可解释多类语义智能：脑肿瘤分割与自动分级研究

《Egyptian Journal of Radiology and Nuclear Medicine》：Toward interpretable multiclass semantic intelligence: explainable brain tumor segmentation and automated grade stratification

　　

**目的**：从磁共振成像（MRI）中准确进行脑肿瘤分级对于诊断、治疗计划和预后评估至关重要。尽管深度学习模型已展现出强大性能，但许多模型缺乏临床验证、跨数据集稳健性以及用于决策支持的可解释性。本研究提出一种可解释的混合深度学习框架，整合肿瘤分割、特征优化、分级分类与模型归因，用于高级别和低级别胶质瘤的评估，并在受控实验条件下于多个MRI数据集上进行验证。

**方法**：所提出的框架，即"面向可解释多类语义智能：可解释脑肿瘤分割与自动分级"，整合了脑肿瘤分割、优化特征选择与判别性分类，以支持自动化肿瘤分析和分级。肿瘤区域使用路径聚合网络（PANet）结合图卷积神经网络（GCNN）与ResNet-50进行分割，以保留相关的结构特征。从分割出的肿瘤区域中提取形状、纹理及方向梯度直方图（HOG）特征，用以表征形态和视觉模式。随后采用改进的爬行动物搜索算法（RSA）选择判别性特征，旨在减少特征冗余并缓解过拟合。所选特征随后在暹罗架构内使用DenseNet-201进行分类，以增强对患者间变异性的鲁棒性。模型可解释性通过梯度加权类激活映射（Grad-CAM）实现，该技术提供对模型预测贡献区域的视觉解释。该框架使用BraTS 2019、BraTS 2020和BraTS 2021数据集以及额外的MRI数据集进行评估。

**结果**：所提出的模型在基准数据集上分别取得了99.12%、99.23%和98.86%的分类准确率。跨数据集的平均精确率、敏感性和特异性均超过98%，显示出对肿瘤分级的强判别能力以及跨成像协议的一致泛化能力。可视化分析突出了对分类决策有贡献的肿瘤区域。

**结论**：所提出的框架在所评估的实验条件下展现了良好的性能，并提供了可解释的模型归因信息。该框架可能作为一种潜在的计算机辅助决策支持方法，但在常规临床部署之前，需要进行前瞻性多中心验证、校准、临床医生参与评估和工作流整合。

**论文解读：面向可解释多类语义智能的脑肿瘤分割与自动分级研究**

**一、研究背景与问题提出**

脑肿瘤是全球范围内最具生命威胁的疾病之一，也是癌症相关死亡的重要原因。据美国癌症协会统计，2023年美国约有25,400例新发恶性脑和脊髓肿瘤病例，同年相关死亡人数接近18,760例。在临床实践中，准确的脑肿瘤识别与分类对于有效的治疗计划制定、预后评估以及提高患者生存率至关重要。根据世界卫生组织（WHO）分级系统，胶质瘤被划分为I至IV级，其中I级和II级对应低级别胶质瘤（LGG），III级和IV级对应高级别胶质瘤（HGG）。准确区分LGG和HGG对治疗计划、化疗和放疗方案选择以及患者生存期预测至关重要。

深度学习（DL）技术利用磁共振成像（MRI）在脑肿瘤分类（BTC）方面取得了显著进展，通过自动从原始数据中学习层次化和判别性特征，持续优于传统机器学习方法。卷积神经网络（CNN）架构如DenseNet、ResNet及自定义CNN变体已在基准数据集上取得了良好性能。然而，纯CNN模型由于肿瘤外观、大小和采集协议的变化，往往在异构MRI数据集上表现出有限的泛化能力。此外，现有方法常引入冗余特征，缺乏优化的特征选择策略，导致计算开销增加和域偏移下的适应性降低。近期研究聚焦于优化特征学习和整合可解释人工智能（XAI）以用于BTC，但许多方法依赖经典优化算法和浅层特征表示，限制其在大型多样化MRI队列上的可扩展性和性能。基于Transformer的架构虽然能够捕捉长程依赖和全局上下文信息，但仍受限于高计算成本、有限的可解释性以及在多中心数据集上分割引导分类设置中的验证不足。为解决这些问题，本研究引入了一种新颖的混合可解释深度学习框架，将分割、优化特征选择和判别性分类紧密集成到统一流程中。该研究旨在开发一种集成了脑肿瘤分割、特征优化、分级分类和模型归因的混合深度学习框架，用于高级别和低级别胶质瘤的评估，并在多种MRI数据集上评估其性能。

