用于胶质瘤评估的磁共振成像与分子生物标志物之间的跨模态空间映射

《Biomedical Signal Processing and Control》：Cross-modal spatial mapping between MRI and molecular biomarkers for glioma evaluation

　　

摘要

准确的胶质瘤评估对于指导治疗计划和改善患者管理至关重要。尽管人工智能在该领域已显示出前景，但大多数当前方法仅依赖术前磁共振成像（MRI）检查，忽略了分子生物标志物信息。此外，MRI特征与分子特征之间的空间对应关系在很大程度上仍未得到充分探索。另外，获取分子生物标志物通常需要侵入性活检，这限制了其在预测模型中的应用。为应对这些挑战，我们提出了空间分子-影像映射网络（SMIM-Net），这是一个新颖的框架，旨在利用数千例带有分子标注的MRI扫描数据，在MRI图像和分子生物标志物空间之间建立空间对应关系。SMIM-Net采用多阶段、逐步扩展的卷积架构来提取与关键分子生物标志物相关的细粒度MRI特征，并生成细粒度的基于MRI的分子关联图（MMAMs）以及分子预测结果。为评估所构建MMAMs的有效性，我们将其与MRI数据整合用于三项胶质瘤相关的下游任务。在多种传统机器学习和深度学习模型中，引入MMAMs一致性地提高了预测性能。这些分别对应MGMT、IDH和1p/19q的关联图，通过提供肿瘤分子景观的多维视角，提供了互补的分子见解。与仅使用MRI的基线模型相比，在内部验证队列中，总生存期、胶质瘤分级和无进展生存期的平均AUC分别提高了9.2%、3.9%和12.5%；在独立外部验证队列中，分别提高了8.2%、4.6%和11.1%。这些结果表明，SMIM-Net获得的MMAMs提供了互补的分子见解，增强了基于AI的胶质瘤评估，并突显了其在支持更全面、更具临床相关性的预测建模方面的潜力。

引言

胶质瘤是成人中最常见的原发性恶性脑肿瘤[1]，[2]，具有高侵袭性、低存活率和显著异质性等特点[3]，[4]，[5]。准确的胶质瘤评估对于制定精确的治疗策略和优化患者管理至关重要[6]，[7]，包括总生存期预测、胶质瘤分级和无进展生存期预测等任务。磁共振成像（MRI）作为一种无创成像方式，提供了高软组织对比度和关于肿瘤及周围区域全面解剖信息。因此，MRI在胶质瘤评估中发挥着重要作用[8]，[9]。近年来，人工智能（AI）技术，特别是卷积神经网络（CNNs），在基于多序列MRI数据的胶质瘤评估中表现出色，为胶质瘤的无创诊断和表征提供了新的见解[10]，[11]，[12]。

世界卫生组织（WHO）在其2021年更新的中枢神经系统肿瘤分类中，强调了分子生物标志物的重要性[13]，指出异柠檬酸脱氢酶（IDH）突变患者通常比IDH野生型肿瘤患者具有更好的预后[14]。然而，将分子生物标志物纳入当前基于AI的临床模型面临两个主要限制。首先，当前分子信息的获取依赖于侵入性活检，这不仅增加了患者的感染风险，还给他们带来了巨大的经济负担[13]，[15]。

其次，当前用于总生存期（OS）预测、胶质瘤分级和无进展生存期（PFS）预测等临床任务的AI方法主要依赖术前MRI[8]，[10]，对将分子生物标志物整合到建模过程中的考虑有限。这与实际临床实践不一致，在临床实践中，通常会将影像和分子数据结合使用以提高评估准确性。虽然一些研究试图整合影像和分子信息[16]，但大多数这些方法依赖于多模态数据的简单拼接，未能实现空间深层数据融合。因此，它们在捕捉肿瘤生物学特征与影像表型之间空间联系方面不足，从而阻碍了对潜在生物学机制的发现。

因此，在手术前无创获得可靠的分子信息代表着迫切的需求。分子信息与术前MRI的紧密结合已成为该领域胶质瘤评估的关键研究焦点。为应对这些挑战，我们引入了一个名为用于胶质瘤评估的空间分子到影像映射网络（SMIM-Net）的新框架。SMIM-Net建立了分子空间与MRI空间之间的连接，并无创地生成基于MRI的分子关联图。这种方法使临床医生能够全面评估与胶质瘤评估高度相关的空间分辨的分子关联影像特征，而无需依赖侵入性活检。我们使用四个公开数据集验证了基于MRI的分子关联图在三项下游临床任务中的有效性。具体而言，我们的贡献如下：

