基于脑神经拓扑神经网络的脑腿瘤异质性学习
机器学习
2026-02-13 v1 神经元与认知
摘要
深度学习（DL）用于准确预言脑腿瘤（GBM）面临极大的空间和结构异质性瓶颈。此外，跨机构 MRI 采集协议的不一致性阻碍了模型的可推广性。常规的变换器和 DL 流程往往难以捕获如碎片化坏死核心、浸润边缘和不相连增强组成部分等多尺度形态多样性，从而导致扫描器特定性瘤症和较差的跨站点预言。我们提出 TopoGBM，一个旨在从多参数 3D MRI 中捕获保留异质性、抗扫描器稳健性表征的学习框架。我们方法的核心是以拓扑正则化为约束的 3D 卷积自编码器，保留压缩潜空间中肿瘤流形的复杂非欧几里得不变量。通过强制这些拓扑先验，TopoGBM 显式建模 GBM 特有的高方差结构特征。评估于异构队列（UPENN、UCSF、RHUH）并在 TCGA 上的外部验证显示，TopoGBM 表现更佳（C-index 测试 0.67、验证 0.58），超越在域迁移下退化的基准模型。机械可解释性分析揭示，重建残差高度局限于病理异质区，肿瘤限制区和健康组织误差显著低（测试 0.03、验证 0.09）。此外，基于遮挡的归因定位约 50% 的预言信号归属于肿瘤及其多样化周围微环境，主张其无监督学习方法的临床可靠性。我们的发现表明，纳入拓扑先验可学习保留形态特征的嵌入，捕获肿瘤异质性同时保持跨机构稳健性。
引用
@article{arxiv.2602.11234,
title = {Learning Glioblastoma Tumor Heterogeneity Using Brain Inspired Topological Neural Networks},
author = {Ankita Paul and Wenyi Wang},
journal= {arXiv preprint arXiv:2602.11234},
year = {2026}
}