**二、研究内容与结论**

研究人员提出了一种名为"面向可解释多类语义智能"的混合深度学习框架，该框架紧密集成了脑肿瘤分割、特征优化、分级分类和模型归因。该框架的主要贡献包括：一是提出一种新颖的混合分割驱动脑肿瘤分类框架，使用改进爬行动物搜索算法（mRSA）增强的暹罗DenseNet-201；二是结合路径聚合网络（PA-Net）、图卷积神经网络（GCNN）和ResNet-50的精确肿瘤分割策略，以分离判别性肿瘤区域；三是用于最优特征选择的mRSA算法，以减少冗余、缓解过拟合并提高分类效率；四是使用暹罗DenseNet-201架构中的优化特征进行稳健的LGG-HGG分类；五是整合Grad-CAM++以实现可解释和临床可解释的预测。

该框架采用五个阶段：预处理、分割、特征提取、特征优化和分类。多模态MRI图像被采集并分为训练、验证和测试数据集，通过增强、调整大小和偏差场校正（BFC）进行预处理。肿瘤通过提出的全景肿瘤分割网络进行分割，该网络结合了PA-Net、GCNN和ResNet-50。从分割的肿瘤区域中提取放射组学特征，如基于形状和基于纹理的特征，随后分析均值、熵和峰度统计以发现判别性肿瘤特性。使用mRSA去除特征中的冗余信息，选定的特征提供给名为DenseNet-201的分类器进行分类，将MRI图像分为低级别胶质瘤和高级别胶质瘤。

该研究使用了公开可用的多模态MRI脑肿瘤数据集BraTS 2019、BraTS 2020、BraTS 2021和Brain Tumor MRI Dataset进行训练和评估。为了评估模型的泛化能力，研究人员将BraTS 2019作为开发数据集，采用患者级别划分训练、验证和内部测试集；BraTS 2020和BraTS 2021作为独立外部验证队列。所有数据划分均在患者层面进行以避免数据泄漏，并采用患者层面的十折交叉验证。实验结果表明，所提出的模型在基准数据集上分别获得了99.12%、99.23%和98.86%的分类准确率，跨数据集的平均精确率、敏感性和特异性均超过98%，显示出对肿瘤分级的强判别能力和跨成像协议的一致泛化能力。

该研究的重要意义在于，所提出的框架在评估的实验条件下展现了有竞争力的性能，并提供了可解释的模型归因信息，可作为计算机辅助决策支持方法的潜在工具。然而，在常规临床部署之前，需要进行前瞻性多中心验证、校准、临床医生参与评估和工作流整合。

**三、主要关键技术方法**

研究人员采用的主要技术方法包括：使用结合图卷积神经网络（GCNN）和ResNet-50的路径聚合网络（PANet）进行精确肿瘤分割；从分割区域提取形状、纹理和方向梯度直方图（HOG）特征；使用改进爬行动物搜索算法（mRSA）进行特征选择以减少冗余；使用暹罗架构内的DenseNet-201进行分类，增强对患者间变异性的鲁棒性；使用Grad-CAM++进行模型可解释性分析。研究使用了BraTS 2019、BraTS 2020、BraTS 2021和Brain Tumor MRI Dataset等多个公开数据集，并采用患者级别数据划分和交叉验证策略。

