编辑推荐：
为解决手动分割肿瘤耗时且重复性差的问题，研究人员开展对接受免疫治疗的复发高级别胶质瘤（HGG）患者总生存（OS）预测的研究。结果显示手动分割的影像组学特征预测效果更好，CNN 预后模型表现也不错。该研究为 HGG 免疫治疗预后评估提供参考。
在神经肿瘤领域，高级别胶质瘤（High-grade Gliomas，HGG）犹如一颗 “恶性炸弹”，严重威胁着患者的生命健康。它是成人中最常见且侵袭性极强的浸润性胶质瘤，其中胶质母细胞瘤（Glioblastoma，GBM）最为普遍。即便当前医疗技术不断进步，采用了最大程度的手术切除、同步放化疗以及维持化疗等标准治疗手段，HGG 患者的预后依旧不容乐观。免疫疗法虽在黑色素瘤和肺癌治疗中大放异彩，然而在 HGG 患者群体中，整体效果却不尽人意。不过，有数据表明部分 HGG 患者可能对免疫疗法有积极反应，因此精准识别这部分潜在受益患者成为了医学研究的关键目标。
传统的影像组学（Radiomics）分析，即从脑肿瘤 MRI 中提取和分析定量成像特征，虽能进行自动化、定量的诊断和预后建模，但它有个 “致命弱点”—— 肿瘤分割环节依赖人工标注感兴趣区域（Region of Interest，ROI），这不仅耗费大量时间和人力，还存在严重的重复性问题，极大地阻碍了影像组学在科研和临床中的广泛应用。在此背景下，为突破困境，广州医科大学附属第一医院等多机构的研究人员开展了一项极具意义的研究，相关成果发表在《Cancer Imaging》杂志上。
研究人员运用了多种关键技术方法。首先，他们收集了多中心 154 例经组织病理学确诊的复发 HGG 患者的病例资料，这些患者均在 2014 年 4 月至 2019 年 2 月期间接受了免疫治疗。在影像处理方面，获取了包括液体衰减反转恢复 T2 加权（FLAIR）、扩散加权成像计算的表观扩散系数（ADC）图以及对比增强 T1 加权（T1CE）序列的 MRI 数据，并进行了图像配准和分辨率统一处理。肿瘤分割采用了手动和基于卷积神经网络（Convolutional Neural Networks，CNN）的自动分割两种方式，其中自动分割使用了 SegResNet 架构的 CNN 模型，并进行了优化和微调。在模型构建和评估上，通过一系列数据处理和特征选择方法，构建了基于临床变量的临床模型、基于影像组学特征的模型以及深度学习分类模型，利用十折交叉验证和旋转测试集来评估模型性能，以受试者工作特征曲线下面积（Area Under the Curve，AUC）衡量模型预测准确性。
下面来看看具体的研究结果。
- 参与者特征：研究队列中包含 133 例 IDH 野生型 GBM 和 21 例其他 HGG 患者。短生存期患者平均年龄为 57.78 岁（±12.13），长生存期患者平均年龄为 53.27 岁（±12.61），年龄差异具有统计学意义（P = 0.028）。同时，MGMT 启动子甲基化状态在两组患者中也呈现出不同趋势，短生存期组中 58.97% 的患者 MGMT 启动子未甲基化，长生存期组中则有 50.00% 的患者 MGMT 启动子甲基化，该趋势接近统计学意义（P = 0.056），而性别和 IDH 状态与总生存无显著相关性。
- 单变量和多变量 Cox 回归：单变量 Cox 回归分析发现年龄（p = 0.039）和 MGMT 甲基化（p = 0.035）是 HGG 患者总生存的重要预测指标。多变量 Cox 回归分析进一步表明，年龄的风险比（Hazard Ratio，HR）为 1.0178（95% CI：1.001 - 1.034，p = 0.037），MGMT 甲基化患者的死亡风险显著降低（HR = 0.658，95% CI：0.444 - 0.975，p = 0.037），但部分甲基化组在生存方面无统计学差异（HR = 0.730，95% CI：0.378 - 1.409，p = 0.348）。
- 临床模型性能：以 MGMT 启动子甲基化和年龄作为预测指标构建的临床模型，在训练集和测试集中的 AUC 分别为 0.640 ± 0.013 和 0.610 ± 0.131，预测效果中等。
- 病变分割：手动和自动分割在直径和体积相关特征上表现出良好的一致性，经主观评价，二者无显著差异。
- 影像组学模型性能：基于手动分割特征的影像组学模型在测试集中的平均 AUC 为 0.662 ± 0.122，优于基于自动分割特征的模型（平均 AUC 为 0.471 ± 0.086）。使用基于组内相关系数（ICC）>0.75 选择的稳健特征后，手动分割模型的 AUC 提升至 0.700 ± 0.102，自动分割模型提升至 0.554 ± 0.085。
- 深度学习模型性能：CNN 预后分类模型在训练集和测试集中的平均 AUC 分别达到 0.755 ± 0.071 和 0.700 ± 0.101，展现出良好的预测能力。
综合研究结论和讨论部分，该研究具有多方面重要意义。一方面，明确了 MGMT 启动子甲基化作为积极预后标志物的重要性，以及年龄与总生存的负相关性，为临床评估患者预后提供了重要参考。另一方面，证实了手动分割衍生的影像组学特征在预测接受免疫治疗的复发 HGG 患者总生存方面优于自动分割特征，不过自动分割在复杂场景下仍有待完善。同时，CNN 预后模型虽在小数据集上与手动分割影像组学模型表现相当，但存在可解释性差的问题。这一研究为后续探索更精准、高效且可解释的 HGG 预后预测方法指明了方向，有助于推动 HGG 免疫治疗的精准化发展，让更多患者受益。然而，研究也存在一些局限性，如样本量较小、未对单独序列的影像组学特征进行研究、缺乏非免疫治疗对照组以及机器学习方法选择的局限性等，这些都为未来的研究提供了新的探索方向。
