01文献学习今天分享的文献是由南京医科大学第一附属医院放射肿瘤科等团队于2026年5月在肿瘤学顶刊《npj Precision Oncology》中科院1区topIF8上发表的研究“Radiomics model integrating MRI and ECV enhances prediction accuracy for progression in high-grade glioma”即整合MRI与ECV的放射组学模型提高高级别胶质瘤进展预测准确性该研究构建了一种基于MobileNet混合网络MobHy-Net的深度学习模型DL_com整合了T2-FLAIR、细胞外体积ECV图像及临床特征用于预测高级别胶质瘤患者的一年内进展风险。模型在训练、内部验证和外部测试队列中的AUC分别达到0.954、0.911和0.919显著优于单一模态模型。SHAP热图增强了模型的可解释性决策曲线分析验证了其临床实用性。创新点①首次将ECV细胞外容积图像与多序列MRI结合利用3D ViT提取微观血管及纤维化特征突破传统结构影像局限。②构建MobHy-Net混合网络融合临床、T2-FLAIR与ECV多模态特征预测AUC达0.919显著优于单一模型。③引入SHAP热图可视化揭示模型关注肿瘤实性核心区增强深度学习“黑箱”的临床可解释性。临床价值①精准识别一年内高进展风险患者高危组mOS 26月 vs 低危组77月助力个体化治疗决策。②通过风险分层优化随访计划与治疗策略避免低危患者过度治疗提升医疗资源效率。③提供可视化预后依据辅助放疗靶区勾画及疗效评估促进医患沟通与精准神经肿瘤管理。图 9研究整体工作流程图数据层双中心临床数据→MRI/ECV影像→肿瘤分割特征层临床特征筛选、放射组学/拓扑特征提取、3D ViT深度学习特征提取模型层构建临床模型、放射组学模型、单序列DL模型、DL_com联合模型MobHy-Net融合验证层ROC/DCA/校准曲线/SHAP/生存分析02研究背景和目的研究背景高级别胶质瘤HGG是中枢神经系统最常见的原发性恶性肿瘤具有高度侵袭性和极差的预后。尽管采用了最大安全切除、放疗联合替莫唑胺化疗等强化治疗方案患者的中位生存期仍仅为15个月左右五年生存率仅为6.6%至30.9%。尤为关键的是约半数患者在初次治疗后一年内即出现疾病进展这部分患者的生存期显著缩短中位总生存期仅15个月而一年内未进展者可延长至56个月。因此早期识别一年内进展的高危人群对于优化临床决策至关重要。然而传统的基于临床参数和常规影像学特征的预测模型准确性和稳健性有限。近年来影像组学通过从医学图像中提取高通量定量特征在肿瘤诊断和预后预测中展现出潜力但多数研究局限于常规MRI序列如T1WI、T2-FLAIR的形态和纹理信息难以全面捕捉肿瘤微环境、微血管密度及空间异质性。细胞外体积ECV作为一种功能成像参数可反映组织纤维化和微血管密度已在肝癌、胰腺癌等领域显示出预后价值但在HGG进展预测中的应用尚不充分。此外深度学习方法如Vision Transformer虽能自动提取高层次特征但其在3D体积MRI数据上的应用及与ECV的融合仍缺乏系统研究。因此亟需构建一种整合多序列MRI和ECV信息的深度学习模型以提升HGG一年内进展风险的预测准确性。研究目的本研究旨在开发并验证一种基于MobHy‑NetMobileNet与Transformer混合网络的新型联合模型DL_com该模型整合了临床变量、T2-FLAIR序列的深度学习特征以及细胞外体积ECV图像的特征用于预测高级别胶质瘤患者治疗结束后一年内的疾病进展风险。具体目标包括1对比分析临床模型、传统影像组学模型、基于单一MRI序列T1WI、T1C、T2-FLAIR的深度学习模型以及基于ECV的深度学习模型的预测性能2通过受试者工作特征曲线ROC、校准曲线、决策曲线分析DCA以及DeLong检验全面评估联合模型的区分度、校准度和临床净获益3利用SHAP算法生成热力图可视化解释模型关注的关键肿瘤区域增强模型的可解释性4通过Kaplan‑Meier生存曲线和Cox回归根据模型预测的风险评分将患者分为高危和低危组验证其对无进展生存期PFS和总生存期OS的分层能力。