好的,作为学术专家和期刊评审,我将按照您的要求,对这篇论文进行详细解读。 **中文标题** 基于人工智能光学显微镜预测胶质母细胞瘤局灶性复发

《SCIENCE ADVANCES》:Optical microscopy predictions of focal recurrence in glioblastoma

【字体: 大 中 小 】 时间:2026年09月26日 来源:SCIENCE ADVANCES 13.9

编辑推荐:

  **专业摘要翻译** 胶质母细胞瘤(glioblastoma, GBM)的一个标志性特征是疾病复发,尽管采取了切除、放疗和化疗,所有患者仍会出现复发。GBM治疗中的一个关键挑战是处理复发性疾病,目前对此尚无标准治疗方案。预测GBM复发的位置可能提高晚期治疗方

  
**专业摘要翻译**

胶质母细胞瘤(glioblastoma, GBM)的一个标志性特征是疾病复发,尽管采取了切除、放疗和化疗,所有患者仍会出现复发。GBM治疗中的一个关键挑战是处理复发性疾病,目前对此尚无标准治疗方案。预测GBM复发的位置可能提高晚期治疗方案的效率。研究人员提出了一种基于人工智能(artificial intelligence, AI)的模型,用于预测初次切除时未经处理的手术组织的复发风险。利用AI赋能的非标记光学显微镜,生成归一化的肿瘤浸润值(AI-infiltration),用于切除腔边缘样本的光学图像。这些值与临床、影像学和分子变量相结合,构建了一个局灶性复发的预测模型。在一个包含80名患者、367个样本和133,454张独特图像的队列中,复发位点的边缘样本的GBM浸润程度显著高于非复发位点(P = 0.03)。一种随机森林(random forest)机器学习分类器预测位点复发的平均受试者工作特征曲线下面积(area under the receiver operating characteristic curve, AUC)在训练队列中为87% ± 10.0,在验证队列中为80%(95%置信区间:0.64至0.97)。AI-infiltration是复发预测中贡献最大的因素,其性能超过了肿瘤分子特征。无论肿瘤位置如何,模型性能均保持较高水平,从而能够对每个样本周围5毫米和10毫米范围内的复发进行随机森林模型预测。这些发现代表了AI在预测肿瘤复发位点方面的潜力,从而提高了针对最高风险疾病区域进行靶向、精准和多模式治疗的可及性。
**论文解读文章**

**研究背景、问题与意义**

胶质母细胞瘤(GBM)是成年人中最常见且最具侵袭性的原发性脑肿瘤,其预后极差,中位总生存期仅约17个月。尽管目前的标准治疗方案包括最大安全切除联合术后放疗和化疗,但几乎所有患者仍会经历肿瘤复发,这使得晚期疾病的治疗成为一项巨大挑战。过去二十年来,针对复发GBM的临床试验大多未能显示出有效性,造成了巨大的经济负担。GBM的复发在四分之三的患者中发生在原始切除腔边缘或其附近。因此,如果在初次手术时就能准确预测未来复发的具体位置,将有可能引导更具针对性的局部治疗,例如剂量递增放疗或局部药物递送,从而改善目前尚无标准治疗方案的复发患者的预后。然而,传统的组织病理学评估耗时耗力,难以大规模应用,这限制了对手术边缘微观浸润的快速评估。因此,研究人员旨在开发一种基于人工智能(AI)的方法,利用术中无标记光学显微镜技术,在初次手术时对切除边缘的组织样本进行快速分析,以预测未来的局灶性复发位点。

**研究人员开展的研究与结论**

这项多中心回顾性队列研究,纳入了2022年5月至2025年3月期间来自加利福尼亚大学旧金山分校(UCSF)和维也纳医科大学的总共84名IDH野生型GBM患者。研究使用受激拉曼组织学(SRH)对未经处理的手术边缘样本进行无标记光学成像,并利用一个名为FastGlioma的AI基础模型计算出每个样本的AI-infiltration值,该值量化了肿瘤浸润程度。研究人员将这些AI-infiltration值与患者的临床、影像学和分子特征(如年龄、切除腔体积、MGMT启动子甲基化状态等)相结合,构建了预测GBM局灶性复发的机器学习模型。在由60名患者组成训练队列中,随机森林(RF)分类器表现出最佳的预测性能,平均AUC达到87%。该模型在一个独立的、由20名患者组成的内部验证队列中得到了验证,AUC为80%。值得注意的是,AI-infiltration是预测复发的最重要变量,其贡献超过了所有传统的分子特征。此外,模型还能有效地预测样本周围5毫米(AUC 80%)和10毫米(AUC 76%)范围内的复发情况。这项研究的成果发表在《SCIENCE ADVANCES》期刊上,其意义在于,它提供了一种能够在初次手术时快速、客观地预测GBM局灶性复发的新工具,为实现精准、多模式的靶向治疗铺平了道路,有望改善晚期GBM患者的治疗效果。

