胶质瘤术后化疗获益预测论文项目 Plan
最终目标：完成一篇与 lung2/参考论文.pdf 场景、任务、工作量一致的论文。临床问题、成像模态、结局定义、数据集和整体管线均与参考论文保持同构，不在此基础上做场景迁移。本文档的核心是在同一问题设定下明确三个方法学创新点，并给出可执行的实验与写作规划。
建议论文主题（与参考论文同场景，标题可微调以体现创新）：
Integrating handcrafted and deep learning MRI signatures:
an interpretable framework for predicting chemotherapy benefit in glioma
中文定位：
融合手工影像组学与深度学习 MRI 特征的胶质瘤术后化疗获益可解释预测框架
1. 与参考论文保持一致的设定（不做修改）
以下要素全部沿用参考论文，作为本文的固定前提，不作为“创新”：
| 维度 | 固定设定 |
|---|---|
| 临床问题 | 胶质瘤术后辅助化疗是否带来生存获益 |
| 成像模态 | 术前多模态 MRI：T1、T1Gd、T2、FLAIR |
| 分割 | GlistrBoost 自动 mask + 人工校正 mask |
| 结局定义 | 仅纳入术后接受辅助化疗者；OS ≥ 24 月 = responder，OS < 24 月 = non-responder |
| 影像来源 | TCGA-LGG NIfTI and Segmentations（TCIA） |
| 临床来源 | GDC 临床与生存数据 |
| 样本规模 | 约 65 例完整多模态数据；DL 特征提取约 62 例（缺 mask 者排除） |
| radiomics | 726 维手工特征 → 30% 缺失率过滤 → 约 482 维 |
| DL 编码器 | 轻量 3D CNN（128-d）+ 预训练 MedicalNet 3D ResNet-18（512-d） |
| 采样尺度 | bbox 全局（96×96×96）+ patch 局部（64×64×64） |
| 模型族 | radiomics-only / DL-only / early fusion / stacking |
| 验证方式 | 5-fold stratified cross-validation |
| 双数据集 | Dataset 1 真实队列 + Dataset 2 PCA-GMM 分布保持增强 |
| 可解释性工具 | SHAP（radiomics）+ Grad-CAM（DL） |
| 主要指标 | AUC、accuracy、sensitivity、specificity、Brier、Cohen's d、Cliff's δ |
参考论文已建立的主线（本文直接复用，不重新发明）：
术前多模态 MRI + 肿瘤分割
↓
radiomics 提取 + DL 双尺度特征提取（bbox / patch）
↓
radiomics-only / DL-only / fusion / stacking
↓
Dataset 1 真实性能 + Dataset 2 增强上界分析
↓
SHAP + Grad-CAM 可解释性
2. 三个核心创新点
参考论文已经完成了“radiomics + DL + fusion + XAI + 双数据集”的基础框架。本项目的贡献应集中在这三个相对参考论文的增量上：
创新点 1：解剖语义化的三区 Patch 采样（Anatomy-Guided Tri-Region Patch Sampling）
参考论文做法：
- patch 采样为：肿瘤质心 1 个 + 肿瘤边界随机点 2 个；
- 边界点位置随机，解剖含义不明确，不同患者之间可比性弱。
本文改进：
在分割 mask 引导下，将局部 patch 从“随机边界采样”升级为三个解剖语义区域：
| Patch 类型 | 解剖定义 | 首选序列 | 生物学含义 |
|---|---|---|---|
| Core patch | 增强肿瘤核心（T1Gd 高信号区内） | T1Gd | 活跃肿瘤实质、细胞密度 |
| Margin patch | 肿瘤边界浸润带（mask 边缘 ± 若干体素） | T1Gd / T2 | 浸润前沿、异质性边界 |
| Peritumoral patch | FLAIR 高信号瘤周水肿带（mask 外扩环带） | FLAIR | 瘤周微环境、浸润相关水肿 |
创新论证：
- 相比随机边界点，三区采样具有固定解剖语义，可重复、可跨病例比较；
- 与 Grad-CAM 可视化形成一一对应，便于解释“DL 究竟在看核心、边界还是瘤周”；
- 参考论文已指出 DL 对 T1Gd 核心和 FLAIR 瘤周区域敏感，本创新点将这一观察前移到特征提取阶段，而不是仅在事后 Grad-CAM 中体现。
需要做的实验：
- 对比
random-boundary patch（参考论文）vstri-region patch（本文）； - 报告两种采样下 DL-patch / fusion 的 AUC 差异；
- 用 Grad-CAM 验证三区 patch 编码器是否分别激活预期解剖区域。