最终目标是为临床提供一种准确、可解释的风险分层工具辅助个体化治疗决策和动态监测从而推动神经肿瘤领域的精准医学实践。03数据和方法研究数据研究对象2016年6月-2023年6月来自南京医科大学第一附属医院、中山大学孙逸仙纪念医院两个中心的193例HGG患者分组训练集93例、验证集40例、外部测试集60例组间基线特征均衡P0.05数据类型术前多序列MRIT1WI、T1C、T2-FLAIR、ECV影像、临床特征、分子病理数据IDH状态等。图 8患者筛选流程图技术方法影像预处理MRI空间配准、重采样、Z-Score标准化数据增强基于T1WI/T1C计算生成ECV影像特征提取与筛选提取放射组学、拓扑特征经t检验、Pearson相关、LASSO回归筛选关键特征模型构建构建3D Vision Transformer3D ViT深度学习模型分别提取T1WI、T1C、T2-FLAIR、ECV单序列特征基于MobHy-Net融合临床特征T2-FLAIRECV深度学习特征构建联合模型DL_com模型验证ROC曲线、校准曲线、决策曲线分析DCA评估性能SHAP算法实现模型可解释性Kaplan-Meier生存分析验证风险分层效能。04实验结果①模型性能DL_com模型表现最优训练集AUC0.954、验证集AUC0.911、测试集AUC0.919准确率分别为89.2%、82.5%、88.3%显著优于其他模型P0.05②对比优势DL_com较ECV单序列、T2-FLAIR单序列深度学习模型测试集AUC分别提升24.1%、17.0%③可解释性SHAP热图显示模型聚焦肿瘤实质区域坏死/囊变/水肿区贡献度低决策机制清晰④风险分层模型将患者分为高/低风险组高风险组中位总生存期26个月显著短于低风险组77个月无进展生存期差异显著P0.001。图 1基于LASSO算法的临床特征选择图1展示了临床特征筛选过程包含三个子图。(a)为十折交叉验证系数路径图横轴为Log(λ)纵轴为各临床特征的系数值随着λ增大不相关特征的系数被压缩至零。(b)为均方误差随λ变化曲线虚线对应最小MSE时的最优λ值用于确定特征筛选的阈值。(c)为所选特征的重要性直方图以线性SVM为例显示年龄、病理类型、肿瘤体积、肿瘤方向、肿瘤位置和坏死六个因素被识别为关键临床风险因子。这些特征被用于构建后续的临床预测模型。图 2基于LASSO算法的放射组学与拓扑特征选择图2展示了多序列MRI放射组学和拓扑特征的筛选流程。从初始提取的3077个独特特征含放射组学和拓扑特征中通过t检验、Pearson相关分析及LASSO回归逐步筛选。(a)显示十折交叉验证的系数路径多数特征系数被压缩至零。(b)展示MSE随λ变化确定最优正则化参数。(c)为最终筛选出的8个放射组学特征的重要性排序而所有拓扑特征因贡献有限被完全排除说明传统拓扑特征对本研究进展预测的增益不足。图 3各模型的ROC曲线对比图3分别在训练集(a)、验证集(b)和测试集(c)中展示了临床模型、放射组学模型、DL_ecv、DL_t2及联合模型(DL_com)的ROC曲线。DL_com深蓝色曲线在所有三个队列中均表现出最优秀的区分能力AUC分别达到0.954、0.911和0.919。相比之下其他模型的AUC普遍在0.55-0.84之间。该图直观证明整合T2-FLAIR、ECV和临床特征的深度学习联合模型显著优于单一模态或传统模型尤其在外部测试集中保持了优异的泛化性能。图 4DeLong检验模型间AUC差异显著性图4以气泡图形式展示DeLong检验结果横纵坐标分别对应不同模型对气泡大小与p值呈负相关p值越小气泡越大。