整合性交叉模式融合手术前的MRI和组织病理学特征,以改善质母细胞瘤生存预测
Tianci Liu1, Yao Zheng1, Chengwei Chen1
1School of Biomedical Engineering, Air Force Medical University, No. 169 Changle West Road, Xi'an 710032, China.
Bioengineering (Basel, Switzerland)
|February 27, 2026
概括
这项研究引入了一个新的AI框架,将脑瘤MRI扫描与病理图像相结合,以更好地预测质母细胞瘤生存率. 这种方法可以改善非侵入性手术前预后,帮助个性化治疗计划.
科学领域:
- 神经瘤学神经瘤学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 质母细胞瘤 (GBM) 是一种具有很低生存率的侵袭性脑瘤.
- 目前的预后依赖于MRI,缺少关键的病理学数据.
- 整合MRI和全幻灯片图像 (WSIs) 由于数据差异而具有挑战性.
研究的目的:
- 开发一种方法来对准手术前的MRI和手术后的WSIs用于质母细胞瘤.
- 通过整合放射学和病理学数据,实现非侵入性手术前生存预测.
- 改进针对GBM患者的个性化治疗计划.
主要方法:
- 提出了一个基于对比学习的成像-病理学协同调整 (CL-IPSA) 框架.
- 使用对比学习将MRI和WSI数据对齐到共享的嵌入空间中.
- 为仅MRI患者创建了一个交叉模式映射库,以生成代理病理特征.
主要成果:
- 通过CL-IPSA框架,MRI和WSI数据成功地结合起来.
- 整合代理WSI功能显著改善了生存预测性能.
- 卷积神经网络 (CNN) 的平均AUC改善为0.08-0.10.
- 在SEResNet34中,AUC达到0.836.6的最高值.
结论:
- 通过CL-IPSA框架,可有效地实现成像和病理学数据的多式联络整合.
- 非侵入性手术前的GBM生存预测得到了显著的改善.
- 这种方法促进了个性化治疗策略,没有额外的侵入性手术.
