摘要：四川大学华西医院神经外科发表于《NPJ Precis Oncol》（中科院1区、IF=8.0分）的研究。研究针对脑膜瘤Ki-67指数预测的临床难题，提出了一种基于多模态深度学习模型的非侵入性解决方案。通过整合3D MRI、放射学特征与放射组学数据，该模型在内部

四川大学华西医院神经外科发表于《NPJ Precis Oncol》（中科院1区、IF=8.0分）的研究。研究针对脑膜瘤Ki-67指数预测的临床难题，提出了一种基于多模态深度学习模型的非侵入性解决方案。通过整合3D MRI、放射学特征与放射组学数据，该模型在内部与外部验证中均表现出优异的预测性能，并能有效预测肿瘤生长趋势，为无症状脑膜瘤的个体化管理提供了有力工具。

论文题目：A multi-modal deep learning model for prediction of Ki-67 for meningiomas using pretreatment MR images.

一、背景与引入

❓问题：Ki-67是脑膜瘤细胞增殖的关键生物标志物，传统检测依赖侵入性手术或活检，风险高、负担重。

✅解决：开发一种基于术前MRI的非侵入性深度学习模型，预测Ki-67表达水平，辅助临床决策。

✅思路：采用多模态表示学习框架，融合3D MRI、放射学特征和放射组学特征，通过交叉注意力机制增强特征交互与模型泛化能力。

二、思路实现

✅使用Transformer架构，分块处理不同模态输入（MRI、放射学特征、放射组学）。

✅引入交叉注意力机制，使模型能关注MRI中与放射学特征相关的区域。

✅通过辅助输出和Dropout模块支持灵活输入（如缺失放射组学时仍可预测）。

✅在三个中心共1008例手术患者中训练与验证，231例无症状小脑膜瘤用于生长预测验证。

三、结果解读

✅最佳输入组合为“3D MRI + 放射学特征 + 放射组学”，在内部测试AUC=0.797，外部AUC=0.808。

✅模型具有良好的泛化能力，且能预测3年/5年肿瘤生长（AUC=0.756/0.727）。

✅临床实用性高：模型输出与最新指南一致，支持保守随访或积极干预的决策。

✅可解释性强：Grad-CAM和交叉注意力图显示模型关注区域与放射学特征一致。

Fig. 1: 不同输入组合模型在内部（A）和外部（B）验证集中预测Ki-67指数的ROC曲线。

Fig. 2: 预测概率与脑膜瘤肿瘤体积增长的相关性分析，包括ROC曲线、决策曲线、KM生存曲线、患者风险分层及多因素Cox回归热图。

Fig. 3: 模型训练、评估与临床验证的流程图。

Fig. 4: 本研究患者招募的工作流程。

来源：云阳好先生做实事