创新点 2：互补度引导的自适应特征融合（Complementarity-Guided Adaptive Fusion）
参考论文做法：
- fusion 采用简单特征拼接，固定权重融合（如 α=0.5）；
- 未显式量化 radiomics 与 DL 在各折/各样本上的互补程度。
本文改进：
提出 complementarity-aware fusion：在 early fusion 之前，先估计两类特征家族的互补度，再进行自适应加权融合。
核心思路：
1. 分别训练 radiomics classifier 和 DL classifier
2. 在验证折上计算互补度指标：
- 分歧率（disagreement rate）
- 单模态边际增益（ΔAUC_radiomics, ΔAUC_DL）
- 样本级置信度（prediction confidence）
3. 用互补度权重 w_r, w_d 做自适应融合：
F_fusion = [w_r · F_radiomics, w_d · F_DL]
4. 对比 fixed-α fusion 与 complementarity-guided fusion
创新论证：
- 参考论文从结果上证明 radiomics 与 DL 互补，但没有把“互补性”建模进融合过程；
- 本文将互补性从事后观察变成融合机制；
- 可输出样本级“该病例更依赖 radiomics 还是 DL”的归因，增强临床可解释性。
需要做的实验：
- 对比 fixed α=0.5 fusion vs stacking vs complementarity-guided fusion；
- 在 Dataset 1 和 Dataset 2 上报告 AUC、校准和统计显著性；
- 分析哪些病例更依赖 radiomics（如大体积、规则形态）vs DL（如高异质性、明显瘤周水肿）。
创新点 3：跨特征家族的可解释性一致性与稳定性分析（Cross-Family XAI Consistency）
参考论文做法：
- SHAP 和 Grad-CAM 分开展示；
- SHAP 显示 radiomics 仅少数特征主导；
- Grad-CAM 显示 DL 关注 T1Gd 核心和 FLAIR 瘤周；
- 但两类解释之间没有定量对齐，也没有跨 fold 稳定性分析。
本文改进：
建立 radiomics–DL 跨家族解释一致性框架：
| 分析层 | 内容 |
|---|---|
| 空间–特征对齐 | 将 SHAP Top-k radiomics（如体积、FLAIR 纹理）与 Grad-CAM 激活区域做对照 |
| 区域激活量化 | 计算 Grad-CAM 在 core / margin / peritumoral 三区的激活占比 |
| 解释稳定性 | 5-fold 各折 SHAP Top feature 重合率、Grad-CAM 区域排序一致性 |
| 一致性评分 | 定义 cross-family consistency score，量化“全局 radiomics 描述”与“局部 DL 关注”是否指向同一生物学表型 |
创新论证：
- 参考论文证明了“两类特征看的东西不同”，本文进一步证明“它们从不同角度描述同一肿瘤表型”；
- 将可解释性从展示性图（descriptive）提升为验证性证据（confirmatory）；
- 为临床信任提供比单独 SHAP 或 Grad-CAM 更强的证据链。
需要做的实验：
- responder vs non-responder 的 Grad-CAM 三区激活分布比较；
- SHAP Top-10 特征与三区激活的 Spearman 相关；
- 5-fold 解释稳定性热图；
- 案例图：同一患者 SHAP 关键特征 + Grad-CAM 叠加 FLAIR/T1Gd。
3. 对标论文结构分析
| 论文模块 | 参考论文做法 | 本文做法 |
|---|---|---|
| 临床问题 | 胶质瘤术后化疗获益 | 相同 |
| 数据 | TCGA-LGG + GDC | 相同 |
| 特征提取 | bbox + random-boundary patch | bbox + tri-region patch（创新点 1） |
| 融合 | fixed-α early fusion / stacking | complementarity-guided fusion（创新点 2） |
| 可解释性 | SHAP + Grad-CAM 分开展示 | 跨家族一致性 + 稳定性分析（创新点 3） |
| 双数据集 | Dataset 1 + PCA-GMM Dataset 2 | 相同 |
| 验证 | 5-fold CV + 统计检验 | 相同，额外增加三项创新的消融 |
4. 数据集设计
与参考论文完全一致：
| 数据集 | 来源 | 角色 |
|---|---|---|
| TCGA-LGG MRI + Segmentation | TCIA | 影像与 mask |
| TCGA-LGG Clinical | GDC | 化疗记录与 OS |
| 预置 radiomics 矩阵 | TCGA_LGG_radiomicFeatures.csv | 726 维手工特征 |
