NeuroRAD-FM: A Distributionally Robust Foundation Model for Precision Neuro-Oncology
NeuroRAD-FM 是一个分布鲁棒的基础模型，它利用自监督预训练、Group-DRO 和多骨干网络集成来学习站点不变的影像表征，从而显著提升了在多样化神经肿瘤队列中进行肿瘤分割、分子生物标志物预测和生存预后评估的性能。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
脑肿瘤是现代医学中最困难的挑战之一。它们在颅骨内生长，往往向肉眼隐藏其真实本质，且其行为在不同患者之间可能发生剧烈变化。为了理解这些疾病，医生高度依赖磁共振成像（MRI），即利用不同的设置来突出显示各种组织，从而拍摄大脑的详细图像。多年来，研究人员一直试图教会计算机阅读这些图像，希望能够识别特定的遗传变化或预测患者在无需侵入性手术的情况下可能存活多久。然而，一个主要的障碍一直阻碍着这一进程：图像本身会根据拍摄地点而产生巨大的差异。由于机器、使用的方案或所检查患者的具体情况不同，一家医院的扫描图像往往看起来与另一家医院的不同。当计算机模型仅在来自单一地点的数据上进行训练时，当面对来自不同地点的图像时往往会失效，将特定扫描仪的特性误认为是实际的疾病。这限制了它们在现实世界中的用途，因为在现实中，患者来自许多不同的医院。
一个研究小组开发了一种新方法来解决这个问题，创建了一个名为 NeuroRAD-FM 的系统。他们并没有试图构建一个只能记住一种类型图像的单一模型，而是构建了一个基础模型，该模型是在来自多家机构的超过 7,400 份脑部检查的大规模集合上训练而成的。其核心创新在于他们教计算机学习的方式。他们并没有简单地对所有数据的结果取平均值（这会导致模型忽略困难案例），而是使用了一种方法，迫使系统去关注那些最难理解的数据组。这确保了模型学习到的特征是真正关于肿瘤本身的，而不是关于扫描图像所在的医院。他们还将几种不同的学习策略结合成一个强大的集成系统，使系统能够同时从多个角度观察大脑。这种设计有助于模型即使在数据混乱或不完整的情况下，也能保持稳定和准确。
研究人员在来自三个不同医疗中心的独立患者组上测试了这个新系统：一个在旧金山，一个在费城，以及他们在哥伦比亚大学内部的组。他们要求模型执行三项关键任务：绘制肿瘤及其周围区域的精确轮廓，预测决定肿瘤行为的特定遗传标记，以及估计患者的总体生存时间。在每种情况下，这个新系统都优于以往的方法。当被要求分割肿瘤时，它识别增强部分及周围肿胀部分的准确度比旧模型高得多，能够正确勾勒出对手术规划至关重要的区域。更重要的是，它成功预测了通常较为罕见或难以检测的遗传突变，例如对决定治疗方案至关重要的 IDH 和 MGMT 基因的特定变化。
研究还表明，该模型在所有不同医院中都能更可靠地预测患者的生存结果。通过学习忽略不同成像站点的噪声并专注于肿瘤的生物学现实，该系统无论患者在哪里进行扫描，都能产生一致的结果。研究人员发现，模型的注意力集中在实际的肿瘤组织上，证实了它正在学习有意义的医学特征，而不是仅仅记忆背景中的模式。虽然这项研究是回顾性的，意味着它是回顾现有数据而非向前追踪患者，但结果表明，这种方法可以显著改善医生分析脑肿瘤的方式。它为未来提供了一条路径，即人工智能可以为任何医院的患者提供准确、个性化的见解，帮助以一种此前难以实现的精准度来指导治疗决策。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。