An Explainable Deep Model for Risk Scoring and Accurate Radionecrosis Identification Following Brain Metastasis Stereotactic Radiosurgery.
研究背景
立体定向放射外科（SRS）治疗脑转移瘤后影像学进展常见，可能是局部复发（LR）或放射性坏死（RN），但常规影像难区分，活检有侵入性和风险，急需非侵入性可解释模型。
方法速览
构建基于二阶 Heavy-Ball 神经常微分方程（HBNODE） 的深度学习框架，整合 MRI 图像、临床特征和基因组数据，引入 Layer-Wise Relevance Propagation（LRP）进行特征贡献分析。
主要发现
- 模型性能优：独立测试集里，HBNODE 模型 AUCROC 为 85 ± 0.04，准确率 0.82 ± 0.01，显著优于仅用 MRI 的模型和未加权的临床+基因组模型。
- 特征贡献动态变化：临床特征在模型决策前 65% 时间贡献最大，影像特征后期成主导，基因组特征贡献小。
- 非影像特征风险评分模型：通过 LRP 分析选出年龄、ALK 突变状态和 PD-L1 表达三个非影像特征，构建的风险评分模型在测试集 AUCROC 达 0.76 ± 0.03，准确率 0.73 ± 0.02。
- 泛化能力良好：外部验证数据集里，HBNODE 模型整体准确率 0.759。
创新与局限
- 创新点: 首次用 HBNODE 识别 RN，引入 LRP 分析特征，提出风险评分模型。
- 局限性: 数据源于单一机构、样本量小，数据增强策略仅用于影像数据，模型计算资源需求高。
- 总结: 本研究 HBNODE 模型区分 RN 与 LR 表现出色，增强了可解释性，为非侵入性诊断提供新工具。