面向脑肿瘤表征的稳健影像组学和影像基因组学预测模型

在脑肿瘤表征的背景下，我们关注两个关键问题：(a) 影像组学特征对通过全自动深度分割方法获得的多区域分割掩膜变异性的稳定性，以及(b) 这种稳定性对下游任务（IDH预测和总生存期分类）预测性能的后续影响。我们进一步将研究限制在计算资源有限的环境中，这种环境常见于发展中国家的贫困、偏远和（或）资源匮乏的临床站点。我们采用了七种最先进的卷积神经网络，这些网络可以在有限的计算资源下进行训练，并在BraTS挑战中展示了卓越的分割性能。随后使用RFE-SVM和MRMR进行判别性特征选择。我们的研究表明，高度稳定的影像组学特征是：(1) 主要是纹理特征（79.1%），(2) 主要从WT区域提取（96.1%），以及(3) 主要代表T1Gd（35.9%）和T1（28%）序列。形状特征和从ENC子区域提取的影像组学特征具有最低的平均稳定性。稳定性过滤最小化了预测模型中的非生理变异性，如AUC的相对标准差降低了一个数量级所示。非生理变异性归因于通过全自动卷积神经网络获得的多区域分割图的变异性。稳定性过滤显著提高了两个下游任务的预测性能，证实了学习具有稳定判别性特征的新型影像组学和影像基因组学模型的必要性。该研究（隐含地）证明了次优深度分割网络的重要性，这些网络可以作为辅助网络，用于后续识别对自动生成的多区域分割图变异性稳定的影像组学特征。