《Frontiers in Oncology》：Externally validated explainable 3D CNN ensemble model for non-invasive prediction of IDH and MGMT status in gliomas
编辑推荐：
摘要
目的：开发并外部验证一个可解释的3D卷积神经网络(CNN)集成模型，利用常规MRI无创预测胶质瘤的IDH突变和MGMT启动子甲基化状态。
方法：研究人员从UCSF-PDGM和UPENN-GBM队列中筛选多机构MRI数据用于训练和测试，并在MU-Gliom
摘要
目的：开发并外部验证一个可解释的3D卷积神经网络(CNN)集成模型，利用常规MRI无创预测胶质瘤的IDH突变和MGMT启动子甲基化状态。
方法：研究人员从UCSF-PDGM和UPENN-GBM队列中筛选多机构MRI数据用于训练和测试，并在MU-Glioma-Post数据集上进行独立外部验证。研究人员分别训练了用于IDH和MGMT分类的独立3D CNN，并将这些模型组合成一个集成元分类器。模型可解释性通过Integrated Gradients显著性图进行体素级归因评估，并通过Shapley值进行模态级贡献评估。
结果：在IDH突变分类中，集成模型在测试集上达到0.94的AUC(95% CI， 0.84–1.00)，在外部验证中达到0.77的AUC(95% CI， 0.71–0.82)。对于MGMT启动子甲基化，集成模型在验证集、测试集和外部验证中的AUC分别为0.81(95% CI， 0.64–0.94)、0.68(95% CI， 0.47–0.88)和0.57(95% CI， 0.52–0.63)。Integrated Gradients(IG)图突出了具有生物学合理性的区域，IDH预测聚焦于瘤周FLAIR高信号，而MGMT预测强调T1CE上的强化肿瘤核心。Shapley分析显示，FLAIR对IDH分类的贡献为64%，T1CE为36%；而MGMT分类更依赖于T1CE(60.6%)，并辅以FLAIR的补充输入(30.8%)。
讨论：研究人员提出了一种可解释的3D集成深度学习框架，能够利用常规MRI以中等的外部泛化能力预测IDH突变状态。虽然同一框架在MGMT甲基化状态的内部性能上表现强劲，但该性能未能在外部验证中泛化，这强调了仅凭影像预测MGMT仍是一个未解决的挑战，需要进一步的方法学发展。
基于可解释3D CNN集成模型的胶质瘤IDH与MGMT状态无创预测研究解读
一、研究背景与问题提出
胶质瘤是最常见的原发性中枢神经系统肿瘤，起源于星形胶质细胞和少突胶质细胞等胶质细胞。根据CBTRUS统计，2017至2021年间，中枢神经系统原发肿瘤的发病率为每10万人25例，其中胶质瘤约占23%。胶质细胞中遗传和分子改变的积累导致其肿瘤转化并浸润脑组织，形成特征性的组织学表现。世界卫生组织(WHO)第五版分类强调胶质瘤亚型中的分子检测，其中IDH突变状态是弥漫性胶质瘤分组的关键指标。IDH突变和MGMT启动子甲基化评估在肿瘤进展中具有重要的预后和预测价值。MGMT编码O6-甲基鸟嘌呤-DNA甲基转移酶，该酶通过移除鸟嘌呤O6位点的细胞毒性烷基加合物来抵消烷化剂化疗的效果；而MGMT启动子的表观遗传沉默会降低该修复酶的表达，从而削弱肿瘤逆转烷化诱导DNA损伤的能力，使细胞对替莫唑胺等药物敏感。尽管分子生物标志物具有重要临床意义，但其检测通常需要侵入性组织取样，在某些临床场景中受到限制。肿瘤异质性使诊断过程复杂化，瘤内区域在分子和遗传特征上表现出显著差异。这些挑战凸显了基于无创神经影像方法预测术前胶质瘤分子谱的迫切需求。
深度学习(DL)技术已在这一领域得到应用，能够从原始数据中自动学习分层非线性特征表示。然而，大多数采用2D CNN或较小架构的研究无法充分捕捉肿瘤环境的复杂空间理解，这一局限性促使研究者采用3D CNN模型来预测肿瘤分子特征。本研究正是在此背景下，引入一种能够同时预测胶质瘤IDH突变和MGMT甲基化状态的3D深度学习模型。
二、研究设计与技术方法
研究人员利用UCSF-PDGM和UPENN-GBM队列的术前MRI数据用于训练、验证和测试，并在MU-Glioma-Post数据集上进行独立外部验证。MU-Glioma-Post完全由术后治疗后的MRI组成，因此外部验证是在有意的治疗相关域偏移下进行的，而非作为术前复制队列。数据预处理包括四个步骤：围绕肿瘤分割掩膜进行体积裁剪、通道配置（MGMT包含分割、T1CE和FLAIR三个输入通道，而IDH仅包含T1CE和FLAIR）、基于百分位数的归一化以及训练增强。两个任务中T1CE和FLAIR均乘以分割掩膜以去除非肿瘤组织。
