✨ 要点🔬 技术摘要
想象一下，你是一名试图在患者体内破解谜团的侦探。通常情况下，为了寻找能揭示癌症行为特征的线索，医生必须进行活检。这就像是向一个黑暗的洞穴中送入一个微型探测器去抓取一块岩石；它能告诉你那个特定位置的一些情况，但可能会错过洞穴中其他的秘密，而且过程可能很痛苦且具有风险。现在，想象一下，如果你可以仅仅通过拍摄一张整个洞穴的超级照片，并使用一台聪明的计算机来推测里面的岩石是由什么组成的，而无需触碰它们。这就是**放射基因组学（radiogenomics）**的世界。在这个领域，科学家们试图将医生拍摄的图像（例如 PET/CT 扫描，这种扫描既能显示肿瘤的形状，也能显示它对能量的渴求程度）与隐藏在肿瘤细胞内部的遗传密码联系起来。核心问题在于：计算机能否通过观察这些图像，告诉我们哪些特定的遗传“开关”被打开或关闭了？如果它能做到这一点，它就能帮助医生为每位患者选择最完美的药物，而无需进行侵入性手术。
这篇论文讲述了一群研究人员决定测试一种新的计算机侦探工作策略。他们将重点放在非小细胞肺癌（NSCLC）上，这是一种常见的肺癌类型，并观察了三个特定的遗传开关：EGFR、KRAS 和 TP53。把这些开关想象成复杂机器上的不同设置；知道哪些设置处于激活状态有助于医生决定最佳治疗方案。研究人员提出了一个聪明的疑问：是教计算机一次只猜一个开关更好，还是让它尝试同时猜两个开关更好？他们称之为“多标签学习（multi-label learning）”。这就像是要求一名学生参加一场数学考试，要求他们同时解决两个相关的题目，希望通过解决其中一个来帮助理解另一个。
该团队使用了一个来自英国的特殊数据集，其中包含 263 名确诊肺癌的患者。他们训练了一个深度学习模型（一种通过观察成千上万个样本进行学习的 AI），让它观察 PET/CT 图像并预测这些基因的状态。他们比较了两种方法：一种是 AI 分别学习每个基因，另一种是 AI 同时学习基因对。
以下是他们的发现，结果有点像是一个“好坏参半”的情况。当他们要求 AI 同时猜测 KRAS 和 TP53 这两个开关时，AI 在这两个指标上实际上都表现得更好了！计算机识别 KRAS 开关的能力从 0.58 的得分提高到了 0.64，对于 TP53，得分从 0.69 提高到了 0.71。看来对于这一特定组合，一个基因的线索有助于计算机理解另一个基因，就像两个朋友互相帮助解开一个谜题一样。
然而，当他们尝试其他组合时，故事发生了变化。当他们要求 AI 同时猜测 EGFR 和 KRAS 时，计算机在识别 EGFR 方面表现得更好，但在识别 KRAS 方面却变差了。这就像是计算机过于关注 EGFR 的线索，以至于对 KRAS 感到困惑。而当他们尝试 EGFR 和 TP53 这一对组合时，联合学习并没有起到帮助；计算机在单独学习它们时表现得更好。
研究人员指出，这意味着在教 AI 阅读这些遗传开关时，并没有“一劳永逸”的规则。有时，一起学习两件事会有所帮助，而有时这反而会产生干扰。他们得出结论，与其总是尝试同时猜测多个基因，不如根据他们想要观察的具体基因来选择策略。对于某些组合，团队协作是有效的；而对于其他组合，单打独斗则更好。这项研究并没有证明我们现在就能取代活检，但它表明，如果我们想利用 AI 通过图像预测遗传学特征，我们需要非常谨慎地教导计算机，将方法与我们试图解决的特定遗传谜团相匹配。
技术摘要：基于多标签学习的非小细胞肺癌 PET/CT 放射基因组学突变预测
问题陈述
方法论 18 F-FDG ^{18}\text{F-FDG} 18 F-FDG ± 6 \pm 6 ± 6
数据预处理：
