Stability-Aware Multicenter Machine Learning for Glioma MRI Imaging: 无对比剂量的脑肿瘤 MRI 图像增强预测

加药剂比对照剂 (GBCAs) 是脑肿瘤成像的核心，但因安全性、成本和可及性问题引发争议。使用机器学习 (ML) 从非对比 MRI 预测增强效果是更安全的替代方案，因为增强效果反映肿瘤的侵袭性并指导治疗计划。然而，扫描仪和队列之间的变异性阻碍了稳健模型的选择。我们提出一种基于稳定性的框架，用于识别脑肿瘤 MRI 增强预测的可再现性 ML 流程。我们分析了来自四个 TCIA 数据集 (UCSF-PDGM、UPENN-GB、BRATS-Africa、BRATS-TCGA-LGG) 的 1,446 例脑肿瘤病例。以非对比 T1WI 为输入，增强效果来自配对的对比后 T1WI。基于 PyRadiomics 遵循 IBSI 标准，提取 108 项特征，并与 48 种降维方法和 25 个分类器组合，形成 1,200 条流水线。进行旋转验证，在三个数据集上训练，在第四个数据集上测试。交叉验证预测准确率范围为 0.91 到 0.96，外部测试准确率分别为 UCSF-PDGM (0.87)、UPENN-GB (0.98) 和 BRATS-Africa (0.95)，平均为 0.93。F1、精确率和召回率稳定 (0.87 到 0.96)，而 ROC-AUC 变化更大 (0.50 到 0.82)，反映了队列之间的异质性。与 ETr 流水线相关的 MI 持续排名第一，平衡了准确率和稳定性。该框架表明，基于稳定性的模型选择可靠地预测非对比脑肿瘤 MRI 的增强效果，减少了对 GBCAs 的依赖，并提高了跨中心的可推广性。它为神经肿瘤学及更广泛领域的可重复 ML 提供了可扩展模板。