An Explainable Deep Model for Risk Scoring and Accurate Radionecrosis Identification Following Brain Metastasis Stereotactic Radiosurgery
研究包含回顾性患者队列、多模态数据整合、深度学习模型训练与独立测试，以及外部验证，但缺乏体外或动物等独立实验层级，主要依赖临床数据和模型性能评估。
非小细胞肺癌脑转移患者的142个病灶队列 外部验证队列（17个病灶）
患者纳入标准：非小细胞肺癌诊断、接受单次立体定向放射外科治疗 样本量：142个病灶，其中48个活检确认LR，94个RN 训练/测试划分：8:2比例，且来自同一患者的所有病灶放置在同一集合中 数据增强：RN增强因子×10，LR增强因子×30 外部验证：17个病灶，来自9名患者，3例LR和14例RN
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
构建用于模型开发和验证的回顾性队列，包括MRI、临床和基因组数据。
从前瞻性放射外科数据库识别2013年10月至2020年5月间接受单次SRS的NSCLC患者，共142个病灶（48 LR，94 RN）。获取治疗前和SRS后约3个月的3D T1+C MRI，并收集7项临床特征和7项基因组改变（PD-L1, BRAF, NRAS, EGFR, KRAS, ALK, RET）。所有图像通过重采样和刚性配准对齐到治疗前MRI。
从3D MRI中提取影像特征，并与临床和基因组特征融合形成多模态特征集。
将每个原始3D MR图像裁剪为6.4×6.4×6.4 cm^3的VOI，中心为目标，并包含V60%。对RN使用×10、LR使用×30的增强因子进行数据增强（随机旋转、平移、反射、噪声注入）。使用模仿U-Net编码路径的DNN提取影像特征，并通过位置编码策略将影像特征与临床和基因组特征融合到共同潜在空间。
建模融合特征在潜在空间中的连续演化，并以高可解释性方式预测RN与LR。
将融合特征输入HBNODE求解器，在归一化时间间隔t∈[0,1]内模拟特征演化。通过重建决策场F和计算梯度∇F，识别关键中间状态（∇F=0）。使用非参数集成模型聚合关键状态特征，并使用线性核SVM进行分类。训练过程中，在t=0.01步长下保存ht, F, ∇F，共模拟100个时间步。使用训练集内部5折交叉验证调整参数。
量化特征组和单个特征的贡献，并构建简化的风险评分模型。
使用决策场F计算特征组（I, C, G）的时变相对贡献。应用LRP在多个离散时间点计算非成像特征的相关性得分，并通过k-means聚类识别高贡献特征。基于高贡献特征（年龄、ALK、PD-L1）的加权和构建风险评分，该评分嵌入HBNODE模型。
评估HBNODE模型与对比模型性能，并在独立外部队列中验证泛化能力。
训练了三个模型：仅使用影像特征的DNN（MR-only）、使用所有临床/基因组特征的无加权模型（All C+G）和提出的风险评分模型，并与HBNODE模型进行比较。在外部验证队列中，按照相同流程处理图像、临床和基因组特征，并使用相同预处理和推理管线评估模型。
按研究目的归类文中使用的方法，便于定位所需技术。
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 图像获取 | 瓦里安Edge直线加速器 | Varian | -- |
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 患者数据 | 患者纳入标准（NSCLC诊断、单次SRS治疗）、病灶数量（142）、LR/RN比例（48/94）、训练/测试划分（8:2）且同一患者病灶不跨集 阅读提示：Methods: Patient data |
| 图像采集与预处理 | MRI类型（3D T1+C）、采集时间（SRS后约3个月）、VOI裁剪尺寸（6.4×6.4×6.4 cm^3） 阅读提示：Methods: HBNODE model design |
| 数据增强 | 增强因子（RN ×10，LR ×30）和增强类型（随机旋转、平移、反射、噪声注入） 阅读提示：Methods: HBNODE model design |
| 模型训练 | HBNODE时间步长（0.01）、总时间步（100）、训练/测试比（8:2）、交叉验证折数（5） 阅读提示：Methods: Model evaluation and comparison study |
| 风险评分 | LRP规则（ε-rule）、k-means聚类选择的高贡献特征（年龄、ALK、PD-L1）及其权重（1.00, 0.84, 0.76） 阅读提示：Methods: Risk score design |