**四、研究结果**

*临床特征提取结果*：研究人员使用所提出的多类语义分割框架提取了低级别和高级别脑肿瘤的特征，结果显示两种肿瘤分级在体积特征、形态学特征和强度特征上存在明显差异。例如，高级别脑肿瘤具有更大的肿瘤体积、增强体积和水肿体积，形状不规则指数和纹理异质性评分也更高，表明肿瘤的侵袭性和对健康组织的浸润。

*统计显著性检验*：通过单向方差分析后的Tukey HSD事后检验显示，所提出的可解释多类语义模型在Dice评分上相比其他架构有显著改进，平均差异范围在0.020至0.060之间，所有p值均小于0.01，表明改进具有统计学显著性。

*多数据集性能比较*：对不同基准数据集的泛化性能评估显示，所提出的模型在所有测试数据集上表现良好，Dice系数值介于0.92至0.95之间，准确率介于95.3%至99.23%之间，表明模型在测试实验条件下具有竞争力的性能。

*可解释性性能比较*：通过Grad-CAM定位准确性和SHAP一致性评分对所有基线模型进行比较，所提出的可解释多类语义模型具有最高的定位得分0.91，表明在将激活区域与肿瘤区域对齐方面具有更好的准确性。此外，所提出的模型提供了最佳的SHAP一致性得分0.88，表明在多个实例的特征归因方面具有更好的稳定性。

*消融研究*：通过组件分析评估特征选择、暹罗设计、mRSA优化的贡献，结果发现每个模块都逐步提高了性能，完整的框架实现了最高的F1分数、准确率和敏感性。

*与最新模型比较*：与包括Vision Transformers、ConvNeXt、EfficientNetV2和多模态深度学习方法在内的最新模型进行比较，所提出的混合模型在多种评估指标上持续表现良好。

*十折交叉验证*：十折患者层面交叉验证的结果显示，所提出的模型各折之间差异较小，表明模型具有稳定可靠的性能，能够很好地泛化。

*计算复杂度分析*：尽管整合了多个处理阶段，所提出的框架仍具有竞争力的推理速度和适度的参数增长，表明其适用于实时临床应用。

*分割模型比较*：与nnU-Net、TransUNet和Swin UNETR等最新医学图像分割架构的比较显示，所提出的PA-Net-GCNN-ResNet-50架构提供了有竞争力的分割结果。

**五、讨论与结论总结**

在讨论部分，研究人员指出所提出的混合框架在所用基准数据集的胶质瘤分割和分级分类方面表现出色。分割引导的特征提取、基于mRSA的特征选择、使用暹罗DenseNet-201模型的分类以及使用Grad-CAM++的可解释性方法有助于在该研究的实验条件下区分低级别和高级别胶质瘤。患者层面的数据划分和交叉验证也证实了所得结果的可靠性。然而，研究人员也指出了局限性：多数实验使用回顾性公开数据集，可能无法反映真实临床实践中的所有成像协议、供应商和患者情况；混合架构增加了额外的计算步骤，包括特征优化和可解释性分析，相比端到端模型可能需要额外的计算资源；研究未进行前瞻性独立多中心临床队列的验证，也未进行临床医生参与评估和PACS集成。

研究结论部分翻译为：在本研究中，开发了一种可解释的混合方法，整合了多类语义分割、增强爬行动物搜索算法特征选择、暹罗DenseNet-201分类和Grad-CAM++可视化，用于从多模态MRI图像中对胶质瘤分级进行分类。实验分析显示，所评估的基准数据集上取得了高分类准确率和良好性能。所提出的混合方法与多种最新深度学习方法相比具有竞争力，同时提供了增强的模型可解释性，可潜在地用作放射科医生诊断脑肿瘤的决策支持工具。然而，本研究的结果只能推广到研究中所使用的数据集。未来研究将集中于前瞻性多中心验证、降低计算复杂度、测试不同成像协议的鲁棒性、将临床医生反馈整合到可解释性机制中，以及实现实时决策。