图-放射组学学习（GrRAiL）描述符：表征混杂肿瘤病理中的影像异质性

《npj Precision Oncology》：Graph-radiomic learning (GrRAiL) descriptor to characterize imaging heterogeneity in confounding tumor pathologies

　　

摘要

在常规影像学检查中区分良性混淆性病变与恶性肿瘤性肿瘤，仍然是实体肿瘤诊断中的一大难题。影像组学方法试图从临床影像（CT、MRI）中捕捉病变异质性，但通常会将感兴趣区域（ROI）内的特征值进行聚合，从而丢失了病变内部强度组成之间复杂的空间关系。我们提出了图放射组学学习（Graph-Radiomic Learning, GrRAiL），一种用于表征临床MRI上病变内部异质性（ILH）的新型描述符。GrRAiL（1）从体素级放射组学测量中识别子区域聚类，并（2）计算量化这些放射组学聚类空间关联的图论度量。由此生成的加权图捕捉了感兴趣区域内的更高层次空间关系，从而可靠地区分混淆性病变与恶性肿瘤。GrRAiL在三个多机构应用场景中对n?=?947名受试者进行了评估：区分胶质母细胞瘤（n?=?106）和脑转移瘤（n?=?233）中的放射性效应与肿瘤复发，以及鉴别胰腺导管内乳头状黏液性肿瘤（IPMNs）的无/低风险与高风险病变（n?=?608）。GrRAiL持续优于图神经网络、纹理放射组学和强度图分析，交叉验证和测试准确率分别为89%和78%（胶质母细胞瘤）、84%和74%（转移瘤）以及85%和79%（IPMNs），相比对比方法，测试准确率分别提升了超过10%、13%和10%。