| Dataset 1 | 上述真实数据合并 | 主结果，目标 AUC ~0.75（fusion） |
| Dataset 2 | PCA-GMM 合成（500 例） | 上界与鲁棒性分析 |
纳入排除标准
- 纳入：病理确诊 LGG、术后接受辅助化疗、具备完整 T1/T1Gd/T2/FLAIR 与有效 mask；
- 排除：缺少任一 MRI 序列、无手动校正 mask、无化疗记录、无生存数据。
结局定义
Responder: OS ≥ 24 months
Non-responder: OS < 24 months
5. 论文方法框架
Stage A: Data Integrity and Quality Control
与参考论文相同：
- radiomics 缺失率审计（30% 阈值）；
- MRI 完整性检查（四序列 + mask）；
- ID 对齐、非数值/无穷值清洗；
- 肿瘤体积分布检查；
- 输出 QC CSV 与 Figure 2/3 级素材。
Stage B: Feature Extraction
B1. Radiomics（沿用参考论文）
- 726 → 482 维清洗；
- z-score 标准化；
- PCA 与相关分析。
B2. DL Bbox（沿用参考论文）
- 最小外接 bbox → 96×96×96；
- 四通道 MRI 输入；
- Lightweight CNN（128-d）+ MedicalNet（512-d）。
B3. DL Patch（创新点 1 所在）
| 策略 | 采样方式 | 用途 |
|---|---|---|
| Baseline | 质心 + 2 个随机边界点（复现参考论文） | 对照 |
| Ours | Core + Margin + Peritumoral 三区（创新点 1） | 主方法 |
每个 patch 64×64×64，三 patch embedding 取均值 → 512-d。
Stage C: Modeling（创新点 2 所在）
| 模型 | 说明 |
|---|---|
| Radiomics SVM | 基线 |
| DL-bbox SVM | 基线 |
| DL-patch SVM | baseline patch vs tri-region patch |
| Fixed fusion (α=0.5) | 参考论文复现 |
| Stacking | 参考论文复现 |
| Complementarity-guided fusion | 创新点 2 主模型 |
Stage D: Dual-Dataset Validation
与参考论文相同：
- Dataset 1：真实 62-65 例，报告主结果；
- Dataset 2：PCA-GMM 500 例，报告上界与学习曲线；
- 合成数据质量验证：KS 检验、协方差 Frobenius 范数、10 随机种子稳定性。
Stage E: Explainable AI（创新点 3 所在）
| 工具 | 作用 |
|---|---|
| SHAP | radiomics / fusion 特征贡献 |
| Grad-CAM | DL 空间注意力 |
| Cross-family consistency | 创新点 3：SHAP 与 Grad-CAM 定量对齐 |
| Stability analysis | 5-fold 解释一致性 |
| t-SNE / UMAP | DL embedding 可视化（沿用） |
6. 模型与融合细节
6.1 创新点 2 的融合公式
# 折内互补度估计
Δrad = AUC_rad - 0.5
Δdl = AUC_dl - 0.5
disagree = mean(ŷ_rad ≠ ŷ_dl)
# 自适应权重（示意，实现时可网格搜索或学习）
w_rad = softmax(Δrad, Δdl)_rad
w_dl = softmax(Δrad, Δdl)_dl
F_fusion = concat(w_rad · zscore(F_rad), w_dl · zscore(F_dl))
6.2 创新点 3 的一致性评分（示意）
# 区域激活占比
α_core, α_margin, α_edema = GradCAM mass in each region
# SHAP 中 FLAIR/T1Gd 相关特征贡献
s_flair, s_t1gd = SHAP group sum by sequence family
# 一致性评分（越高表示空间与特征解释越吻合）
consistency = corr([α_core, α_margin, α_edema], [s_t1gd, s_margin_group, s_flair])
7. 数据预处理
与参考论文一致：
lung2/
data/
raw/tcga_lgg/
processed/tcga_lgg/
images_t1/
images_t1gd/
images_t2/
images_flair/
masks/
clinical.csv
radiomics_raw.csv
radiomics_clean.csv
manifest.csv
features/