**主要关键技术方法**

本研究所用核心技术包括:1. 建立一个由多中心患者组成的研究队列,其中训练队列包含来自UCSF的60名患者(273个样本),内部验证队列包含来自UCSF的另外20名患者(98个样本)。2. 使用受激拉曼组织学(SRH)技术对未经处理的手术边缘样本进行快速无标记光学成像。3. 利用一个已发表的、基于超过3000名患者数据训练的视觉基础模型FastGlioma,自动计算每个样本的AI-infiltration值,这是一个介于0到1之间的肿瘤浸润评分。4. 整合临床、影像学(如肿瘤体积、切除程度)和分子变量(如基因突变状态),运用包括随机森林在内的六种机器学习分类器进行模型训练、内部交叉验证和独立队列验证。

**研究结果**

**患者群体和特征**
该研究首先描述了训练队列中60名患者的人口统计学、临床、影像学和分子特征。结果显示,复发组和非复发组在性别、年龄、辅助放化疗、肿瘤体积等基线特征上无显著差异。但复发组患者TP53基因突变的比例显著更高(47% vs 18%,P = 0.05)。

**边缘样本表征和复发模型训练**
研究人员通过SRH成像获取了切除边缘样本的AI-infiltration值。通过三维空间映射分析,确认了样本在切除腔周围的分布是分散且无显著聚集的,排除了采样位置偏差的可能。比较复发和非复发样本,发现复发样本的AI-infiltration中位值显著更高(0.74 vs 0.60,P = 0.03),表明肿瘤浸润程度与未来的局灶性复发密切相关。

**GBM浸润评分**
为了验证AI评估的准确性,研究人员将AI-infiltration值与神经病理学家对同一批样本进行的半定量分级(path-infiltration)进行了比较。结果显示,两者之间存在良好的相关性,不同病理分级(从无肿瘤到致密浸润)的样本,其AI-infiltration值有显著差异,证实了AI评分能够有效反映组织学上的肿瘤浸润程度。同时,无论是组织学还是AI评估,都证实了肿瘤核心样本的浸润程度显著高于边缘样本,进一步验证了模型的生物学合理性。

**复发模型训练和微调**
研究人员首先筛选了六种不同的机器学习分类器,随机森林(RF)模型表现最佳(mAUC 87%)。特征重要性分析显示,AI-infiltration是预测复发贡献最大的单一变量。通过反向特征消除法,研究人员找到了一个最小且必要的变量组合——仅需AI-infiltration、年龄和切除腔体积,即可在保持较高预测能力(mAUC 82%)的同时保证模型的临床适用性和泛化性。

**GBM复发的空间预测**
该研究将模型进一步用于预测复发位点的空间距离。模型能够以较高的准确率预测样本周围5毫米和10毫米范围内是否会发生复发。对一个示例患者的分析显示,其初始手术时AI-infiltration值最高的样本(样本2),正好对应于9个月后影像学上确定的复发位置。这一结果直观地展示了该技术预测局灶性复发的空间精度。

**总结讨论与结论**

讨论部分指出,现有的影像学方法预测复发通常需要在治疗失败时或之后才能进行,而本研究建立的模型可以在初次诊断和手术时,基于手术样本提供预测信息,这为在疾病早期进行干预提供了可能。该技术有望整合到未来的临床应用中,用于优化放射治疗的剂量规划,或指导局部药物(如化疗、分子靶向药或疫苗)的精准递送,将治疗集中于未来复发风险最高的区域。研究也承认存在一些局限性,例如未对采样数量做统一规定,以及在功能型大脑区域附近取样受限可能导致样本代表性偏差,但考虑到模型是基于目前大型多中心回顾性队列验证,这些发现依然具有重要价值。

**研究结论**
本研究表明,利用人工智能赋能的非标记光学显微镜对手术切除边缘的未处理组织样本进行快速分析,计算出的AI-infiltration值与胶质母细胞瘤的局灶性复发显著相关。由AI-infiltration、年龄和切除腔体积构成的随机森林模型,能够以较高的准确率预测未来的复发位点,其性能优于传统的分子特征。这项技术代表了AI在改善GBM精准治疗方面的巨大潜力,为晚期疾病提供了可操作的信息,并为未来针对最高风险区域的靶向、精准和多模式治疗提供了新的可能性。
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