编辑推荐：
在临床中，胶质瘤的诊疗面临诸多难题，如分子诊断依赖有创活检，现有深度学习方法难以满足综合诊断需求。研究人员开展基于多模态 MRI 的胶质瘤多任务研究。结果显示，该方法性能优异且资源消耗少。这为胶质瘤临床诊断提供新工具，助力精准医疗。
胶质瘤，作为大脑中最常见的原发性恶性肿瘤，一直是医学界的一大挑战。患者对治疗的反应和预后差异巨大，早期准确诊断并及时治疗对他们来说至关重要。按照世界卫生组织（WHO）的肿瘤分类标准，胶质瘤依据组织学和临床标准被分为 1 - 4 级，同时分子诊断的概念也被引入，其中异柠檬酸脱氢酶（IDH）突变状态和 1p/19q 共缺失状态成为关键的分子生物标志物。然而，目前临床常用的获取这些信息的方法 —— 活检，不仅具有侵入性，耗时费力，还会给患者带来痛苦，部分胶质瘤位置特殊，患者甚至无法进行活检。
磁共振成像（MRI）凭借其无创的优势，成为临床检测病变的重要手段。不同的 MRI 模态，如液体衰减反转恢复成像（FLAIR）、T1 加权成像（T1）、T1 加权增强成像（T1ce）和 T2 加权成像（T2），能为医生提供丰富的信息，帮助他们更全面地了解胶质瘤的特征。研究发现，IDH 突变的胶质瘤在 MRI 上有特定表现，如单侧生长、边界清晰、信号均匀、强化不明显；而 IDH 野生型胶质瘤则呈现出厚且不规则的强化、坏死以及浸润性水肿等特点。1p/19q 共缺失的胶质瘤在 MRI 上多表现为轻度强化、边界模糊和信号不均。因此，利用 MRI 实现胶质瘤的无创术前诊断，包括肿瘤分割、分级以及分子生物标志物预测，对患者的治疗和预后意义重大。
尽管卷积神经网络在医学图像处理领域发展迅速，也有不少基于此的方法用于预测胶质瘤相关指标和进行肿瘤分割，但大多方法仅专注于单一任务，难以满足临床综合诊断的实际需求。虽有结合分割和分类任务的研究，但常见的两阶段方法存在局限性，分割结果的准确性会显著影响后续分类任务的性能，且无法实现端到端的流程。
为解决这些问题，来自武汉大学人民医院等机构的研究人员开展了一项极具意义的研究。他们提出了一种单阶段全自动端到端的多任务卷积神经网络，旨在利用多模态 3D MRI 扫描，在进行胶质瘤分割的同时，预测 IDH 突变状态、1p/19q 共缺失状态和胶质瘤分级。该研究成果发表在《Biomedical Signal Processing and Control》上，为胶质瘤的诊疗开辟了新方向。
研究人员在此次研究中运用了多种关键技术方法。首先，构建了一个基于编码器 - 解码器结构的多任务网络，该网络包含编码器、解码器和掩码多尺度融合模块。编码器负责提取多尺度特征，解码器将这些特征逐步聚合以完成肿瘤分割任务，掩码多尺度融合模块则融合多尺度特征和分割结果进行分类。其次，引入变分自编码器（VAE）对多任务网络的编码器和解码器进行预训练，提升网络性能。此外，研究使用了多个数据集，包括来自公开数据集 Erasmus Glioma Database（EGD）的 774 名患者、武汉大学人民医院的 64 名患者以及 BraTS2021 数据集的 1251 名患者，这些患者均有术前 4 种 MRI 模态扫描数据和胶质瘤区域分割标签，部分还有肿瘤分级、IDH 突变状态等信息。
下面来看具体的研究结果：
- 模型性能评估：研究人员使用公开数据集和当地医院数据集对提出的方法进行评估。在公开数据集的测试集中，该方法在预测 IDH 突变状态、1p/19q 共缺失状态和胶质瘤分级方面，曲线下面积（AUC）分别达到 0.9851、0.7695 和 0.8949，平均骰子系数（Dice Score）为 0.8485，平均豪斯多夫距离（Hausdorff Distance）为 19.60mm；在武汉大学人民医院的数据集中，AUC 分别为 0.9313、0.8254 和 0.8638，平均骰子系数为 0.7490，平均豪斯多夫距离为 24.50mm。这表明该方法在多任务预测和肿瘤分割方面都取得了优异的性能。
- 与其他方法对比：与现有的单阶段和两阶段方法相比，该研究提出的方法不仅在性能上更胜一筹，而且在计算资源消耗上更少。这意味着在实际临床应用中，该方法具有更高的可行性和实用性。
在研究结论和讨论部分，研究人员指出，2021 年 WHO CNS5 再次强调了分子生物标志物在胶质瘤诊疗指南中的重要性。他们提出的网络能够通过术前 MRI 扫描预测胶质瘤的关键信息，并同时完成肿瘤区域的分割，为实现无创术前诊断提供了有力的工具。通过引入 VAE 对多任务网络进行预训练，进一步挖掘了无分子生物标志物和分级标签数据的潜在价值。此次研究在多个机构的数据集上进行实验验证，充分证明了该方法的有效性。这一研究成果有望在临床实践中广泛应用，成为胶质瘤患者诊断的有力助手，减轻患者痛苦，为胶质瘤的精准诊疗提供新的思路和方法，推动胶质瘤诊疗领域的发展。
