面向髓鞘瘤手术导航的类光子寿命成像数据中心框架
计算机视觉与模式识别
2026-04-30 v1 人工智能
摘要
准确的术中评估髓鞘瘤浸润对于最大化肿瘤切除、同时保留功能脑组织至关重要。光子寿命成像（FLIm）提供了实时的、无标签的生物化学对比，但其临床实用性受到生物学异质性、类别不平衡以及病理标记变异性的挑战。我们提出了一种数据中心人工智能（DC-AI）框架，集成自信学习（CL）、类别细化和针对性标签评估，以开发用于髓鞘瘤（GBM）切除边缘的稳健多类别FLIm分类器。收集了来自31例新诊断的IDH-野生型GBM患者（共192个组织边缘）的FLIm数据，最初由专职神经病理学家划分为七个肿瘤细胞密度类别。应用CL对FLIm点级置信度进行量化，识别标签不一致性，并引导类别合并为三个类别方案（"低"、"中度"、"高"）。最终获得的高保真数据集使模型在三分类任务中达到96%的准确率。SHAP分析揭示了类别特有的FLIm特征重要性，凸显了浸润谱系中不同光学特征。进一步的针对性FLIm分析识别了生物学（如灰质组成）和获取相关（如血液污染）因素导致低置信度预测。对由CL标记的边缘进行盲审重新评估显示术者间的变异性，凸显选择性重新标记而非彻底审查的价值。综上，这些发现表明，DC-AI框架可系统性地提高数据可靠性、增强模型鲁棒性，并细化FLIm信号的生物学解释，为实时髓鞘瘤边缘评估的临床可用光学工具提供支持。
引用
@article{arxiv.2604.26147,
title = {A Data-Centric Framework for Intraoperative Fluorescence Lifetime Imaging for Glioma Surgical Guidance},
author = {Silvia Noble Anbunesan and Mohamed Abul Hassan and Jinyi Qi and Lisanne Kraft and Han Sung Lee and Orin Bloch and Laura Marcu},
journal= {arXiv preprint arXiv:2604.26147},
year = {2026}
}