用于肿瘤分类中深度影像组学特征发现与临床验证的可解释深度学习框架

影像特征是医学图像中提取的定量特征，为肿瘤诊断、表征、预后和治疗计划提供临床有意义的信息。尽管深度学习在影像特征发现方面显示出巨大潜力，但其有限的可解释性仍然是临床采用的主要障碍。现有方法通常实现高预测性能，但对所识别特征的生物学洞察很少。我们提出了一个统一的框架，通过整合基于深度学习的分割、可解释分类和影像组学分析，实现可解释的影像特征发现。首先使用鲁棒的分割模型精确描绘肿瘤，然后通过Grad-CAM引导的流程识别具有诊断重要性的区域作为候选影像特征。基于互信息的自适应阈值策略能够实现患者特定的特征提取。所得特征使用下游深度学习分类模型进行验证，而从特征区域提取的影像组学特征则使用传统机器学习模型进行评估，并使用SHAP进行解释以识别最具判别性的生物标志物。所提出的框架在公共BUSI乳腺超声、KiTS肾CT和BraTS脑肿瘤数据集以及私有的UF Health肾CT队列上进行了评估。与传统的全肿瘤影像组学相比，所提出的基于特征的方法在提供更大生物学可解释性的同时，实现了更好的判别性能。通过将深度学习注意力转化为可重复的定量成像生物标志物，该框架为非侵入性肿瘤表征和成像生物标志物发现提供了可解释且可重复的解决方案。