儿童低级别胶质瘤（
p
LGG
）是一种常见于儿童患者中的脑肿瘤，尽管大多数时候被认为是良性肿瘤，但是它们仍然可能导致相关症状和并发症的发生，包括但不限于头疼、癫痫认知和其他神经功能缺陷障碍等。
在
2
024
年8月份
，发表在
《
N
euro
O
ncol
》
杂志上的
一项研究
通过深度学习方法结合术前磁共振成像（
M
RI
）特征与临床数据，成功的将儿童低级别胶质瘤患者分为术后高复发风险和术后低复发风险组，三年无复发生存率分别为
3
0%
和
9
0%
，为术后管理提供了可靠的依据
[
1]
。
接下来让我们一起看看，研究者们是如何开展这项研究的。
一、背景介绍
脑肿瘤是最常见的实体肿瘤，也是儿童癌症相关死亡的主要因素之一
[
2]
。儿童低级别胶质瘤是一种起源于胶质细胞并逐渐发展的脑肿瘤，世界卫生组织将其划分为
I类和I
I
类，占所有儿童中枢神经系统肿瘤类型的
5
0%
左右。
对于儿童低级别胶质瘤的术后风险，对于个体和生物学特征的多种因素差异及不确定性，因此对于术后风险预测往往具有挑战性。而在辅助平衡复发风险，降低治疗毒性的关系之间又迫切的需要有效的术后复发预测模型提供相关指导意见。这也是研究者提出想要解决的科学问题。
二、研究结果
1、实验方案设计
在这项回顾性研究中，研究人员分别于
2
022
年至
2
023
年间，收集了来自波士顿儿童医院（
D
F/BCH
，
2
00
例）和儿童脑肿瘤网络（
C
BTN
，
1
96
例）的相关患者信息。
由于与其他低级别神经胶质瘤相比，神经纤维瘤病的疾病
进展
轨迹不同，因此
该研究
排除了
所有
神经纤维瘤病患者
。纳入深度学习的患者必须伴有术前诊断的磁共振成像资料及相关临床信息。具体的实验设计流程如图
2所示。
图
2
：实验设计流程示意图
2、风险预测模型的临床表现
研究者根据患者的临床特征和磁共振图像信息训练了三个对应的模型，分别是临床生存模型、磁共振特征模型以及二者结合的多模态深度学习模型。在测试数据集（
1
19
例）中三个模型的区分性能测试中，多模态模型表现出最高的区分性能（
C
-
index：0
.85
，百分之
9
5
的置信区间为：
0
.81-0.93
）；其次是基于磁共振特征的深度学习模型（
C
-
index：0
.79
，百分之
9
5
的置信区间为：
0
.70-0.88
）；最低的是基于临床特征的深度学习模型（
C
-
index：0
.72
，百分之
9
5
的置信区间为：
0
.57-0.77
）。多模态深度学习模型在单独的
D
F/BCH
数据集或
C
BTN
数据集中的表现也是稳定最高的。这些数据表明，相比较单独的基于临床特征或者基于磁共振图像信息，二者结合的多模态深度学习模型具有更优越的表现，结果如图
3所示。
图
3
：三种模型的
C指数和R
OC
曲线比较
3、
基于深度学习的术后风险分组分类
接下来，研究者将患者根据随访的生存情况划分为高复发风险组和低复发风险组，进一步比较不同模型在不同复发风险分组中的区分度。生存分析表明，结合了磁共振图像信息和患者临床信息的多模态深度学习模型可以最显著的区分低复发风险和高复发风险患者，其中低复发风险组的三年无复发生存率（
E
FS
）为
9
2%
；高复发风险组的三年无复发生存率为
3
1%
。
相比之下，基于磁共振图像信息的深度学习模型的三年无复发生存率分别为
8
9%
和
5
8%
；基于临床信息的深度学习模型的三年无复发生存率分别为
8
6%
和
6
8%
。具体结果如图
4所示。
图
4
：多模态深度学习模型具有最优的生存分层性能
4
、多模态模型的临床应用实例
最后，研究者们为了证明多模态深度学习模型的临床应用效果。
研究团队分析了测试集中几例基线临床风险因素相似（如切除状态）、但复发模式不同的患者病例。结果显示，
临床信息
结合
磁共振图像
特征
的深度学习模型
能够提高个体化风险预测的准确性。这一特性有望为临床决策和患者管理提供更有力的支持。
结果如图
5所示。
图
5
：多模态深度学习模型在实例中的应用性能
三、小结
在这项研究中，研究者从儿童低级别胶质瘤的术后风险预测入手，将患者临床信息与磁共振图像信息所结合，根据深度学习对这些输入信息进行分析并构建预测模型，并为患者的术后管理决策提供依据。该深度学习模型在对数据集中高复发风险患者及低复发风险患者的生存分析中表现出优越的分层性。当然，未来仍然需要进一步的外部验证和前瞻性研究，以明确其在精准医学中术后管理中的作用，达到最终改善患者预后的目的。
[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.
