IF8.0!! 南京鼓楼医院凭''深度学习+SHAP+影像组学+TCGA-LGG ''轻松发高分一区!

点击上方''蓝字''关注我吧！

一句话讲透核心思路（简单通俗易懂）

基于TCGA-LGG和真实世界数据集，整合手工放射组学特征与深度学习嵌入特征，构建可解释的多模态MRI框架，以预测胶质瘤患者的术后化疗获益。

研究核心亮点 ❗️ ❗️ ❗️

• 方法创新：

• 特征互补融合：首创将传统放射组学（726个特征）与深度学习特征（3D CNN/ResNet-18提取）进行拼接融合，利用两者在“宏观体积/形态”与“微观空间异质性”上的互补性，大幅提升预测精度（AUC从单模态的提升至0.75/0.89）；

• 可解释性驱动：引入SHAP归因分析和Grad-CAM可视化，将AI决策路径与病理微环境（如浸润边缘）关联，破解AI“黑箱”；

• 数据增强策略：应用PCA-GMM对真实世界小样本集进行增强，解决了临床数据量不足导致的过拟合问题。

• 数据创新：

• 跨平台验证：同时在TCGA-LGG（基因组+影像）和真实世界数据集（术后化疗随访）上进行测试，证明了模型的泛化能力和临床转化潜力。

引言

🧠第1个把“放射组学”和“深度学习”像拧麻花一样结合，专门用来破解脑瘤化疗到底有没有用的AI框架横空出世！

📝突破：今天要分享的一篇文献由南京鼓楼医院近期发表于📚《NPJ Precis Oncol》（IF=8.0，医学1区）的研究：

💡别以为又是纯湿实验——

💻现在的AI看脑瘤MRI要么只看表面纹理，要么只看局部，他们偏不，非要把手工提取的726个特征和深度学习挖出来的深层特征搅在一起，看看能不能算准病人到底能不能从化疗里捞到好处！

📈SHAP和热力图联手破案，把AI的“黑箱”变成透明玻璃房：

研究依托 SHAP、Grad-CAM 解析模型，关键影像区域与药效病理位点吻合，为胶质瘤化疗决策提供量化参考！

（还在为“纯生信”文章缺乏深度、频频被拒而焦虑？如果你也想借鉴'' 深度学习+SHAP+放射组学+TCGA-LGG''研究框架分析，别观望了，关注生信大佬，下一篇高分SCI等你来拿！）

文献解读

👇🏻点击下方名片关注''生信大佬''，每天持续更新高分文献！带你洞察探索更多科研领域👇🏻

研究背景

胶质瘤空间与分子异质性阻碍术后化疗获益精准预判，传统影像评估与单模态 AI 无法全面表征肿瘤表型，亟需可解释的多模态融合预测模型指导个体化化疗。

研究方法

🔹 1. 数据库

• TCGA-LGG、真实世界术后随访数据集、PCA-GMM增强数据集。

🔹 2. 特征提取

• 手工放射组学：提取726个特征（体积、形态、宏观纹理）。

• 深度学习：基于病灶分割 3D 框选、分块采样两种策略，依托轻量化 3D CNN + 预训练 3D ResNet-18 (MedicalNet) 生成深度嵌入特征。

🔹 3. 模型构建

• 单一模型：选用 AUC、F1 分数量化区分性能，横向对比所有算法与现行临床常规评分的预测优劣。

• 融合模型：拼接两类特征，构建多模态预测模型。

🔹 4. 评估方法

• 交叉验证：分层k折交叉验证（真实世界数据受限）。

• 性能指标：AUC、F1分数。

🔹 5. 可解释性分析

• SHAP归因分析：识别驱动预测的关键放射组学特征。

• Grad-CAM可视化：定位AI在MRI上的注意力区域，关联病理微环境。

图1：图文摘要

研究结果

数据完整性与初步质量控制

• 数据清洗：65例患者，726项特征。剔除缺失率>30%的特征后，保留484项优质特征。

• 影像验证：65例均具完整多模态MRI及分割掩码。热力图显示模型聚焦肿瘤核心与瘤周水肿，特征有效。

• 肿瘤体积：呈右偏分布，符合低级别胶质瘤生物学差异。

• 可复现性：所有质控数据已导出CSV，全程可溯源。图2、图3

图2：代表性患者的多模态磁共振断层影像。

图3：包围盒提取与三维补丁采样。

影像组学特征探索

▶️筛选得到 482 项有效影像组学特征，PCA 提示信息分散、样本无特异聚类；前 50 特征存在高度冗余，同模态纹理指标相关性近 0.99，提示建模前需实施特征降维处理。图4

