基于可解释组织形态学的胶质母细胞瘤（IDH 野生型）生存预测
图像与视频处理
2026-04-01 v3 机器学习
定量方法
摘要
胶质母细胞瘤，IDH 野生型 (GBM-IDHwt) 是最常见的恶性脑肿瘤。尽管组织形态学是 GBM-IDHwt 诊断的关键组成部分，但并未进一步用于预后。在此，我们提出了一种可解释的人工智能 (AI) 框架，用于识别和解释与患者生存期相关的组织形态学特征。该框架结合了可解释的多示例学习 (MIL) 架构（可直接识别具有预后相关性的图像切片）和稀疏自编码器 (SAE)（将这些切片映射到可解释的视觉模式）。MIL 模型在来自德国三家医院和四个癌症登记处的 720 例 GBM-IDHwt 病例的新真实世界数据集上进行了训练和评估。SAE 在来自五个独立公共胶质母细胞瘤集合的 1,878 张全切片图像上进行了训练。尽管影响生存期的因素众多，我们的方法显示出仅基于组织形态学就能在一定程度上区分生存期少于 180 天或超过 360 天的患者的能力（AUC：0.67；95% CI：0.63-0.72）。Cox 比例风险回归证实，在对既定预后因素进行调整后，预测组之间存在显著的生存差异（风险比：1.47；95% CI：1.26-1.72）。三位神经病理学家将识别出的视觉模式分为七个不同的组织形态学组，揭示了既定的预后特征和意料之外的关联，后者可能归因于手术相关的混杂因素。所提出的可解释 AI 框架促进了 GBM-IDHwt 及其他疾病的预后生物标志物发现，突出了有待进一步分析的有前景的组织形态学特征，并暴露了在黑盒模型中会被隐藏的潜在混杂因素。
引用
@article{arxiv.2601.11691,
title = {Explainable histomorphology-based survival prediction of glioblastoma, IDH-wildtype},
author = {Jan-Philipp Redlich and Friedrich Feuerhake and Stefan Nikolin and Nadine Sarah Schaadt and Sarah Teuber-Hanselmann and Joachim Weis and Sabine Luttmann and Andrea Eberle and Christoph Buck and Timm Intemann and Pascal Birnstill and Klaus Kraywinkel and Jonas Ort and Peter Boor and André Homeyer},
journal= {arXiv preprint arXiv:2601.11691},
year = {2026}
}