多示例学习结合MR波谱区分肿瘤性与非肿瘤性脑病变的回顾性研究

Neuroimage. Reports · 2026-10-17 · 期刊论文

• 一句话结论：在422例患者、7442条MR波谱数据上，将全谱视为代谢指纹并采用多示例学习建模，最佳配置在独立内部留出测试集上区分肿瘤性与非肿瘤性脑病变的AUC为0.82（敏感度0.76、特异度0.80），提示该方法具有中等判别能力；证据档位为C。
• 研究设计与做法：研究设计与做法：回顾性分析单中心（材料未明确说明中心数）MRS数据，422例患者共7442条波谱，其中6598条用于训练、844条用于独立内部留出测试；以患者级弱监督构建多示例学习任务，采用深度神经网络并结合数据增强，比较min-max-mean池化与注意力池化两种聚合策略，并与神经影像医师判读进行基准比较。
• 主要结果：主要结果：最佳配置CNN-3Pool+数据增强在留出测试集上AUC 0.82、敏感度0.76、特异度0.80；仅基于MRS的医师判读平均敏感度0.54、特异度0.88。注意力机制可视化显示脂质峰、胆碱峰及Glx区（2.2–2.4 ppm）对分类贡献较大。置信区间与p值材料未报告。
• 机制或解释：机制或解释：作者未从生物学机制层面解释分类依据，而是强调将全谱作为代谢指纹、通过注意力机制提供可解释性，并指出脂质、胆碱与Glx区等已知波谱特征被模型关注，作为未来验证的候选生物标志物。
• 局限与边界：局限与边界：为回顾性研究，测试集为单中心内部留出而非外部独立验证；患者级弱标签与波谱异质性可能影响泛化；与医师比较仅限MRS信息，未纳入完整影像与临床资料；样本量、设备与序列异质性、利益冲突材料未报告。
• 可否落地：可否落地：结果提示全谱多示例学习可作为MRS辅助判读的候选工具，但证据档位为C，尚不足以下临床替代医师判读的结论；实际应用前需多中心外部验证、前瞻性评估与工作流整合研究。

🔗 打开原文

Gacheva I, Lu D, Kurz G 等

本文摘自《每日前沿研究简报 · 2026-10-27》「AI 医学影像与临床决策」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。