分割： 使用 ITK-SNAP 对总计 130 份 PET/CT 体积进行了手动分割。其余体积使用预训练的 nnU-Net 模型进行分割（该模型在 110 例手动病例上进行了微调，并在 20 例病例上进行了评估）。排除了淋巴结和转移病灶，仅保留原发肿瘤掩模。图像准备： 将 PET 和 CT 体积重采样为 3.27 mm 等向间距。对于每位患者，提取对应于肿瘤最大横截面积的轴向切片，通过边界框进行裁剪，并调整大小为 224 × 224 224 \times 224 224 × 224 输入构建： 将 PET 切片、CT 切片和分割掩模沿通道维度进行拼接。CT 强度被裁剪至第 0.5 至 99.5 百分位数并进行 Z-score 标准化；PET 切片进行全局 Z-score 标准化。
模型架构：
所有模型均使用在 ImageNet-1K 上预训练的 ResNet-18 作为骨干网络。
单基因模型： 将最后的全连接层替换为用于二分类的单个输出。多标签模型： 将最后一层替换为两个输出，以同时预测两个基因突变。训练： 更新所有网络参数（不冻结骨干网络）。模型使用带有 logits 和正类权重的二元交叉熵损失进行训练。数据增强包括随机水平翻转、仿射变换和高斯噪声。实验设计： 根据目标标签进行分层抽样，将患者分为训练集、验证集和测试集（比例为 70:15:15）。来自同一患者的重复扫描被视为独立样本。为了确保公平比较，单基因模型与其对应的多标签模型在相同的患者划分下进行训练。
核心贡献
系统性比较： 这是首批系统比较用于 PET/CT 放射基因组学突变预测的单基因与成对多标签深度学习模型的研究之一。多模态方法： 本研究调查了结合 PET 和 CT 影像的多基因分类，这与仅使用 CT 的研究相比，是一个相对较少被探索的领域。新颖队列： 研究是在一个全新的基于英国 PET/CT 的真实世界放射基因组学队列上进行的，解决了现有文献中该特定患者群体代表性不足的问题。
结果
KRAS 与 TP53 对： 联合多标签学习提高了这两个任务的性能。与单基因模型相比，KRAS 的曲线下面积（AUC）从 0.575 增加到 0.641，TP53 的 AUC 从 0.689 增加到 0.712。这表明这两个任务之间存在正向迁移。EGFR 与 KRAS 对： 联合学习提高了 EGFR 的预测性能（AUC 从 0.718 升至 0.746），但降低了 KRAS 的性能（AUC 从 0.632 降至 0.557）。作者认为这可能是由于负向迁移或任务不平衡导致的，即 EGFR 较大的正类样本对优化过程产生了更强的影响，或者是因为 EGFR 的影像特征比 KRAS 特征更具判别性。EGFR 与 TP53 对： 联合学习导致两项任务的性能均较单基因模型有所下降（EGFR AUC：0.808 对 0.783；TP53 AUC：0.514 对 0.491）。这表明这些特定突变之间的互补信息有限，可能在优化过程中导致梯度冲突。值得注意的是，在预处理后，数据集中不再存在 EGFR 阳性/TP53 阳性的病例，这限制了对共突变的分析。
意义与主张
适度的结论： 作者得出结论，不应将多标签学习作为所有放射基因组学任务的通用策略。相反，应优先采用针对特定突变的建模策略。建议： 只有当联合学习能带来可衡量的性能提升时（如 KRAS/TP53 对所示），才应应用联合学习，而对于其他组合（如 EGFR/TP53），独立建模可能仍然更优。局限性： 研究承认存在一些局限性，包括类别不平衡（反映了真实世界的流行率，但也影响了模型训练）、缺乏外部验证（单中心数据）、可能存在的单区域活检采样偏差，以及研究仅限于 2D 图像分析而非 3D 模型。
每周获取最佳 machine learning 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。