综述:机器学习在前庭神经鞘瘤术前预测中的应用:系统性综述

《Neuroscience Informatics》:Machine learning for preoperative predictions in Vestibular Schwannoma: A systematic review

【字体: 大 中 小 】 时间:2026年03月27日 来源:Neuroscience Informatics CS11.7

编辑推荐:

  本文系统性综述了2015-2025年间发表的12项研究,评估了机器学习(ML)与深度学习(DL)在前庭神经鞘瘤(VS)术前预测中的应用前景,涵盖肿瘤生长预测、Koos分级分类、听力图数据筛查及治疗决策支持等任务。尽管多种模型展现出良好性能与创新性,但其泛化能力仍受限于回顾性、单中心数据和缺乏外部验证。本文强调了ML/DL在VS诊疗中的潜力与当前局限,并指出了未来向更稳健、可解释及与临床结合模型发展的方向。

  
引言:应对前庭神经鞘瘤的决策挑战
前庭神经鞘瘤(Vestibular Schwannoma, VS),历史上称为听神经瘤,是一种源于第八对脑神经前庭支施旺细胞的良性肿瘤。它是成人桥小脑角区最常见的肿瘤,约占所有颅内肿瘤的8%。随着神经诊断影像学,特别是磁共振成像(MRI)的进步,近年来偶发和早期VS的检出率稳步上升。其治疗选择多样,包括显微外科手术切除、立体定向放射外科手术或保守监测(“等待观察”)。然而,如何利用术前数据准确预测肿瘤生长、症状进展及治疗需求,仍是临床面临的重大挑战。近年来,机器学习和深度学习技术因其在处理复杂、高维数据方面的潜力,逐渐被探索用于VS的术前预测任务。
现有研究的全景概览
本篇综述遵循PRISMA 2020指南,对2015年至2025年间发表的文献进行了系统性检索,最终纳入了12项研究。这些研究均在2021年之后发表,显示出该领域近期的活跃趋势。所有研究均采用回顾性设计,研究目标多样,涵盖了从肿瘤检测、生长预测到治疗决策支持等多个方面。评估指标也因任务而异,分类研究最常报告准确率、灵敏度、特异性、受试者工作特征曲线下面积和F1分数等。对研究按预测任务、数据类型和机器学习方法进行了分类。
按预测任务分类的深入研究
诊断与筛查
有两项研究专注于利用听力学和临床数据进行VS的诊断或筛查。Carey等人的研究比较了机器学习分类器与传统基于规则的听力学标准(如任何频率下听阈不对称性≥20 dB)在识别VS方面的表现,发现机器学习模型的性能与传统方法相当,并分析了迄今为止用于测试听力学标准作为VS筛查工具的最大数据集。而Kortebein等人的研究则结合听力学特征和临床症状(如耳鸣、听力损失模式等)建立筛查模型,旨在识别需要进一步MRI检查的患者,但其结论认为模型未能达到足够的敏感度和特异性。这表明,仅凭非影像学数据进行可靠筛查仍是一个有待探索和优化的方向。
肿瘤生长预测
预测未来肿瘤生长是VS“等待观察”策略中的关键。Wang等人、Itoyama等人和Chen等人的研究对此进行了探索。其中,Chen等人提出的DeepGrowth框架采用了创新方法,它利用纵向MRI数据,通过将肿瘤表示为符号距离函数来进行建模,而不是直接使用3D图像,从而降低了计算开销。该模型还结合了不规则扫描间隔的时间编码,在处理肿瘤随时间的演变方面表现出色,尤其在预测生长最快的肿瘤方面优于多个基线模型。Wang等人则采用了深度多任务学习模型,同时执行肿瘤分割和生长预测两项任务,证明了多任务学习可以提高数据效率和预测性能。Itoyama等人则结合了从MRI中提取的影像组学纹理特征和年龄、初始肿瘤大小等临床变量,来识别与肿瘤快速生长相关的特征。
Koos分级分类
Koos分级是用于指导VS治疗决策的分类系统。Kujawa等人率先提出了自动化Koos分级方法,其人工智能流程涉及肿瘤分割和分类,采用了DenseNet和随机森林的集成模型。Yang等人则通过CycleGAN模型,将已标注的对比增强T1加权图像转换为高分辨率T2加权图像的风格,从而实现在无需对T2图像进行手动标注的情况下进行Koos分级,这种跨模态策略有助于减少对钆对比剂的依赖,支持更安全、经济的临床应用。
决策支持
Gadot等人和Profant等人的研究旨在开发模型以支持VS管理中的临床决策,特别是判断需要主动干预还是继续MRI监测。Gadot等人发现,基于树的机器学习模型能以80%-88%的准确率预测决策驱动因素,其中最重要的预测因子是最大肿瘤外尺寸、患者就诊年龄、Koos分级和进行性症状。Profant等人则通过两种并行的分类框架进行研究:基于案例的推理(静态分析)和个性化动态分析(时序分析)。他们发现,对于静态分析,Koos分级、言语接受阈和纯音测听衍生指标等静态特征最具信息性;而对于动态分析,仅Koos分级和肿瘤大小的变化就足以实现高准确率预测。
