用于表征混淆肿瘤病理学成像异质性的图-影像组学学习（GrRAiL）描述符
计算机视觉与模式识别
2025-09-24 v1
摘要
实体瘤中的一个重大挑战是在常规影像上可靠地将混淆病理与恶性肿瘤区分开来。虽然影像组学方法试图在 CT/MRI 上寻找病灶异质性的替代标志物，但许多方法在感兴趣区（ROI）内聚合特征，并忽略了不同强度成分之间复杂的空间关系。我们提出了一种新的图-影像组学学习（GrRAiL）描述符，用于表征临床 MRI 扫描上的病灶内异质性（ILH）。GrRAiL (1) 使用体素级影像组学测量识别子区域的聚类，然后 (2) 计算图论指标以量化聚类之间的空间关联。生成的加权图编码了 ROI 内的高阶空间关系，旨在可靠地捕获 ILH 并消除混淆病理与恶性肿瘤的歧义。为了评估有效性和临床可行性，GrRAiL 在 n=947 名受试者中进行了评估，涵盖三个用例：区分胶质母细胞瘤（GBM; n=106）中的肿瘤复发与放疗效应，区分脑转移瘤（n=233）中的肿瘤复发与放射性效应，以及将胰腺导管内乳头状黏液性肿瘤（IPMNs; n=608）分层为无+低风险与高风险。在多机构环境下，GrRAiL 始终优于最先进的基线方法——图神经网络（GNNs）、纹理影像组学和强度图分析。在 GBM 中，复发与假性进展的交叉验证（CV）和测试准确率分别为 89% 和 78%，比对比方法的测试准确率提高了 10% 以上。在脑转移瘤中，复发与放射性坏死的 CV 和测试准确率分别为 84% 和 74%（提高 13% 以上）。对于 IPMN 风险分层，CV 和测试准确率分别为 84% 和 75%，显示出 10% 以上的提升。
引用
@article{arxiv.2509.19258,
title = {Graph-Radiomic Learning (GrRAiL) Descriptor to Characterize Imaging Heterogeneity in Confounding Tumor Pathologies},
author = {Dheerendranath Battalapalli and Apoorva Safai and Maria Jaramillo and Hyemin Um and Gustavo Adalfo Pineda Ortiz and Ulas Bagci and Manmeet Singh Ahluwalia and Marwa Ismail and Pallavi Tiwari},
journal= {arXiv preprint arXiv:2509.19258},
year = {2025}
}
备注
Under Review: npj Digital Medicine