MRI 影像组学中的多视图范式转变：预测胶质母细胞瘤 MGMT 甲基化

从医学影像中非侵入性地推断分子肿瘤特征是影像基因组学的核心目标，尤其是在胶质母细胞瘤 (GBM) 中，O6-甲基鸟嘌呤-DNA 甲基转移酶 (MGMT) 启动子甲基化具有重要的预后和治疗意义。尽管基于影像组学的机器学习方法在此任务上显示出前景，但传统的单模态和早期融合方法常受限于高特征冗余和不完整的模态特异性信息建模。在这项工作中，我们引入了一个基于变分自编码器 (VAE) 的多视图潜在表示学习框架，该框架保留了模态特异性的影像组学结构，同时能在紧凑的概率潜在空间中进行晚期融合。该方法在从对比增强 T1 加权 (T1Gd) 和液体衰减反转恢复 (FLAIR) 磁共振成像 (MRI) 的坏死肿瘤核心中提取的影像组学特征上进行了评估。实验结果表明，所提出的多视图 VAE 结合随机森林分类器，实现了 0.77 的测试受试者工作特征 (ROC) 曲线下面积 (AUC)（95% 置信区间：0.71-0.83），显著优于基线影像组学模型 (AUC = 0.54) 和超参数调优模型 (AUC = 0.64)。这些发现表明，多视图概率编码能够更有效地整合互补的 MRI 信息，并显著提高对 MGMT 启动子甲基化状态的预测性能。