图4：数据集特征与降维分析。

深度学习特征提取

• 预处理：基于人工分割掩码提取肿瘤最小包围盒（62/65例），重采样至96×96×96，输入预训练MedicalNet（3D ResNet-18），输出每例512维特征。

• 图像块采样：以肿瘤质心及随机边缘提取三个64×64×64图像块（62例），特征求均后得到每例512维表征。

• 轻量化CNN：自建3D CNN，输出每例128维特征。

• 预训练模型：改造MedicalNet接受四模态输入，提取512维特征。

• 输出：特征矩阵导出为CSV，用于后续融合建模。

基线性能与数据约束

▶️单次拆分数据集建模 AUC 仅 0.56~0.62，受小样本抽样误差影响；五折分层交叉验证后性能提升，分块深度特征 + SVM 最优 AUC≈0.75，印证交叉验证更适配小样本建模。

问题与挑战

• 数据清洗：修复非数值（如#DIV/0!）、无穷值、患者编号不匹配等问题，采用中位数插补、正则匹配等方法。最终65例样本精准匹配，流程可复现。

• 研究局限：总生存期反映多模式联合疗效，无法单独表征化疗疗效；TCGA-LGG缺乏RECIST/RANO标准下的直接化疗疗效标签，但仍是胶质瘤影像研究最常用数据源之一。

▶️数据集 1 受临床样本局限，影像组学 AUC≈0.70、融合模型≈0.75；经扩充的数据集 2 特征更优质，三类模型 AUC 最高至 0.99。学习曲线数据集 2 小样本训练即可实现高 AUC，性能稳健无过拟合，印证数据质量是模型效能关键。图5、图6

图5：不同模型的 ROC 曲线与 AUC 值对比。

图6：学习曲线与模型性能对比。

▶️经 SHAP 解析仅 2 项影像特征主导模型判定；选取方差 TOP5 特征，其表征肿瘤灰度、纹理异质性，特征间高度相关，证明该影像组学特征存在冗余聚类。图7

图7：基于人工智能的特征重要性分析与相关性热力图。

▶️数据集 1 中单模 AUC 分别 0.70、0.65，特征融合升至 0.75，印证两类特征信息互补，样本匮乏致使堆叠集成无增益；数据集 2 数据质量优异，融合与集成模型 AUC 近 0.997、0.996。图8

图8：不同架构与数据集下的模型性能。

▶️双数据集内融合模型效能最优，相较单特征模型 AUC、灵敏度显著改善；数据集 1 提升幅度中等，数据集 2 提升极显著（d＞4、δ＞0.95），融合方案整体优于传统机器学习基线。表1

表1：跨多个数据集。

▶️借助 Grad‑CAM 可视化 3D 卷积模型并配准 FLAIR 图像，深度学习分块特征可分别刻画瘤内核纹理与瘤周浸润，T1Gd、FLAIR 贡献最高；热力图激活区和病理病灶吻合，与影像组学特征形成互补。图9

图9：利用梯度加权类激活映射（Grad-CAM）定位病理相关的肿瘤特征。

生信启示

核心逻辑：用手工影像组学提取 + 3D 深度学习建模 + PCA-GMM 数据扩增 + SHAP/Grad-CAM 可解释分析组合拳，把胶质瘤多模态 MRI 影像数据转化为化疗获益临床预测工具。

• 双特征互补融合的 “信息补全” 能力：单一组学或单深度学习模型仅能捕捉片面肿瘤表型，手工特征刻画宏观形态、深度特征抓取局部微浸润，二者融合补齐肿瘤异质性信息短板。

• “双数据集分层验证” 的性能优化思维：单套真实数据建模易受样本量、特征局限影响，PCA-GMM 扩增 + 双队列分层校验，充分释放模型预测潜力、规避过拟合。

• “多重算法联合解析” 的可解释落地思路：单纯深度学习为黑箱模型，SHAP 量化特征权重 + Grad-CAM 空间可视化，实现 AI 预测结果和病理微环境相互对应。启示：多可解释工具联用，是智能影像模型落地临床诊疗的必要保障。

这种多源数据整合→双通路特征提取→多模型构建择优→双队列分层验证→多算法可解释拆解的链条研究思路，为肿瘤放化疗疗效的可解释 AI 影像预测建立标准化范式。

文章结论

（科研瓶颈卡到崩溃？生信分析不会做、课题没创新？当下超火的''深度学习+可解释AI（SHAP）+影像组学''机制解析组合拳套路来了，关注大佬，后台留言，下一篇 SCI 稳稳上岸！）

📢 想套用这套统计结果写法？高分 SCI 省力发文套路整理汇总，需要参考后台留言！

点点赞

点分享

点在看