(a)训练集、(b)验证集、(c)测试集中DL_com与其他所有模型临床、放射组学、DL_ecv、DL_t2等比较时p值均小于0.05对应大尺寸气泡表明AUC差异具有统计学显著性。图中红色或深色气泡集中在DL_com所在的行列确认其预测性能的领先地位并非随机波动为模型优越性提供了可靠的统计证据。图 5校准曲线与决策曲线分析图5包含(a-c)校准曲线和(d-f)决策曲线分别对应训练、验证和测试集。校准曲线中DL_com红色线贴近对角线理想预测显示预测概率与实际观察结果高度一致而其他模型存在不同程度的偏离。决策曲线中DL_com在大部分阈值概率范围内约0.2-0.8提供最高的净获益表明其临床实用性最佳。例如在验证集(b,e)中DL_com的净获益明显超越“全部干预”和“无干预”策略证明该模型能有效指导临床决策减少不必要的治疗或漏诊风险。图 6SHAP热力图可视化模型关注区域图6左侧显示原始影像ECV图(a)和T2-FLAIR图(b)右侧为对应的SHAP热力图红色代表对模型预测有显著正贡献的区域蓝色代表负贡献或中性。热力图中红色高亮区域主要集中于肿瘤实体成分中心而坏死区、囊变区及周围水肿区域呈现蓝色或低贡献。这表明深度学习模型DL_ecv和DL_t2并非简单识别肿瘤轮廓而是精准捕捉与进展风险相关的内部微结构特征。该可视化增强了“黑箱”模型的可解释性有助于临床医生理解模型的决策依据。图 7基于联合模型的Kaplan-Meier生存曲线图7展示DL_com将患者分为高风险组与低风险组后的生存分析结果。(a-c)为总生存期曲线训练集中高风险组中位OS为26个月低风险组为77个月log-rank p0.01但验证集和测试集中OS差异未达统计学显著性p0.05可能与样本量较小有关。(d-f)为无进展生存期曲线训练集C-index0.846p0.001测试集C-index0.793p0.003两组间分离趋势明确。该图说明联合模型对短期进展风险的识别能力优于对总生存期的预测尤其适用于一年内进展高危人群的早期筛选。05研究结论该研究证实结合多序列MRI、细胞外体积ECV影像和临床变量的深度学习模型DL_com能够显著提高对高级别胶质瘤HGG患者一年内疾病进展风险的预测准确性。在训练、验证和外部测试队列中DL_com的AUC分别达到0.954、0.911和0.919显著优于传统临床模型、放射组学模型以及基于单一序列的深度学习模型。决策曲线分析和SHAP可视化热图进一步验证了该模型的临床实用性和可解释性。尤其值得关注的是基于ECV影像的深度学习模型表现优于基于T2-FLAIR、T1WI等常规结构序列的模型提示ECV能更全面地反映肿瘤微血管密度和纤维化异质性增强对高风险人群的识别能力。通过X-tile确定的0.48风险阈值DL_com成功将患者划分为高、低风险组在训练集中两组总生存期中位26个月 vs. 77个月和无进展生存期均存在显著差异。尽管模型在外部验证中表现稳健但研究也存在局限性回顾性设计、样本量偏小、未收集患者自身血细胞比容采用平均值计算ECV可能引入偏差且拓扑特征对模型贡献有限。总体而言该整合模型为HGG个体化治疗决策和动态监测提供了有潜力的无创工具未来需前瞻性大样本研究进一步验证其泛化能力。参考文献Jiang G, Sun X, Zhu Y, Fei Y, Xu W, Jiang Z, Shao T, Cao Y, Li L, Zhou S. Radiomics model integrating MRI and ECV enhances prediction accuracy for progression in high-grade glioma. NPJ Precis Oncol. 2026 May 13. doi: 10.1038/s41698-026-01475-1.
NPJ Precis Oncol（IF=8）南京医科大学第一附属医院放射肿瘤科等团队：整合MRI与ECV的放射组学模型提高高级别胶质瘤进展预测准确性
