研究背景与目的

本研究由来自加州大学旧金山分校（UCSF）放射学与生物医学成像系及神经外科系的 Jacob Ellison、Janine M. Lupo 等学者共同完成，发表于 *npj Digital Medicine*（2026年）。研究聚焦于高级别胶质瘤（HGG）患者治疗后复发诊断这一临床难题。在胶质瘤的标准治疗（手术切除联合放化疗）后，几乎所有的胶质母细胞瘤（GBM）患者都会在7至10个月内复发，而治疗后影像上的新增强化灶既可能是真正的肿瘤复发，也可能是由治疗引起的效应（TXE），如放射性坏死、胶质增生和炎症等。常规解剖磁共振成像（MRI）对二者的区分准确率仅为66%左右。组织活检虽是金标准，但具有创伤性且仅能反映局部信息，难以捕捉肿瘤内部的空间异质性。因此，该研究的核心目标是利用包含生理学 MRI 在内的多参数 MRI 和机器学习技术，在组织样本水平上实现对肿瘤复发区域的空间定位，并验证其临床应用价值。

研究方法与工作流程

该研究的工作流程可分为五个主要环节：研究对象与数据采集、组织取样与病理分析、图像处理与特征提取、机器学习模型开发与评估，以及基于空间预测图的生存分析验证。

在第一环节，研究团队前瞻性地纳入了一个由135名因疑似复发而接受二次手术的弥漫性胶质瘤患者组成的核心数据集（中位年龄49岁），以及一个包含56名GBM患者的独立验证数据集（中位年龄54岁）。所有患者均在术前1至3天接受了3特斯拉（3T）扫描仪上的多参数MRI检查，采集序列涵盖了以下三大类图像：第一，解剖学成像，包括三维T1加权增强后像（T1c）和T2-液体衰减反转恢复（FLAIR）像；第二，弥散加权成像（DWI）和弥散张量成像（DTI），用于生成表观弥散系数（ADC）和各向异性分数（FA）图；第三，动态磁敏感对比增强（DSC）灌注加权成像，通过注射钆对比剂获取时间-信号强度曲线，从而量化出非参数化的峰值高度（PH）、信号恢复百分比（%RECOV）以及经双向渗漏校正后的相对脑血容量（rCBV）图等参数。

第二环节是获取模型训练所需的“金标准”标签。术中，在硬脑膜打开前，神经外科医生利用神经导航系统，在T1c和T2-FLAIR影像上预先规划了至少4个相隔1厘米的组织采样点，以最大化组织异质性。每个样本的精确三维坐标被记录，并附带导航系统截图以供后续视觉验证。样本经苏木精-伊红（H&E）染色后，由资深神经病理学家评估，并根据肿瘤细胞密度进行评分（0-3分）。评分为2或3的样本被定义为“复发肿瘤”（RTumor），共179例；评分为0或1的样本，即那些表现出透明样变血管、坏死等典型治疗效应，或病变内病理正常的组织，被归为“非复发肿瘤”（NRT），共75例。最终，因坐标在影像上验证后不准确或位于坏死/空洞边缘，从343个原始样本中筛选出254个合格样本纳入分析。此外，研究者还从对侧正常脑区手动选取了395个1立方厘米的立方体区域，代表正常白质、灰质和脑脊液，作为模型训练的额外类别。

第三环节是对复杂的多模态图像进行标准化处理。所有弥散和灌注衍生图均通过软件自动配准到T1c增强像上，并以1毫米各向同性分辨率重采样。为消除长达12年采集期内因扫描参数漂移引起的数据分布差异，研究者采用了一种基于患者个体脑容积的标准化方法：即利用自动分割脑提取工具（BET或HD-BET）产生脑掩模，减去整个病灶后得到正常外观脑白质掩模，再用该掩模内像素值的众数和标准差去标准化整幅图像，这一步骤对维持模型泛化能力至关重要。最后，围绕每个经验证的组织样本坐标和每个正常脑区中心，生成边长为10毫米的立方体感兴趣区（ROI）补丁。选择10毫米尺寸是为了平衡组织活检靶点（2毫米）的准确性与术中脑移位带来的最大约10毫米的定位误差。对每个补丁内的每种影像参数取空间均值，最终形成一个N×C的特征矩阵作为机器学习模型的输入。

第四环节是模型构建、训练与评估的核心。研究实施了多种模型（支持向量机、随机森林、梯度提升、逻辑回归、高斯过程）和一个加权软投票集成模型，并对包含解剖、弥散和灌注的不同特征组合进行了系统性比较。为进行二分类任务（RTumor vs NRT），研究采用了一种严密的“重复约束式K折交叉验证”策略以避免数据泄露。具体而言，样本按患者被分为K=5折，并在连续4次重复中，严格约束测试集与训练集无患者重叠，同时将NRT这一少数类样本的比例约束在总体比例的±10%内。每次训练时，利用合成少数类过采样技术平衡类别。经过训练，共生成20个包含20个子模型的集成模型。模型性能以受试者工作特征曲线下面积（AUROC）为主要指标进行评估。在多分类任务中（RTumor vs NRT vs 正常脑），采用随机森林模型以及分层预测（先区分正常/异常，再细化异常类别）的策略。为探索模型决策机制，使用了排列特征重要性分析和基于决策边界的可视化。此外，为量化模型预测的可靠性并将其与失败预测相关联，研究者从集成模型的预测分歧中计算了熵度量数据不确定性、认知不确定性以及模型预测方差。