dl_bbox_medicalnet.csv
dl_patch_random.csv # 参考论文复现
dl_patch_triregion.csv # 创新点 1
fusion_features.csv
关键规则：
- 四序列已共配准，使用人工校正 mask；
- 强度归一化：
I_norm = (I - μ) / σ（脑组织体素统计）； - bbox 96³，patch 64³；
- 瘤周带：mask 外扩 3-5 mm 环带，与 FLAIR 高信号交集优先；
- 所有随机过程固定种子。
8. 训练与验证策略
阶段 1：复现参考论文基线
目标：在 Dataset 1 上复现 radiomics / DL-patch / fixed fusion 的 AUC 量级
输出：baseline 表格，确认管线正确
阶段 2：创新点 1（tri-region patch）
对比 random-boundary vs tri-region
输出：patch 策略消融
阶段 3：创新点 2（complementarity fusion）
对比 fixed fusion / stacking / complementarity-guided fusion
输出：主结果表（Dataset 1 + Dataset 2）
阶段 4：创新点 3（XAI consistency）
SHAP + Grad-CAM + 一致性评分 + 稳定性分析
输出：可解释性 Figure 7-9 增强版
阶段 5：完整消融与论文图表
9. 评估指标
| 任务 | 指标 |
|---|---|
| 分类 | AUC、accuracy、sensitivity、specificity、precision、F1 |
| 统计 | 95% CI、DeLong test、Cohen's d、Cliff's δ |
| 校准 | Brier score、ECE、reliability curve |
| 创新点 1 | random vs tri-region 的 ΔAUC |
| 创新点 2 | fixed fusion vs adaptive fusion 的 ΔAUC、样本级权重分布 |
| 创新点 3 | 跨 fold SHAP 重合率、Grad-CAM 区域稳定性、consistency score |
| Dataset 2 | 学习曲线、KS 检验、协方差差异 |
10. 论文图表规划
与参考论文同量级，突出三项创新：
| 图表 | 内容 |
|---|---|
| Figure 1 | 总体流程图（在参考论文基础上标注三个创新模块） |
| Figure 2 | 多模态 MRI 代表病例（T1/T1Gd/T2/FLAIR） |
| Figure 3 | bbox + tri-region patch 示意图（创新点 1） |
| Figure 4 | 特征空间分析：体积分布、PCA、相关热图、t-SNE |
| Figure 5 | Dataset 1 ROC 与 AUC 对比 |
| Figure 6 | 学习曲线 + Dataset 1 vs Dataset 2 性能 |
| Figure 7 | SHAP 特征重要性 |
| Figure 8 | fixed fusion vs complementarity fusion 性能对比（创新点 2） |
| Figure 9 | Grad-CAM + 三区激活量化（创新点 1 & 3） |
| Figure 10 | SHAP–Grad-CAM 一致性分析（创新点 3） |
| Table 1 | 各模型在 Dataset 1/2 上的完整性能（含显著性） |
| Table 2 | radiomics 特征矩阵示例 |
| Table 3 | 消融实验：patch 策略 / 融合策略 / XAI 模块 |
11. 消融实验设计
| 编号 | 消融项 | 对应创新点 | 目的 |
|---|---|---|---|
| F0 | Full model（tri-region + complementarity fusion + XAI consistency） | 全部 | 完整模型 |
| A1 | random-boundary patch 替代 tri-region | 创新点 1 | 验证解剖语义采样 |
| A2 | 去掉 peritumoral patch，仅 core + margin | 创新点 1 | 验证瘤周带价值 |
| A3 | 去掉 margin patch，仅 core + peritumoral | 创新点 1 | 验证边界带价值 |
| B1 | fixed α=0.5 fusion 替代 complementarity fusion | 创新点 2 | 验证自适应融合 |
| B2 | 无 stacking 对比 | 创新点 2 | 与经典融合对照 |
| B3 | 仅 radiomics，无 DL | — | 基线 |
| B4 | 仅 DL，无 radiomics | — | 基线 |
| C1 | 不做 cross-family consistency 分析 | 创新点 3 | 验证解释一致性框架 |