发布时间：2026/5/20 4:27:43
01文献学习今天分享的文献是由南京医科大学第一附属医院放射肿瘤科等团队于2026年5月在肿瘤学顶刊《npj Precision Oncology》中科院1区topIF8上发表的研究“Radiomics model integrating MRI and ECV enhances prediction accuracy for progression in high-grade glioma”即整合MRI与ECV的放射组学模型提高高级别胶质瘤进展预测准确性该研究构建了一种基于MobileNet混合网络MobHy-Net的深度学习模型DL_com整合了T2-FLAIR、细胞外体积ECV图像及临床特征用于预测高级别胶质瘤患者的一年内进展风险。模型在训练、内部验证和外部测试队列中的AUC分别达到0.954、0.911和0.919显著优于单一模态模型。SHAP热图增强了模型的可解释性决策曲线分析验证了其临床实用性。创新点①首次将ECV细胞外容积图像与多序列MRI结合利用3D ViT提取微观血管及纤维化特征突破传统结构影像局限。②构建MobHy-Net混合网络融合临床、T2-FLAIR与ECV多模态特征预测AUC达0.919显著优于单一模型。③引入SHAP热图可视化揭示模型关注肿瘤实性核心区增强深度学习“黑箱”的临床可解释性。临床价值①精准识别一年内高进展风险患者高危组mOS 26月 vs 低危组77月助力个体化治疗决策。②通过风险分层优化随访计划与治疗策略避免低危患者过度治疗提升医疗资源效率。③提供可视化预后依据辅助放疗靶区勾画及疗效评估促进医患沟通与精准神经肿瘤管理。图 9研究整体工作流程图数据层双中心临床数据→MRI/ECV影像→肿瘤分割特征层临床特征筛选、放射组学/拓扑特征提取、3D ViT深度学习特征提取模型层构建临床模型、放射组学模型、单序列DL模型、DL_com联合模型MobHy-Net融合验证层ROC/DCA/校准曲线/SHAP/生存分析02研究背景和目的研究背景高级别胶质瘤HGG是中枢神经系统最常见的原发性恶性肿瘤具有高度侵袭性和极差的预后。尽管采用了最大安全切除、放疗联合替莫唑胺化疗等强化治疗方案患者的中位生存期仍仅为15个月左右五年生存率仅为6.6%至30.9%。尤为关键的是约半数患者在初次治疗后一年内即出现疾病进展这部分患者的生存期显著缩短中位总生存期仅15个月而一年内未进展者可延长至56个月。因此早期识别一年内进展的高危人群对于优化临床决策至关重要。然而传统的基于临床参数和常规影像学特征的预测模型准确性和稳健性有限。近年来影像组学通过从医学图像中提取高通量定量特征在肿瘤诊断和预后预测中展现出潜力但多数研究局限于常规MRI序列如T1WI、T2-FLAIR的形态和纹理信息难以全面捕捉肿瘤微环境、微血管密度及空间异质性。细胞外体积ECV作为一种功能成像参数可反映组织纤维化和微血管密度已在肝癌、胰腺癌等领域显示出预后价值但在HGG进展预测中的应用尚不充分。此外深度学习方法如Vision Transformer虽能自动提取高层次特征但其在3D体积MRI数据上的应用及与ECV的融合仍缺乏系统研究。因此亟需构建一种整合多序列MRI和ECV信息的深度学习模型以提升HGG一年内进展风险的预测准确性。研究目的本研究旨在开发并验证一种基于MobHy‑NetMobileNet与Transformer混合网络的新型联合模型DL_com该模型整合了临床变量、T2-FLAIR序列的深度学习特征以及细胞外体积ECV图像的特征用于预测高级别胶质瘤患者治疗结束后一年内的疾病进展风险。