MGMT分类部分采用3D CNN进行二分类，使用TensorFlow Keras实现，包括Conv3D和MaxPooling3D层组成的卷积特征提取器，后接GlobalAveragePooling3D或Flatten层，最终连接到全连接层和Sigmoid激活函数。使用Optuna进行超参数优化，经过500次试验后选取四个高验证AUC的模型，基于XGBClassifier构建集成元分类器。IDH分类部分采用包含组归一化、ReLU激活、SpatialDropout3D和L2核正则化的卷积块结构，同样经Optuna优化后，选取13个高验证AUC架构构建加权集成元分类器。可解释性分析使用Integrated Gradients生成体素级重要性热图，并通过精确Shapley值计算各MRI模态的贡献百分比。
三、研究结果
MGMT启动子甲基化分类方面，集成元分类器的验证AUC为0.81(95% CI， 0.64–0.94)，测试AUC为0.68(95% CI， 0.47–0.88)，外部验证AUC为0.57(95% CI， 0.52–0.63)。集成模型未明显优于最佳个体模型，外部AUC下降被归因于域偏移、人群和标签偏移。IG分析显示高强度归因集中在肿瘤区域内，特别是T1CE上的强化核心和FLAIR上肿瘤-瘤周高信号界面。未甲基化胶质瘤通常更具侵袭性，常表现为更大的瘤周水肿和异质性强化，这一趋势在IG图中有所反映。Shapley分析表明分割通道贡献最小(8.6%)，T1CE(60.6%)和FLAIR(30.8%)占主导预测权重，说明模型最依赖T1CE，FLAIR提供补充信息。
IDH突变分类方面，集成元分类器的验证AUC为0.94(95% CI， 0.81–1.00)，测试AUC为0.94(95% CI， 0.84–1.00)，外部验证AUC为0.77(95% CI， 0.71–0.82)。配对自举比较中集成模型未表现出统计学上显著优于最佳个体模型的优势。IDH突变胶质瘤通常表现出较少的对比强化，而IDH野生型胶质瘤则更可能表现出显著和异质性的强化。IG图显示，对于代表性IDH野生型病例，归因集中在T1CE强化区域；而IDH突变病例的贡献则聚焦于瘤周FLAIR高信号。Shapley分析显示FLAIR占预测权重的64%，T1CE占36%，凸显了FLAIR信号在区分IDH突变胶质瘤中的重要性。
四、讨论与研究结论
本研究开发并验证了一个可解释的3D集成深度学习框架，用于胶质瘤IDH突变和MGMT甲基化的无创预测。IDH预测表现出强劲的内部性能(验证AUC 0.94；测试AUC 0.94)和中度的外部性能(AUC 0.77)，而MGMT预测在外部验证中不明确(AUC 0.57)。该研究是首批同时使用3D CNN集成处理两种生物标志物并提供可解释性的研究之一。研究结果与既往CNN和放射组学研究一致，IDH预测性能与近期汇集分析结果相当。然而，MGMT外部AUC 0.57落在接近随机水平范围内，提示该模型应被解释为阴性或不明确的，而非临床可操作的。
IDH和MGMT状态与其他胶质瘤预后因素存在交互作用。组织病理学分级在IDH突变的II/III级胶质瘤中具有独立预后价值，表明分子分型无法完全捕捉预后异质性。此外，年龄、性别、Karnofsky功能状态和切除程度等临床变量进一步调节胶质母细胞瘤的预后。因此，基于影像的无创IDH和MGMT分析应被视为更广泛组织病理学和临床预后因素的补充而非替代。
研究存在若干局限性。外部性能下降，尤其是MGMT预测，最可能由外部队列固有的治疗相关域偏移驱动，该队列仅包含治疗后检查，而模型仅在术前影像上训练。扫描仪硬件和采集协议的差异可能进一步加剧了性能下降。此外，IDH和MGMT标签并非所有病例同时可用，导致生物标志物特异性队列的病例构成不同，可能引入选择偏倚。对肿瘤分割的依赖是另一局限，分割掩膜用于裁剪和图像掩蔽，MGMT还将掩膜作为输入通道，这可能使模型学习肿瘤大小或形状而非仅分子表型。
值得注意的是，IDH突变是胶质瘤发生中非常早期的克隆事件，在诊断时检测到的驱动基因改变在复发时基本保留，因此即使在后治疗影像上，IDH突变肿瘤仍保持IDH突变状态，外部评估可视为保守的压力测试。相比之下，MGMT启动子甲基化状态在疾病过程中稳定性较差，尽管大规模全基因组甲基化分析显示MGMT甲基化组在进展时高度稳定，仅有7%的病例发生启动子甲基化状态改变。研究结论指出，研究人员提出了一种可解释的3D集成深度学习框架，能够利用常规MRI以强劲的内部表现和中度的外部表现预测IDH突变状态。同一框架在MGMT甲基化状态上取得了强劲的内部性能但外部泛化失败，这凸显了当前放射基因组学AI的一个关键局限，也是未来工作的开放目标。未来研究应开展大规模前瞻性验证、协调多机构合作，并整合额外的影像模态以提高泛化能力，特别是针对无创MGMT预测，以支持临床采用。