• •
  我们引入了影像分子精细洞察模块（IFIM），该模块有效地捕捉了与异柠檬酸脱氢酶（IDH）、1p/19q和O6-甲基鸟嘌呤-DNA甲基转移酶（MGMT）等关键分子生物标志物相关的深度影像特征，并成功预测了胶质瘤的分子亚型。
• •
  我们提出了一个新颖的框架SMIM-Net，该框架在输出预测结果的同时生成细粒度的基于MRI的分子关联图。与传统的Grad-CAM方法相比，它使医生能够观察到更多与分子亚型相关的细粒度影像特征。
• •
  基于来自七个独立中心的2105名胶质瘤患者的多中心队列，我们系统地完成了模型训练、内部验证和独立外部验证。综合可视化分析和消融实验结果证实，本研究生成的基于MRI的分子关联图可以有效提高总生存期、胶质瘤分级和无进展生存期等关键临床预后指标的预测性能。

章节摘要

基于MRI的临床任务预测

在最近的研究中，研究人员提出了多种用于MRI胶质瘤分析的算法[17]，[18]，[19]，[20]，常见预测任务包括OS、胶质瘤分级和PFS。例如，Xiong等人使用T1加权成像训练了GoogLeNet模型来预测脑肿瘤类型[21]，在独立测试集上实现了89.7%的准确率和93.9%的曲线下面积（AUC）。同样，Tran等人利用T2液体衰减反转恢复

空间分子到影像映射网络

所提出的空间分子到影像映射网络（SMIM-Net）的结构如图1(a)所示。SMIM-Net主要用于预测多种分子亚型，并能在预测过程中同时生成细粒度的基于MRI的分子关联图（MMAMs）。该网络主要由两个关键组件组成，第一个组件是影像-分子特征提取器，用于建立分子空间与

数据集描述与预处理

本研究使用了来自四个公开数据集的数据，包括2021年脑肿瘤分割（BraTS）[46]挑战赛中的Brats21-TCGA-LGG [44]和Brats21-TCGA-GBM [45]数据集，加州大学旧金山分校术前弥漫性胶质瘤MRI数据集（UCSF-PDGM）[47]，以及里奥·奥尔特加大学医院收集的胶质母细胞瘤数据集（RHUH-GBM）[48]，得克萨斯大学西南医学中心胶质瘤数据集（UTSW-Glioma）[49]，宾夕法尼亚大学

讨论

在本研究中，我们提出了用于胶质瘤评估的空间分子到影像映射网络，旨在通过在分子空间与MRI空间之间建立映射，无创地提供临床评估所需的分子生物标志物信息。该方法通过可解释的特征可视化有机整合了多分子联合预测与下游临床任务，并在多个独立

结论

本文提出了空间分子到影像映射网络（SMIM-Net），该网络能够高效预测多种分子生物标志物并生成相应的细粒度基于MRI的分子关联图（MMAMs）。我们在胶质瘤分级、总生存期和无进展生存期三项临床任务中评估了MMAMs的有效性，证明其性能优于仅依赖术前MRI的方法。本研究提供了空间分子

CRediT作者贡献声明

刘天慈：撰写——审阅与编辑，撰写——初稿，可视化，方法论，形式化分析。郑尧：形式化分析，概念化。魏杰：形式化分析，概念化。黄东：撰写——审阅与编辑。冯悦飞：撰写——审阅与编辑。陈成伟：撰写——审阅与编辑。刘洋：指导，资金获取，概念化。

资助

本研究得到了国家自然科学基金（项目编号：82472053、62403473和62401570）、陕西省重点研发计划（项目编号：2025SF-YBXM-324）以及西京医院创新研究院联合基金项目（项目编号：LHJJ24YG01、LHJJ24YG07和LHJJ24YG13）的支持。

利益冲突声明

作者声明不存在可能影响本文所述工作的已知竞争性财务利益或个人关系。

刘天慈|郑尧|魏杰|黄东|冯悦飞|陈成伟|刘洋

空军军医大学，陕西省西安市长乐西路169号，邮编：710032，中国