用于预测儿童低度脑肿瘤化疗反应的集成模型
图像与视频处理
2026-01-08 v1
摘要
本文介绍了一种新型管线，用于预测不适合完全手术切除的儿童脑肿瘤对化疗的反应，这些肿瘤是利用术前磁共振成像 (MRI) 结合临床信息进行管理的。该方法将最先进的儿童脑肿瘤分割框架与放射组学特征提取和临床数据集成，通过 Swin UNETR 编码器和 XGBoost 分类器的集成实现。分割模型描绘了四个肿瘤亚区域：增强肿瘤、非增强肿瘤、囊性成分和水肿，这些区域用于提取影像生物标志物并生成预测特征。Swin UNETR 网络直接从这些分割 MRI 扫描中对反应进行分类，而 XGBoost 则使用放射组学和临床变量进行预测，包括法定性别、族裔、种族、事件时的年龄（以天为单位）、分子亚型、肿瘤位置、初始手术状态、转移状态、转移部位、化疗类型、方案名称和化疗药物。该集成输出为这一历史上存疑的患者群体提供一种非侵入性的化疗反应估计，后者以较低的无进展生存率为特征，化疗是主要的治疗选项。就比较而言，我们的 Swin-Ensemble 实现了最佳性能（非有效案例的精确率=0.68，召回率=0.85，非有效案例的精确率=0.64，整体准确率=0.69），超越了 Mamba-FeatureFuse、Swin UNETR 编码器和 Swin-FeatureFuse 模型。我们的发现表明，这一集成框架代表了为需要化疗治疗且不适合完全手术切除的儿童低度脑肌瘤患者实现个体化治疗反应预测的有前景的一步。
引用
@article{arxiv.2601.03899,
title = {Ensemble Models for Predicting Treatment Response in Pediatric Low-Grade Glioma Managed with Chemotherapy},
author = {Max Bengtsson and Elif Keles and Angela J. Waanders and Ulas Bagci},
journal= {arXiv preprint arXiv:2601.03899},
year = {2026}
}