具体目标包括1对比分析临床模型、传统影像组学模型、基于单一MRI序列T1WI、T1C、T2-FLAIR的深度学习模型以及基于ECV的深度学习模型的预测性能2通过受试者工作特征曲线ROC、校准曲线、决策曲线分析DCA以及DeLong检验全面评估联合模型的区分度、校准度和临床净获益3利用SHAP算法生成热力图可视化解释模型关注的关键肿瘤区域增强模型的可解释性4通过Kaplan‑Meier生存曲线和Cox回归根据模型预测的风险评分将患者分为高危和低危组验证其对无进展生存期PFS和总生存期OS的分层能力。最终目标是为临床提供一种准确、可解释的风险分层工具辅助个体化治疗决策和动态监测从而推动神经肿瘤领域的精准医学实践。03数据和方法研究数据研究对象2016年6月-2023年6月来自南京医科大学第一附属医院、中山大学孙逸仙纪念医院两个中心的193例HGG患者分组训练集93例、验证集40例、外部测试集60例组间基线特征均衡P0.05数据类型术前多序列MRIT1WI、T1C、T2-FLAIR、ECV影像、临床特征、分子病理数据IDH状态等。图 8患者筛选流程图技术方法影像预处理MRI空间配准、重采样、Z-Score标准化数据增强基于T1WI/T1C计算生成ECV影像特征提取与筛选提取放射组学、拓扑特征经t检验、Pearson相关、LASSO回归筛选关键特征模型构建构建3D Vision Transformer3D ViT深度学习模型分别提取T1WI、T1C、T2-FLAIR、ECV单序列特征基于MobHy-Net融合临床特征T2-FLAIRECV深度学习特征构建联合模型DL_com模型验证ROC曲线、校准曲线、决策曲线分析DCA评估性能SHAP算法实现模型可解释性Kaplan-Meier生存分析验证风险分层效能。04实验结果①模型性能DL_com模型表现最优训练集AUC0.954、验证集AUC0.911、测试集AUC0.919准确率分别为89.2%、82.5%、88.3%显著优于其他模型P0.05②对比优势DL_com较ECV单序列、T2-FLAIR单序列深度学习模型测试集AUC分别提升24.1%、17.0%③可解释性SHAP热图显示模型聚焦肿瘤实质区域坏死/囊变/水肿区贡献度低决策机制清晰④风险分层模型将患者分为高/低风险组高风险组中位总生存期26个月显著短于低风险组77个月无进展生存期差异显著P0.001。图 1基于LASSO算法的临床特征选择图1展示了临床特征筛选过程包含三个子图。(a)为十折交叉验证系数路径图横轴为Log(λ)纵轴为各临床特征的系数值随着λ增大不相关特征的系数被压缩至零。(b)为均方误差随λ变化曲线虚线对应最小MSE时的最优λ值用于确定特征筛选的阈值。(c)为所选特征的重要性直方图以线性SVM为例显示年龄、病理类型、肿瘤体积、肿瘤方向、肿瘤位置和坏死六个因素被识别为关键临床风险因子。这些特征被用于构建后续的临床预测模型。图 2基于LASSO算法的放射组学与拓扑特征选择图2展示了多序列MRI放射组学和拓扑特征的筛选流程。从初始提取的3077个独特特征含放射组学和拓扑特征中通过t检验、Pearson相关分析及LASSO回归逐步筛选。(a)显示十折交叉验证的系数路径多数特征系数被压缩至零。(b)展示MSE随λ变化确定最优正则化参数。(c)为最终筛选出的8个放射组学特征的重要性排序而所有拓扑特征因贡献有限被完全排除说明传统拓扑特征对本研究进展预测的增益不足。图 3各模型的ROC曲线对比图3分别在训练集(a)、验证集(b)和测试集(c)中展示了临床模型、放射组学模型、DL_ecv、DL_t2及联合模型(DL_com)的ROC曲线。DL_com深蓝色曲线在所有三个队列中均表现出最优秀的区分能力AUC分别达到0.954、0.911和0.919。相比之下其他模型的AUC普遍在0.55-0.84之间。该图直观证明整合T2-FLAIR、ECV和临床特征的深度学习联合模型显著优于单一模态或传统模型尤其在外部测试集中保持了优异的泛化性能。图 4DeLong检验模型间AUC差异显著性图4以气泡图形式展示DeLong检验结果横纵坐标分别对应不同模型对气泡大小与p值呈负相关p值越小气泡越大。