深度學習助力提高兒童低級別膠質瘤復發風險預測的準確性

兒童低級別膠質瘤（pLGG）是一種常見于兒童患者中的腦腫瘤，盡管大多數時候被認為是良性腫瘤，但是它們仍然可能導致相關癥狀和并發癥的發生，包括但不限于頭疼、癲癇認知和其他神經功能缺陷障礙等。

在2024年8月份，發表在《Neuro Oncol》雜志上的一項研究通過深度學習方法結合術前磁共振成像（MRI）特征與臨床數據，成功的將兒童低級別膠質瘤患者分為術后高復發風險和術后低復發風險組，三年無復發生存率分別為30%和90%，為術后管理提供了可靠的依據［1］。接下來讓我們一起看看，研究者們是如何開展這項研究的。

5+深度學習預測腫瘤復發模型

*一、背景介紹*

腦腫瘤是最常見的實體腫瘤，也是兒童癌癥相關死亡的主要因素之一[2]。兒童低級別膠質瘤是一種起源于膠質細胞并逐漸發展的腦腫瘤，世界衛生組織將其劃分為I類和II類，占所有兒童中樞神經系統腫瘤類型的50%左右。

對于兒童低級別膠質瘤的術后風險，對于個體和生物學特征的多種因素差異及不確定性，因此對于術后風險預測往往具有挑戰性。而在輔助平衡復發風險，降低治療毒性的關系之間又迫切的需要有效的術后復發預測模型提供相關指導意見。這也是研究者提出想要解決的科學問題。

*二、研究結果*

*1、實驗方案設計*

在這項回顧性研究中，研究人員分別于2022年至2023年間，收集了來自波士頓兒童醫院（DF/BCH，200例）和兒童腦腫瘤網絡（CBTN，196例）的相關患者信息。由于與其他低級別神經膠質瘤相比，神經纖維瘤病的疾病進展軌跡不同，因此該研究排除了所有神經纖維瘤病患者。納入深度學習的患者必須伴有術前診斷的磁共振成像資料及相關臨床信息。具體的實驗設計流程如圖2所示。

圖2：實驗設計流程示意圖

*2、風險預測模型的臨床表現*

研究者根據患者的臨床特征和磁共振圖像信息訓練了三個對應的模型，分別是臨床生存模型、磁共振特征模型以及二者結合的多模態深度學習模型。在測試數據集（119例）中三個模型的區分性能測試中，多模態模型表現出最高的區分性能（C-index：0.85，百分之95的置信區間為：0.81-0.93）；其次是基于磁共振特征的深度學習模型（C-index：0.79，百分之95的置信區間為：0.70-0.88）；最低的是基于臨床特征的深度學習模型（C-index：0.72，百分之95的置信區間為：0.57-0.77）。多模態深度學習模型在單獨的DF/BCH數據集或CBTN數據集中的表現也是穩定最高的。這些數據表明，相比較單獨的基于臨床特征或者基于磁共振圖像信息，二者結合的多模態深度學習模型具有更優越的表現，結果如圖3所示。

圖3：三種模型的C指數和ROC曲線比較

*3、**基于深度學習的術后風險分組分類*

接下來，研究者將患者根據隨訪的生存情況劃分為高復發風險組和低復發風險組，進一步比較不同模型在不同復發風險分組中的區分度。生存分析表明，結合了磁共振圖像信息和患者臨床信息的多模態深度學習模型可以最顯著的區分低復發風險和高復發風險患者，其中低復發風險組的三年無復發生存率（EFS）為92%；高復發風險組的三年無復發生存率為31%。

相比之下，基于磁共振圖像信息的深度學習模型的三年無復發生存率分別為89%和58%；基于臨床信息的深度學習模型的三年無復發生存率分別為86%和68%。具體結果如圖4所示。

圖4：多模態深度學習模型具有最優的生存分層性能

*4**、多模態模型的臨床應用實例*

最后，研究者們為了證明多模態深度學習模型的臨床應用效果。研究團隊分析了測試集中幾例基線臨床風險因素相似（如切除狀態）、但復發模式不同的患者病例。結果顯示，臨床信息結合磁共振圖像特征的深度學習模型能夠提高個體化風險預測的準確性。這一特性有望為臨床決策和患者管理提供更有力的支持。結果如圖5所示。

圖5：多模態深度學習模型在實例中的應用性能

*三、小結*

在這項研究中，研究者從兒童低級別膠質瘤的術后風險預測入手，將患者臨床信息與磁共振圖像信息所結合，根據深度學習對這些輸入信息進行分析并構建預測模型，并為患者的術后管理決策提供依據。該深度學習模型在對數據集中高復發風險患者及低復發風險患者的生存分析中表現出優越的分層性。當然，未來仍然需要進一步的外部驗證和前瞻性研究，以明確其在精準醫學中術后管理中的作用，達到最終改善患者預后的目的。

深度學習模型結合核磁共振資料預測腫瘤復發風險

5+深度學習預測腫瘤復發模型

參考文獻

[1] Mahootiha M, Tak D, Ye Z, et al. Multimodal deep learning improves recurrence risk prediction in pediatric low-grade gliomas[J]. Neuro Oncology, 2025, 27(1): 277-290. DOI: 10.1093/neuonc/noae173.

[2] Pollack IF. Brain tumors in children[J]. New England Journal of Medicine, 1994, 331(22): 1500-1507. DOI: 10.1056/NEJM199412013312207.