AI 增强的虚拟活检：用于低资源环境中脑肿瘤诊断

及时脑肿瘤诊断在缺乏专家脑神经影像学解读、高端 MRI 硬件和侵入性活检程序的低资源临床环境中仍具有挑战性。尽管深度学习在脑肿瘤分析中取得了强大的性能，但实际采用受限于计算需求、扫描器间的数据迁移以及可解释性有限。本文提出了一个概念验证虚拟活检管道，用于对 2D 脑 MRI 图像进行四类分类，使用轻量级卷积神经网络（CNN）和补充的放射组学手工特征。我们采用 MobileNetV2 基于 CNN 的 CNN 进行分类，同时从放射组学分支提取八个特征，捕捉肿瘤形状、强度统计和灰级共生矩阵（GLCM）纹理描述符。采用后期融合策略，将 CNN 嵌入与放射组学特征拼接，并在融合表示上训练 RandomForest 分类器。通过 Grad-CAM 可视化和放射组学特征重要性分析提供可解释性。实验在公开的 Kaggle 脑肿瘤 MRI 数据集上进行，显示融合相对于单分支基线在验证性能上取得改进，同时鲁棒性测试在降低分辨率和添加噪声条件下凸显其对低资源影像环境的敏感性。该系统被设定为决策支持工具，不取代临床诊断或组织病理学。