数据整理与预处理
构建标准化、多中心的纵向胶质母细胞瘤影像数据集，为模型训练和评估提供统一输入。
从LUMIERE、RHUH和TUM-GBM三个数据集中整理243例患者的术前和随访MRI，进行DICOM转NIfTI、颅骨剥离、多模态配准到SRI24图谱空间、肿瘤分割和脑组织分割。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
PREDICT-GBM：推进个性化胶质母细胞瘤放疗计划的多中心平台
PREDICT-GBM: A multicenter platform advancing personalized glioblastoma radiotherapy planning
实验完整度
高含多中心患者队列、多种体外计算模型与体内影像数据，并进行了功能验证和统计学验证。
主要模型
PREDICT-GBM多中心队列（243例胶质母细胞瘤患者） LUMIERE数据集（61例） RHUH数据集（40例） TUM-GBM数据集（142例） U-Net深度学习模型 生物物理反应-扩散模型（GliODIL、LOTI、PINN-GBM、LMI）
重点核对
复发覆盖率的计算基于术前参考空间，使用纵向形变配准将随访影像映射到术前空间。 等体积约束：所有模型靶区体积与指南基于的15mm均匀扩增靶区体积相同。 配对Wilcoxon符号秩检验比较模型与SOC的逐患者复发覆盖率，Benjamini-Hochberg校正控制错误发现率。 敏感性分析：比较不同纵向配准算法（SyN、Dirac+NCC、Dirac+FFD）对覆盖率排名的影响。 专家修正分割敏感性分析：在RHUH队列使用专家修正的复发分割替代BraTS衍生分割。
摘要
胶质母细胞瘤复发很大程度上由放射学可见边缘之外的弥漫性浸润驱动，而当前放疗指南依赖均匀边缘扩增，忽略了患者特异性生物学和解剖学特征。尽管计算模型有望绘制这种不可见生长并指导个性化计划，但其临床转化因缺乏标准化基准测试和可重复验证而受阻。为弥补这一差距，我们提出PREDICT-GBM，一个开源平台，整合了243例患者的精选纵向多中心数据集与标准化评估流程。我们将一种新型基于U-Net的复发预测模型与最先进的生物物理和数据驱动方法进行基准测试。在等体积约束下，生物物理和深度学习方法在覆盖未来复发的几何范围上均较指南计划取得了适度但统计学显著的增益。在合并队列中，我们的U-Net实现了增强复发覆盖的最高平均值（79.37 ± 2.08%），超过指南计划（配对Wilcoxon符号秩检验，Benjamini-Hochberg校正p = 2.9 × 10−5）。生物物理模型GliODIL达到78.91 ± 2.08%（p = 1.0 × 10−3），验证了平台比较不同建模范式的能力。通过提供可重复的模型训练和验证生态系统，PREDICT-GBM解决了通往个性化计算引导放疗的主要瓶颈。该平台、模型和数据在github.com/BrainLesion/PredictGBM公开可用。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 在等体积约束下，基于计算模型的放疗靶区能否比指南基于的均匀边缘扩增靶区更好地覆盖胶质母细胞瘤的未来复发区域？
- 核心机制
- 生物物理反应-扩散模型通过模拟肿瘤细胞增殖和迁移生成三维细胞密度分布；U-Net通过数据驱动学习直接从术前MRI预测复发概率。
- 主要证据
- 在合并的243例PREDICT-GBM队列中，U-Net对增强复发覆盖率为79.37 ± 2.08%，GliODIL为78.91 ± 2.08%，均显著高于指南比较组（SOC）的77.34 ± 2.17%（p = 2.9 × 10−5和p = 1.0 × 10−3）。
- 研究意义
- PREDICT-GBM提供了一个标准化、开源的平台，用于基准测试和开发个性化胶质母细胞瘤放疗计划模型，有助于推动计算模型向临床转化。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
模型训练与推理
开发并训练U-Net深度学习模型，并与已有的生物物理和数据驱动模型进行对比。
U-Net使用深度集成策略（3个集成成员，每个成员训练5个U-Net，共15个网络），在扩展数据集（327例）上训练，输入包括术前肿瘤分割、白质、灰质、CSF概率图、T1c、FLAIR和ADC。对比模型包括GliODIL、LOTI、PINN-GBM、LMI、GlioMap和nnU-Net。
放疗计划生成与覆盖率评估
在等体积约束下比较模型靶区与指南基于的均匀边缘扩增靶区对未来复发的覆盖效果。
生成SOC比较组靶区（肿瘤核心各向同性扩增15mm），将模型输出的连续分数体素选择top-k以匹配SOC体积，计算复发覆盖率（等同于敏感度）。
敏感性和鲁棒性分析
评估结果对纵向配准方法、分割质量和术后空间评估的敏感性。
比较不同纵向配准算法（SyN、Dirac+NCC、Dirac+FFD）对覆盖率排名的影响；在RHUH队列使用专家修正分割；在术后空间重新评估模型排名；进行留一数据集交叉验证。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 图像预处理 | dcm2niix | -- | -- |
| HD-BET | -- | -- | |
| ANTs | -- | -- | |
| SRI24图谱 | -- | -- | |
| BrainLes预处理模块 | -- | -- | |
| 模型训练与推理 | Quadro RTX 8000 GPU | NVIDIA | -- |
| 肿瘤分割 | BraTS流程 | -- | -- |
关键环节
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 |
|---|---|
| 数据纳入与预处理 | 纳入标准：术前MRI、至少一次随访显示早期复发、标准MRI序列（T1、T1c、T2、FLAIR）；随访检查至少在术前基线后12周进行。 阅读提示：Methods: Inclusion criteria |
| 模型训练 | U-Net深度集成策略：3个集成成员，每个成员5个U-Net，共15个网络；扩展数据集327例，划分197训练/65验证/65测试；批次大小7，学习率1e-4，Adam优化器，权重衰减1e-4；损失函数BCE和PCC等权重0.5，复发水肿体素权重0.25，复发增强核心和坏死体素权重0.75。 阅读提示：Methods: Custom U-Net |
| 放疗计划与覆盖率评估 | SOC靶区为15mm均匀扩增；等体积约束；复发覆盖率计算为靶区与复发分割的交集体积除以复发体积；复发定义包括增强复发和增强+坏死复发。 阅读提示：Methods: Radiation plans, Recurrence definitions and evaluation |
| 统计分析 | 配对Wilcoxon符号秩检验；Benjamini-Hochberg校正α=0.05，对三个家族分别校正；Hodges-Lehmann估计量。 阅读提示：Methods: Statistical analysis |
| 敏感性分析 | 纵向配准算法比较：刚性、仿射、ANTs SyN、Dirac+NCC、Dirac+FFD；专家修正分割分析在RHUH队列（N=40）；术后空间评估在子集N=189。 阅读提示：Results: Sensitivity to longitudinal registration and segmentation; Methods: Image preprocessing |