FoundBioNet：基于基础模型的IDH基因型肿瘤MRI多参数图像预测方法
计算机视觉与模式识别
2025-10-01 v2 人工智能
摘要
准确、无创地检测肿瘤异构蓝嘌呤脱氢酶（IDH）突变对有效的脑肿瘤管理至关重要。传统方法依赖侵入性组织样本检测，可能无法捕捉肿瘤的空间异质性。虽然深度学习模型在分子分型方面显示出前景，但其性能常受限于稀缺的标注数据。相比之下，基础深度学习模型为肿瘤影像生物标志物提供了更具可泛化性的解决方案。我们提出了基于基础的生物标志物网络（FoundBioNet），其利用基于SWIN-UNETR的架构，从多参数MRI中非侵入性地预测IDH突变状态。该网络包含两个关键模块：肿瘤感知特征编码（Tumor-Aware Feature Encoding, TAFE）用于提取多尺度、肿瘤聚焦特征，以及跨模态差异（Cross-Modality Differential, CMD）用于突出IDH突变相关的T2-FLAIR细微失配信号。该模型在来自六个公开数据集的1705名脑肿瘤患者（包括EGD、TCGA、Ivy GAP、RHUH和UPenn）上进行训练和验证。在独立测试集上，FoundBioNet在EGD、TCGA、Ivy GAP、RHUH和UPenn的AUC分别达到90.58%、88.08%、65.41%和80.31%，持续优于基线方法（p <= 0.05）。消融研究确认，TAFE和CMD模块对提高预测精度至关重要。通过集成大规模预训练和任务特定的微调，FoundBioNet实现了肿瘤表型表征的通用化。这一方法提高了诊断精度和可解释性，具有潜在的个性化患者护理价值。
引用
@article{arxiv.2508.06756,
title = {FoundBioNet: A Foundation-Based Model for IDH Genotyping of Glioma from Multi-Parametric MRI},
author = {Somayeh Farahani and Marjaneh Hejazi and Antonio Di Ieva and Sidong Liu},
journal= {arXiv preprint arXiv:2508.06756},
year = {2025}
}
备注
Accepted for oral and poster presentation at MICCAI 2025