| C2 | 不做 5-fold 解释稳定性分析 | 创新点 3 | 验证稳定性模块 |
| D1 | 无 MedicalNet，仅 lightweight CNN | — | 编码器消融 |
| D2 | 无 Dataset 2 | — | 验证双数据集设计 |
12. 工程结构
lung2/
plan.md
README.md
requirements-lung2.txt
configs/
tcga_lgg_qc.yaml
feature_extraction.yaml
fusion_baseline.yaml
fusion_complementarity.yaml
pca_gmm_augment.yaml
data/
raw/
processed/
features/
scripts/
download_tcga_lgg.sh
build_clinical_labels.py
clean_radiomics.py
extract_bbox_features.py
extract_patch_random.py # 参考论文复现
extract_patch_triregion.py # 创新点 1
build_pca_gmm_dataset.py
run_fusion_benchmark.py
run_complementarity_fusion.py # 创新点 2
run_shap_analysis.py
run_gradcam.py
run_xai_consistency.py # 创新点 3
run_ablation_suite.sh
src/
datasets/
preprocessing/
features/
bbox_sampler.py
patch_random.py
patch_triregion.py
dl_encoders.py
models/
fusion_fixed.py
fusion_complementarity.py
xai/
shap_analysis.py
gradcam.py
cross_family_consistency.py
experiments/
baseline_reproduction/
innovation_patch/
innovation_fusion/
innovation_xai/
ablations/
figures/
paper/
manuscript_draft_zh.md
manuscript_draft.md
13. 里程碑
| 阶段 | 时间 | 输出 |
|---|---|---|
| M1 参考论文基线复现 | 3-5 天 | Dataset 1 上 radiomics/DL/fixed fusion 复现结果 |
| M2 创新点 1：tri-region patch | 3-4 天 | patch 消融 + Figure 3/9 |
| M3 创新点 2：complementarity fusion | 3-5 天 | 主结果表 + Figure 8 |
| M4 创新点 3：XAI consistency | 4-5 天 | Figure 7/9/10 + 稳定性分析 |
| M5 Dataset 2 增强实验 | 2-3 天 | 学习曲线 + 上界分析 |
| M6 完整消融 | 3-4 天 | Table 3 |
| M7 论文初稿 | 5-7 天 | Figure 1-10、Table 1-3、manuscript |
总计约 4-6 周可形成完整论文初稿。主要变量是 TCGA-LGG 有效 mask 病例数（约 62 例）和小样本导致的 AUC 置信区间宽度。
14. 第一版交付目标
- 与参考论文一致的 QC 与标签表；
- 参考论文基线复现结果；
- 三项创新各自的实验证据；
- Dataset 1 主结果 + Dataset 2 上界分析；
- 完整消融表；
- 论文 Figure 1-10、Table 1-3 草稿；
paper/manuscript_draft_zh.md初稿。
15. 论文叙事建议
胶质瘤术后化疗获益预测面临分子异质性强、公开数据缺少直接 RECIST 反应标签、
以及 AI 模型可解释性不足等问题。本研究在 TCGA-LGG 队列上，沿用
radiomics 与深度学习互补融合的基本范式，提出三项方法学创新：
(1) 解剖语义化的三区 patch 采样，替代随机边界采样；
(2) 互补度引导的自适应特征融合，将 radiomics 与 DL 的互补性显式建模；
(3) 跨特征家族的 SHAP–Grad-CAM 一致性与稳定性分析，建立可验证的解释证据链。
在真实队列与 PCA-GMM 增强队列上，本框架在保持与参考工作一致临床设定的同时，
提升了预测性能、融合可解释性和解释结果稳定性。
16. 与 lung / liver 项目的关系
lung2 与 lung/、liver/ 是独立论文线：
- 场景不迁移：本文固定为胶质瘤 MRI 化疗获益，与参考论文一致；
lung/和liver/的 cohort-aware 多任务框架可作为工程参考，但不作为本文方法主线；- 本文的差异化完全体现在三个创新点，而非换疾病/换模态。