人员在排除UPenn-GBM病例（剩余n=848）后，基于BraTS 2021开发了3D nnU-Net模型，并在独立保留的UPenn-GBM队列（n=403）中进行了评估。模型在训练时通过将T2-FLAIR通道置零，在有或没有靶向T2-FLAIR dropout的情况下进行训练。测试使用了预设的T2-FLAIR存在和T2-FLAIR不可用场景，其中不可用场景通过在推理时将T2-FLAIR通道置零来模拟。主要终点是每患者整体区域Dice相似系数（DSC）。次要终点是区域特异性DSC、第95百分位Hausdorff距离和Bland-Altman全肿瘤体积偏差。结果：在UPenn-GBM验证队列中，全MRI协议下性能得以保持：整体中位DSC为94.8%[四分位距（IQR）90.0–97.1%]（35% dropout）和95.0%（IQR 90.3–97.1%）（无dropout）。在T2-FLAIR不可用场景下，靶向dropout将整体中位DSC从81.0%（IQR 75.1–86.4%）提升至93.4%（IQR 89.1–96.2%）。全肿瘤DSC从60.4%提升至92.6%，全肿瘤第95百分位Hausdorff距离从17.24 mm降至2.45 mm，全肿瘤体积偏差从?45.6 mL降至0.83 mL。专用三序列nnU-Net在无T2-FLAIR时达到了类似性能（整体DSC 93.8%，全肿瘤DSC 93.5%），表明这种恢复大部分反映了对减少输入设置的适应，而非专门的dropout训练。结论：在独立保留的UPenn-GBM队列中，靶向T2-FLAIR dropout保持了完整协议性能，并在T2-FLAIR不可用时保持鲁棒。由于专用三序列模型在无T2-FLAIR时匹配了这种性能，靶向dropout的价值不在于优越的缺失序列准确性，而在于提供一个单一模型，可在完整协议和T2-FLAIR不可用推理两种场景下运行。
**研究背景与问题**
胶质母细胞瘤（glioblastoma）是成人最常见的原发性恶性脑肿瘤，其治疗规划和反应评估依赖于MRI对增强和非增强成分的评估。手动勾画肿瘤分区耗时且存在阅片者间变异，因此可靠的自动肿瘤分割在临床中具有吸引力。深度学习，特别是U-Net架构和自配置模型如nnU-Net，已取得优异性能，并被越来越多地用作脑肿瘤分割的标准工具。多模态脑肿瘤分割（BraTS）挑战通过大规模、多机构的多参数MRI数据集加速了这一进展。然而，大多数高性能流程仍需要完整的四序列结构MRI协议（T1加权、增强后T1加权（T1-CE）、T2加权和T2液体衰减反转恢复（T2-FLAIR）），尽管回顾性和真实世界临床数据往往不完整、异质或部分不可用。这种部署鸿沟至关重要，因为缺失数据的可能性随所需输入序列数量的增加而增加，且先前研究表明全肿瘤分割强烈依赖于T2/FLAIR信息。因此，T2-FLAIR缺失本身值得研究，而非作为一般性缺失模态问题的一个实例。尽管RANO 2.0在许多IDH野生型胶质母细胞瘤反应评估场景中降低了非增强病变的权重，但T2/FLAIR在表征非增强异常和水肿以及抗血管生成治疗等非增强病变具有临床意义的成像场景中仍然相关。从分割角度来看，即使其他结构序列可用，T2-FLAIR缺失或非诊断性也可能扭曲全肿瘤体积测量。已有几种策略被提出以应对缺失MRI模态，包括使用生成模型合成缺失序列、异模态表示学习和序列dropout训练。其中，靶向序列dropout在临床部署中具有吸引力，因为它不需要额外的合成模型或针对每个可能输入子集的单独模型。本方法的预期用途是，在T2-FLAIR缺失或不可用的回顾性或异质性临床MRI中，进行鲁棒的分割驱动的肿瘤勾画和全肿瘤体积测量，而非替代诊断性图像解读或作为所有缺失模态场景的通用解决方案。目前尚不明确的是，靶向T2-FLAIR dropout是否能在完整四序列协议下保持分割性能，同时在独立保留测试队列中防止T2-FLAIR不可用时的临床有意义失败。因此，研究人员在排除UPenn-GBM后，基于BraTS 2021开发模型，并在保留的UPenn-GBM队列中评估所有主要研究终点。本研究的主要贡献并非新的分割架构，而是在标准3D nnU-Net框架内评估靶向T2-FLAIR dropout策略，并量化其在完整协议和T2-FLAIR不可用推理条件下对分割准确性、边界误差和全肿瘤体积一致性的影响。为区分靶向dropout与对减少输入设置的简单适应，研究人员训练了仅使用T1、T1-CE和T2的专用三序列nnU-Net。此外，TumorSynth比较作为针对更广泛鲁棒性导向分割策略的情景基准。
**研究内容与结论**
研究人员开展了回顾性多数据集研究，使用BraTS 2021训练队列（排除UPenn-GBM后，剩余n=848）开发3D nnU-Net模型，并在独立保留的UPenn-GBM队列（n=403）中进行独立验证。模型训练时采用靶向T2-FLAIR dropout（dropout率r=0.35和0.50），并与无dropout（r=0.0）的标准四序列训练对比。在测试时，每个病例在两种预设场景下评估：T2-FLAIR存在（完整四序列）和T2-FLAIR不可用（通过将T2-FLAIR通道置零模拟）。主要终点是每患者整体区域Dice相似系数（DSC），次要终点包括区域特异性DSC、第95百分位Hausdorff距离（HD95）和Bland-Altman全肿瘤体积偏差。此外，还训练了专用三序列nnU-Net（仅T1、T1-CE、T2）以区分靶向dropout与减少输入适应，并评估了TumorSynth作为鲁棒性基准。
