? ? ? ? 大家好，我是帶我去滑雪！

? ? ? ?腦膜瘤是一種常見的腦部腫瘤，Ki-67作為腫瘤細胞增殖的標志物，對于評估腫瘤的生物學行為、預后以及治療方案的制定具有至關重要的作用。然而，傳統的Ki-67檢測依賴于組織學切片和免疫組化染色等方法，這些技術具有一定的局限性，比如需要侵入性操作、成本高且耗時。因此，開發一種能夠非侵入性地、準確地預測腦膜瘤Ki-67表達水平的方法，對于臨床診療意義深遠。MR圖像作為一種常見的非侵入性影像學檢查手段，已被廣泛應用于腦部腫瘤的診斷和治療評估。通過多模態深度學習模型，能夠結合不同來源的MR圖像數據（如T1加權、T2加權、增強掃描等），提取腫瘤的結構特征與紋理特征，進而構建出更為精確的預測模型。這種方法不僅可以為腦膜瘤患者提供更為準確的個性化預后評估，還能夠指導臨床醫生根據預測結果調整治療策略，從而提高患者的治療效果和生存質量。此外，該研究推動了醫學影像學和人工智能技術的深度融合，促進了無創性診斷方法的革新，并為未來其他腫瘤的生物標志物預測提供了借鑒和方法支持。

? ? ? ? 今天閱讀的是一篇來自NPJ Precision Oncology期刊，近期發表的一篇論文《A multi-modal deep learning model for prediction of Ki-67 for meningiomas using pretreatment MR images》，該文章利用多模態技術，開發了一個通過MRI數據準確評估腦膜瘤Ki-67指數的深度學習模型。憑借該研究多模態融合的啟發，本文對如何解釋不同模態信息融合進行了更進一步的分析。

? ? ? ? 該研究采用2017年1月到2023年12月期間的2個醫療機構1239名腦膜瘤手術切除患者，涵蓋了T1WI、T2WI、FLAIR以及T1C四種MRI序列。

? ? ? ? 該研究的技術路線大致可以劃分為3個階段。首先是對影像中的腦膜瘤區域進行勾畫，并通過PyRadiomics提取傳統影像組學特征；其次是提出級聯多模態模型，整合不同模態信息并生成Ki-67指數預測結果；最后通過生存分析及多種評價指標對預測模型進行分析評價。

? ? ? ? 該研究提出的級聯多模態Ki-67指數預測模型包含由三個Transformer模塊構成，依次整合MRI影像的深度學習特征、放射學特征以及傳統影像組學特征。其中深度學習特征以MRI圖像作為輸入，使用預訓練的CNN-Transformer深度學習模型進行特征提取；放射學特征包括腫瘤水腫指數、腫瘤內壞死、腫瘤周圍腦脊液裂隙和包膜增強4類；傳統影像組學特征通過PyRadiomics提取。

? ? ? ?該研究通過ROC曲線分析，F1得分等評價指標對預測模型效果進行評價，利用Grad-CAM突出影像關鍵區域，結合注意力圖可視化和分析每個模態對預測的貢獻，采用生存分析進行臨床驗證。

? ? ? ? ?該研究在討論部分對傳統影像組學特征與深度學習特征在級聯多模態預測模型中的作用進行探討，雖然不一定正確但非常有參考價值。

參考文獻：

CHEN C, ZHAO Y, CAI L, 等. A multi-modal deep learning model for prediction of Ki-67 for meningiomas using pretreatment MR images[J/OL]. npj Precision Oncology, 2025, 9(1): 21.?

---

更多優質內容持續發布中，請移步主頁查看。

?若有問題可郵箱聯系：1736732074@qq.com?

博主的WeChat:TCB1736732074

? ?點贊+關注,下次不迷路！