基于自动化脑肿瘤分割的AI决策支持系统用于EGFR突变分类以提升胶质母细胞瘤诊疗水平

　　本研究提出一种全自动MRI决策支持系统，融合剪切波熵特征与CNN的轻量化UNet SI架构（仅1.9 M参数），通过Inception ResNet-v2实现胶质母细胞瘤（GBM）分割与EGFR突变分类。在98例增强T1加权影像上达到Dice 0.873、分类准确率0.960及AUC 0.94，显著降低对侵入性活检的依赖，为临床提供高效诊断工具。

　　

胶质母细胞瘤（GBM）预后极差，而表皮生长因子受体（EGFR）突变会进一步缩短患者生存期。研究人员开发了一套基于磁共振成像（MRI）的全自动决策支持系统（DSS），该系统能够实现GBM肿瘤的自动分割并对EGFR突变状态进行分类，从而减少对侵入性活检的依赖。

其分割模块UNet SI创新性地融合了多分辨率熵排序剪切波（shearlet）特征与卷积神经网络（CNN）特征，通过恒等长跳跃连接保留细节信息，最终构建出一个仅含190万参数的轻量级网络。生成的肿瘤掩模随后通过512维瓶颈层输入至Inception ResNet-v2分类器中进行EGFR状态预测。

该研究流程在98例对比增强T1加权图像（来自Memorial Hospital，伦理批准号：24.12.2021/008）上进行了五折交叉验证，并在BraTS 2019数据集上进行了外部验证。在Memorial队列中，UNet SI取得了Dice系数0.873、Jaccard指数0.853、结构相似性指数（SSIM）0.992以及95%豪斯多夫距离（HD95）24.19 mm的优异分割性能。EGFR分类任务则达到了准确率0.960、精确度1.000、召回率0.871和曲线下面积（AUC）0.94，超越了已发表的先进成果。

在仅配备4 GB显存的GPU上，该系统每张图像的推断时间不超过0.18秒。通过将剪切波增强的分割技术与高效分类流程相结合，该决策支持系统不仅提供了卓越的EGFR预测性能，而且非常适合集成到常规临床工作流程中。