研究得出以下结论：在完整协议下，靶向T2-FLAIR dropout（r=0.35）保持了与无dropout相当的性能（整体DSC 94.8% vs 95.0%，等价性检验p<0.001）。在T2-FLAIR不可用场景下，无dropout模型性能严重下降（整体DSC 81.0%，全肿瘤DSC 60.4%），而靶向dropout显著恢复（整体DSC 93.4%，全肿瘤DSC 92.6%），全肿瘤体积偏差从?45.6 mL降至0.83 mL。专用三序列模型在T2-FLAIR不可用时表现类似（整体DSC 93.8%），表明恢复主要来自对减少输入设置的适应而非dropout训练本身。然而，在完整协议下，专用三序列模型因无法利用T2-FLAIR而损失了FLAIR相关区域（如水肿）的分割性能（中位DSC差异?2.87个百分点）。因此，靶向T2-FLAIR dropout的价值在于提供一个单一模型，既能在完整协议下利用T2-FLAIR，又能在T2-FLAIR不可用时接近专用三序列模型的准确性，避免了多模型维护和输入条件路由的需求。该研究发表在《Frontiers in Neurology》。
**主要关键技术方法**
（不超过250字）
本研究使用3D全分辨率nnU-Net框架，开发基于BraTS 2021训练队列（排除UPenn-GBM，n=848）的模型，并在独立保留的UPenn-GBM队列（n=403）中验证。训练时采用靶向T2-FLAIR dropout：仅将T2-FLAIR通道以概率r（0.35或0.50）置零，而T1、T1-CE和T2通道从不丢弃。测试时模拟T2-FLAIR不可用场景（推理时置零T2-FLAIR通道）。主要指标为区域DSC、HD95和Bland-Altman体积偏差。为对比，训练了专用三序列nnU-Net（仅T1、T1-CE、T2）和TumorSynth（对比-分辨率无关分割器）。统计分析采用等价性检验（TOST）和Bootstrap置信区间，预设等价界值±1.5 DSC百分点。
**研究结果**
（保留每个小标题，简要说明通过什么研究得出什么结论）
**Performance with T2-FLAIR present（T2-FLAIR存在时的性能）**
在独立测试队列中，当T2-FLAIR可用时，靶向dropout（r=0.35）与无dropout相比，整体DSC为94.8% vs 95.0%，HD95为1.55 mm vs 1.61 mm，区域特异性DSC（全肿瘤、增强肿瘤、肿瘤核心）差异均小于0.05个百分点。等价性检验（TOST，Holm校正）显示所有区域端点p<0.001，表明靶向dropout保持了完整协议性能。
**Performance and whole-tumor volumetric agreement in the simulated T2-FLAIR-unavailable scenario（模拟T2-FLAIR不可用场景中的性能与全肿瘤体积一致性）**
在同一测试队列中，当模拟T2-FLAIR不可用时，无dropout模型性能显著下降：整体DSC降至81.0%，全肿瘤DSC降至60.4%，全肿瘤HD95升至17.24 mm，Bland-Altman体积偏差为?45.6 mL（系统性地低估全肿瘤体积）。靶向dropout（r=0.35）则基本防止了这种失败：整体DSC为93.4%，全肿瘤DSC为92.6%，全肿瘤HD95为2.45 mm，体积偏差为0.83 mL。增强肿瘤和肿瘤核心的DSC相对稳定（分别为93.5%和96.2% vs 无dropout的92.4%和94.4%），表明失败主要集中在水肿区域。
**Comparison with a dedicated three-sequence nnU-Net and with TumorSynth（与专用三序列nnU-Net和TumorSynth的比较）**
在T2-FLAIR不可用场景下，专用三序列nnU-Net（仅T1、T1-CE、T2）表现与靶向dropout类似：整体DSC 93.8%，全肿瘤DSC 93.5%，体积偏差0.77 mL，中位差异小于0.6个百分点。然而，在完整协议下，专用三序列模型因无法使用T2-FLAIR，其水肿区域DSC较靶向dropout模型低2.87个百分点，全肿瘤DSC低1.74个百分点。TumorSynth在两种场景下DSC均低于nnU-Net模型（整体DSC 81.9%与79.6%），且体积一致性范围更宽。
**讨论与结论**
讨论部分指出，靶向T2-FLAIR dropout在完整协议下保持性能，并在T2-FLAIR不可用时防止了标准四序列训练所观察到的显著失败。专用三序列比较显示，大部分恢复可归因于对减少输入设置的适应，而非dropout训练本身。因此，靶向dropout的实用价值在于其部署模式：它接近FLAIR不可用专用模型的性能，同时保留单一模型，在可用时也能利用T2-FLAIR。该策略避免了多模型维护和输入条件路由的需要，适用于协议完整性不可预知的异构工作流程。局限性包括：T2-FLAIR不可用条件通过置零模拟，不反映图像退化（如运动伪影、覆盖不全）；UPenn-GBM为单中心、经标准化预处理的数据集，泛化性需进一步验证；仅针对基线治疗前胶质母细胞瘤，其他缺失序列、术后图像等未评估。
**研究结论**：在独立保留的UPenn-GBM队列中，靶向T2-FLAIR dropout保持了完整协议的分割性能，并基本防止了标准四序列训练在FLAIR不可用时的失败模式。专用三序列nnU-Net在无T2-FLAIR时达到了类似性能，表明靶向dropout并非更优的FLAIR不可用专用模型；其价值在于提供一个单一模型，可在完整协议和T2-FLAIR不可用推理两种场景下运行。这些发现支持靶向序列dropout作为在T2-FLAIR可能缺失或不可用的异构临床工作流程中自动胶质母细胞瘤分析的实用鲁棒性策略。