(a)训练集、(b)验证集、(c)测试集中DL_com与其他所有模型临床、放射组学、DL_ecv、DL_t2等比较时p值均小于0.05对应大尺寸气泡表明AUC差异具有统计学显著性。图中红色或深色气泡集中在DL_com所在的行列确认其预测性能的领先地位并非随机波动为模型优越性提供了可靠的统计证据。图 5校准曲线与决策曲线分析图5包含(a-c)校准曲线和(d-f)决策曲线分别对应训练、验证和测试集。校准曲线中DL_com红色线贴近对角线理想预测显示预测概率与实际观察结果高度一致而其他模型存在不同程度的偏离。决策曲线中DL_com在大部分阈值概率范围内约0.2-0.8提供最高的净获益表明其临床实用性最佳。例如在验证集(b,e)中DL_com的净获益明显超越“全部干预”和“无干预”策略证明该模型能有效指导临床决策减少不必要的治疗或漏诊风险。图 6SHAP热力图可视化模型关注区域图6左侧显示原始影像ECV图(a)和T2-FLAIR图(b)右侧为对应的SHAP热力图红色代表对模型预测有显著正贡献的区域蓝色代表负贡献或中性。热力图中红色高亮区域主要集中于肿瘤实体成分中心而坏死区、囊变区及周围水肿区域呈现蓝色或低贡献。这表明深度学习模型DL_ecv和DL_t2并非简单识别肿瘤轮廓而是精准捕捉与进展风险相关的内部微结构特征。该可视化增强了“黑箱”模型的可解释性有助于临床医生理解模型的决策依据。图 7基于联合模型的Kaplan-Meier生存曲线图7展示DL_com将患者分为高风险组与低风险组后的生存分析结果。(a-c)为总生存期曲线训练集中高风险组中位OS为26个月低风险组为77个月log-rank p0.01但验证集和测试集中OS差异未达统计学显著性p0.05可能与样本量较小有关。(d-f)为无进展生存期曲线训练集C-index0.846p0.001测试集C-index0.793p0.003两组间分离趋势明确。该图说明联合模型对短期进展风险的识别能力优于对总生存期的预测尤其适用于一年内进展高危人群的早期筛选。05研究结论该研究证实结合多序列MRI、细胞外体积ECV影像和临床变量的深度学习模型DL_com能够显著提高对高级别胶质瘤HGG患者一年内疾病进展风险的预测准确性。在训练、验证和外部测试队列中DL_com的AUC分别达到0.954、0.911和0.919显著优于传统临床模型、放射组学模型以及基于单一序列的深度学习模型。决策曲线分析和SHAP可视化热图进一步验证了该模型的临床实用性和可解释性。尤其值得关注的是基于ECV影像的深度学习模型表现优于基于T2-FLAIR、T1WI等常规结构序列的模型提示ECV能更全面地反映肿瘤微血管密度和纤维化异质性增强对高风险人群的识别能力。通过X-tile确定的0.48风险阈值DL_com成功将患者划分为高、低风险组在训练集中两组总生存期中位26个月 vs. 77个月和无进展生存期均存在显著差异。尽管模型在外部验证中表现稳健但研究也存在局限性回顾性设计、样本量偏小、未收集患者自身血细胞比容采用平均值计算ECV可能引入偏差且拓扑特征对模型贡献有限。总体而言该整合模型为HGG个体化治疗决策和动态监测提供了有潜力的无创工具未来需前瞻性大样本研究进一步验证其泛化能力。参考文献Jiang G, Sun X, Zhu Y, Fei Y, Xu W, Jiang Z, Shao T, Cao Y, Li L, Zhou S. Radiomics model integrating MRI and ECV enhances prediction accuracy for progression in high-grade glioma. NPJ Precis Oncol. 2026 May 13. doi: 10.1038/s41698-026-01475-1.
