NeuroRAD-FM: 一种用于神经肿瘤学的分布鲁棒训练基础模型
计算机视觉与模式识别
2025-09-22 v1
摘要
神经肿瘤学因其数据异质性和肿瘤复杂性而对机器学习提出独特挑战，限制了基础模型（FMs）在不同队列间的泛化能力。现有的FMs在预测不常见分子标记物方面也表现不佳，而后者对于治疗反应和风险分层至关重要。为解决这些不足，我们开发了一种针对神经肿瘤学的基础模型，并采用分布鲁棒损失函数，实现了对肿瘤表型的准确估计，同时保持了跨机构泛化能力。我们在多机构脑肿瘤MRI数据上预训练了自监督骨干网络（BYOL、DINO、MAE、MoCo），并应用分布鲁棒优化（DRO）以缓解站点和类别不平衡问题。下游任务包括常见分子标记物（MGMT、IDH1、1p/19q、EGFR）的分子分类、不常见变异（ATRX、TP53、CDKN2A/2B、TERT）、连续标记物（Ki-67、TP53），以及UCSF、UPenn和CUIMC的IDH1野生型胶质母细胞瘤总体生存预测。我们的方法改善了分子预测并减少了站点特定的嵌入差异。在CUIMC，均衡准确率从0.744提升至0.785，AUC从0.656提升至0.676，代表性不足的终点指标提升最大（CDKN2A/2B准确率从0.86提升至0.92，AUC从0.73提升至0.92；ATRX AUC从0.69提升至0.82；Ki-67准确率从0.60提升至0.69）。对于生存预测，c-index在所有站点均有所提升：CUIMC从0.592至0.597，UPenn从0.647至0.672，UCSF从0.600至0.627。Grad-CAM突出了肿瘤和肿瘤周围区域，确认了可解释性。总体而言，将FMs与DRO相结合能够产生更具站点不变性的表示，提高常见和不常见标记物的预测能力，并增强生存判别能力，这强调了进行前瞻性验证以及整合纵向和干预信号以推进精准神经肿瘤学的必要性。
引用
@article{arxiv.2509.15416,
title = {NeuroRAD-FM: A Foundation Model for Neuro-Oncology with Distributionally Robust Training},
author = {Moinak Bhattacharya and Angelica P. Kurtz and Fabio M. Iwamoto and Prateek Prasanna and Gagandeep Singh},
journal= {arXiv preprint arXiv:2509.15416},
year = {2025}
}