基于混合差分进化神经网络优化框架的胶质母细胞瘤复发风险精准预测模型研究及其临床转化价值

本研究针对胶质母细胞瘤（GBM）复发风险预测难题，开发了基于混合差分进化神经网络（HDE-NN）的深度学习模型。通过整合基因组学、影像组学及临床多维数据，该模型在780例患者数据中实现94%准确率与0.96 AUC-ROC值，较传统机器学习方法提升6-12%，为GBM个体化治疗提供了AI驱动的新型决策工具。

　　

本研究致力于开发并评估深度神经网络（Deep Neural Network, DNN）模型，旨在精准预测多形性胶质母细胞瘤（Glioblastoma Multiforme, GBM）的复发风险，以优化个体化治疗策略并改善患者预后。研究人员采用经混合差分进化神经网络（Hybrid Differential Evolution Neural Network, HDE-NN）框架优化的DNN架构，重点针对晚期疾病阶段患者的GBM复发风险进行预测。模型训练与验证基于包含780例GBM患者的多模态数据集，涵盖基因组图谱、影像衍生指标和纵向临床记录。数据来源包括癌症基因组图谱（The Cancer Genome Atlas, TCGA）及机构内部数据库。性能评估以传统机器学习模型为基准，包括支持向量机（Support Vector Machine, SVM）、随机森林（Random Forest, RF）和标准DNN模型，所有模型均通过Python实现。结果表明，HDE优化DNN模型达成94%准确率、92%精确度、90%召回率、91% F₁分数以及0.96的AUC-ROC（受试者操作特征曲线下面积）值，各项评估指标较基线模型显著提升6–12%。通过十折交叉验证计算95%置信区间，证实了统计稳健性。本研究提出了一种高性能且可推广的深度学习框架，通过融合多源临床与基因组数据，展现出超越传统方法的预测能力。这些发现支持将人工智能驱动工具整合至GBM临床工作流程，以提升预后评估质量并实现治疗干预的个性化。