# 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）：

```text
Integrating handcrafted and deep learning MRI signatures:
an interpretable framework for predicting chemotherapy benefit in glioma
```

中文定位：

```text
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）：

```text
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）vs `tri-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：

```text
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

```text
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

```text
# 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）

```text
# 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：

```text
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

```text
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）

```text
对比 random-boundary vs tri-region
输出：patch 策略消融
```

### 阶段 3：创新点 2（complementarity fusion）

```text
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）

```text
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

```text
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

```text
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。