其他预测任务
  • •
    肿瘤侧别分类:Sager等人将此作为肿瘤检测的替代任务进行可行性探索,其训练的二维卷积神经网络模型在单张MRI切片上预测肿瘤侧别(左 vs. 右),取得了不错的效果,并在一定程度上展示了模型的泛化能力。
  • •
    血供预测:Song等人利用多参数MRI数据预测VS肿瘤的血供丰富程度,其最佳模型性能显著优于神经外科专家的视觉评估,为此关键术前评估任务提供了更客观的方法。
  • •
    VS与桥小脑角脑膜瘤鉴别:Yuan等人的研究旨在利用从表观扩散系数、对比增强T1加权和T2加权MRI序列中提取的影像组学特征来区分VS和桥小脑角脑膜瘤。研究发现,源自表观扩散系数的三阶特征诊断性能最高,强调了扩散加权成像的临床价值及其减少对钆对比剂依赖的潜力。
研究数据与方法论的多样性
数据类型
在纳入的12项研究中,MRI是最常用的数据源。其中,对比增强T1加权序列因其能清晰显示肿瘤边界而成为临床金标准。部分研究也采用了高分辨率T2加权、T2加权和T2液体衰减反转恢复序列来增强模型性能或探索无对比剂替代方案。少数研究整合了多模态数据,例如将影像组学特征与临床变量(年龄、肿瘤大小)或听力学指标相结合,以提升模型的鲁棒性和临床相关性。然而,这种多模态设计在VS文献中仍相对探索不足。
机器学习方法
所采用的技术涵盖了传统机器学习和深度学习。传统机器学习方法(如随机森林、支持向量机、决策树)依赖于特征工程,通常更透明、计算效率更高,在四项研究中被单独使用。深度学习方法(如卷积神经网络、循环神经网络)能够从原始数据中自动学习层次化特征表征,在三项研究中被单独使用。另有五项研究结合使用了两种方法,例如采用深度学习模型进行特征提取或图像转换,再用传统机器学习模型进行分类,或直接比较不同方法的性能。
潜力、局限与未来方向
关键进展与潜力
多项研究表明,机器学习/深度学习模型在Koos分级、血供预测等任务上可以达到甚至超越临床专家的水平。一些研究采用了创新的架构,如多任务网络和潜在空间建模,以提高性能和效率。此外,资源高效方法的采用也是一大亮点,例如通过潜在表示降低计算需求、利用图像翻译避免昂贵或有害成像序列的手动标注,这些创新在追求准确性的同时,也兼顾了实际临床应用的可行性和患者安全。
当前局限与未来展望
尽管前景广阔,但现有研究也暴露出一些普遍局限,为未来研究指明了方向:
  1. 1.
    数据与泛化能力:大多数研究依赖单中心回顾性数据集,且除一项研究外均未进行外部验证。未来工作必须优先考虑在多机构数据集上进行外部验证,并开发克服域偏移的方法。
  2. 2.
    样本量与类别不平衡:小样本量和类别不平衡限制了研究结果的稳健性,也导致在某些情况下传统机器学习方法表现优于深度学习。促进数据共享标准化、采用数据增强和迁移学习是应对此问题的关键。
  3. 3.
    模型透明度与可解释性:许多模型,尤其是深度学习模型,如同“黑箱”,限制了临床采纳。未来研究应优先开发可解释的机器学习框架,结合如SHAP、Grad-CAM等技术,以建立临床信任。
  4. 4.
    临床现实的简化:一些模型将决策简化为二元结果,未能完全反映临床实践中手术、放疗、观察的三方选择。未来工作应扩展到多类别预测任务,并探索仅使用听力学和临床数据进行筛查或诊断,以降低对MRI的依赖。
  5. 5.
    多模态与数据融合:整合影像与临床数据的研究仍然较少。未来应探索能够处理异构数据类型的高级深度学习架构。同时,提高数据集和代码的透明度与可用性也将促进进展。
  6. 6.
    未开发的模态与方法:除影像外,仅使用听力学和临床数据进行诊断或筛查是一个重要但尚未充分探索的方向。此外,目前没有研究明确采用自然语言处理从未结构化的临床记录中提取信息。探索大语言模型作为辅助工具,可能为开发更全面、可解释和临床可用的VS预测系统开辟新途径。
结论
本系统性综述揭示了机器学习和深度学习在支持VS术前预测任务中日益增长的作用。尽管现有研究在肿瘤生长预测、筛查、Koos分级和治疗决策支持等多个临床目标上显示出令人鼓舞的进展,并提出了创新、高效的解决方案,但仍然面临着泛化能力受限、样本量小、可解释性不足等挑战。未来的研究需聚焦于外部验证、多模态数据整合以及可解释模型的开发,以推动预测模型转化为能够改善临床结局、实现个性化诊疗、并减少VS管理不确定性的实用工具。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号