第五环节是模型的外部临床验证。利用表现最佳的集成模型，在未参与训练的56名患者独立队列上生成全脑范围的肿瘤复发概率空间预测图。研究从这些预测图中提取了64项量化指标，包括预测的RTumor体积、NRT体积、二者的比率以及预测不确定性等。最终，通过构建弹性网络Cox比例风险回归模型，并在去除了高共线性特征后，将这些AI衍生指标与包括年龄、性别、切除范围、病灶体积在内的常规临床和影像学特征一起，进行多变量生存分析，以评估其与患者总生存期的关联。

主要研究结果

在模型性能方面，结合解剖像、ADC、FA、DSC-PH和%RECOV，并采用加权软投票集成模型的组合表现最佳，其区分RTumor和NRT的测试AUROC达到0.74±0.08。消融实验显示，在解剖成像基础上加入弥散加权成像显著提升了性能；而用rCBV替换DSC-PH时性能显著下降，这可能由于rCBV与PH高度相关且与%RECOV存在部分信息重叠。在多分类任务中，模型区分异常与正常脑组织的AUROC高达0.99±0.01，这为全脑空间预测奠定了基础，但其区分NRT与RTumor的性能并未超越最佳的二分类模型（0.72±0.06 vs. 0.74±0.08）。

在模型可解释性与不确定性分析中，排列重要性分析一致表明T1c、ADC和DSC-PH是区分NRT的关键特征。决策边界图揭示了一个与现有文献一致的结论：T1c高信号、ADC高值和DSC-PH低信号是NRT的典型影像特征，反映了血脑屏障破坏、细胞密度低和缺乏新生血管的病理生理学基础。不确定性分析发现，集成模型的认知不确定性（衡量样本是否在训练分布内的指标）与RTumor的预测失败显著正相关，而与NRT的预测失败呈负相关趋势。这表明，模型对其已知的复发肿瘤特征更有信心，而NRT类的异质性较大，模型可能将一些影像异常直接归因于非肿瘤，导致了不同的不确定性表现。生成的预测图与病理结果定性吻合良好，如图2所示，被病理证实的RTumor区域呈现出高概率值和低不确定性，而TXE区域则相反。

在生存分析中，AI衍生的空间特征展示了超越常规影像学的预后价值。仅仅包含临床和常规体积指标的Cox模型的C-index为0.644，且未达到统计显著性（p=0.21）。而纳入了AI特征的弹性网络Cox模型的C-index提升至0.69，且模型显著（p=0.0005）。多变量分析结果（表3）揭示了两个关键的独立预后因子：一是较高比例的预测NRT与RTumor之比（多类分类模型生成）被确定为显著的保护性因素，风险比（HR）为0.625（p=0.02）；二是预测的增强灶内RTumor体积是比传统的增强灶大小（p=0.03）更显著的生存风险因素（p=0.01）。Kaplan-Meier生存曲线直观显示，按这两个AI指标分层的患者组间具有显著的总生存期差异。

研究结论与意义

本研究的科学价值在于，它利用大样本、坐标精确的病理验证数据，构建并稳健评估了一个能够捕捉病灶内部空间异质性的机器学习模型。这有效解决了传统病灶级分析中因组织混杂而导致的标签模糊问题。研究成功展示了通过多参数生理学MRI在亚病灶分辨率下无创描绘胶质瘤复发空间格局的可行性。

其应用价值主要体现在三个方面：第一，精准诊断，该模型能生成直观的复发概率空间图，帮助临床医生在复杂影像中识别最可能的肿瘤区域，指导精准的组织活检，避免因采样到治疗坏死区而导致的误诊；第二，预后评估，研究表明，基于空间图衍生的AI定量指标（如增强灶内RTumor体积、NRT/RTumor比值）能为患者的生存预后提供超出传统MRI体积学指标的增量信息，有望成为新的影像生物标志物；第三，治疗评估，这些反映肿瘤负荷和治疗效应的空间图可被用于纵向监测，以更精确地评估新辅助治疗或临床试验药物的真实疗效，尤其是在免疫治疗等易出现假性进展的领域，其应用潜力巨大。

研究亮点

本研究的亮点在于其方法论上的严谨性与创新性：首先，它利用了独特的、包含术中导航坐标和屏幕截图的病理数据集，以组织病理学作为体素级预测的验证“金标准”，这远优于以往仅使用临床或影像学随访作为终点；其次，它首创性地采用“二级”分类策略，先利用多分类模型高效识别出异常脑区，再利用二分类模型在其内部精细区分RTumor和NRT，使全脑空间制图成为可能；再次，它将集成学习的预测方差与熵不确定性进行量化和可视化，并且证明了其对预测失败的鉴别能力，这为模型在临床高风险决策中的应用提供了一种安全性保障机制；最后，研究通过在完全独立的外部队列上进行生存分析，验证了AI衍生空间指标的临床可用性，完成了从技术方法开发到临床价值验证的闭环。这一系列工作共同推动了无创、空间精准的胶质瘤复发诊断向临床应用迈出了坚实的一步。