基于深度学习的成人弥漫性低级别胶质瘤生存预测模型：多队列验证研究

《Hormones & Cancer》：Deep learning-based survival prediction model for adult diffuse low-grade glioma: a multi-cohort validation study

本研究针对成人弥漫性低级别胶质瘤（DLGG）预后评估复杂难题，开发并验证了一种基于DeepSurv深度学习架构的生存预测模型。研究整合了年龄、IDH突变状态等7个临床病理变量，在包含1079例患者的多队列中验证显示C-index达0.81（训练集）/0.76（内验证）/0.87（外验证），显著提升预后精准度。模型已部署为临床可用网络平台，为DLGG个体化治疗决策提供新工具。

　　

在神经肿瘤领域，成人弥漫性低级别胶质瘤（DLGG）一直被视为临床管理的难点。这类肿瘤虽然病理分级较低，但其生物学行为却呈现出惊人的异质性——有些患者可长期稳定生存，而另一些则会快速进展为高级别胶质瘤。当前临床实践中，治疗决策往往依赖于年龄（传统以40岁为界）、IDH突变状态、手术切除范围等孤立因素，这种简化模式难以准确捕捉疾病发展的复杂轨迹。更为棘手的是，既往研究发现的预后指标多源于治疗适宜性评估，而非真正识别需要积极干预的高危人群。随着精准医疗时代的到来，如何构建能够整合多维度信息、动态预测个体预后的工具，成为神经外科医生面临的迫切挑战。

传统统计模型如Cox比例风险模型虽然广泛应用，但在捕捉变量间复杂非线性关系方面存在固有局限。而深度学习技术的崛起为这一困境带来了转机。这类算法能够自主识别特征间的交互模式，无需预先设定假设关系。正是在这样的背景下，徐鹏飞团队开展了这项多中心验证研究，旨在开发一种能够精准预测DLGG患者生存结局的深度学习模型。

研究团队采用了严谨的多队列验证设计，数据源包括美国SEER数据库和北京大学深圳医院的临床资料。最终纳入1079例经病理确诊的DLGG患者，按8:2比例随机分为训练集（836例）、内部验证集（210例）和外部验证集（33例）。所有病例均具备完整的分子分型资料和手术治疗记录，确保了数据的可靠性。

在技术方法层面，研究选用DeepSurv这一专门用于生存分析的深度学习框架。模型纳入7个关键临床病理变量：年龄、性别、肿瘤大小、分子亚型、手术范围、放疗和化疗情况。通过系统的超参数优化，最终确定最优网络结构为单隐藏层（16个神经元），采用ReLU激活函数，学习率设为0.0001，训练1000轮次。为评估模型性能，研究采用C-index衡量判别能力，使用Brier评分和集成Brier评分（IBS）评估校准度。特征重要性通过置换重要性和SHAP值双重验证。

3.1 临床特征

三组队列的基线特征比较显示，除手术切除范围存在差异（P<0.001）外，其他临床参数均具有可比性。训练队列中位年龄40.5岁，男性占59.2%，肿瘤平均大小46.1±36.9 mm。分子分型分布为：IDH突变型星形细胞瘤38.8%，IDH野生型星形细胞瘤11.7%，IDH突变型少突胶质细胞瘤49.5%。治疗方面，根治性切除（GTR）占43.3%，41.9%患者未接受辅助治疗，49.2%接受同步放化疗（CRT）。

3.2 预测模型的开发与验证

深度学习模型在所有队列中均表现出优异的预测性能。训练集、内部验证集和外部验证集的C-index分别为0.81、0.76和0.87，显示出色的判别能力。IBS值分别为0.04、0.04和0.03，证实模型具有良好的校准度。

时间依赖性Brier评分分析显示，在40个月随访期内，所有队列的评分均保持在0.25参考值以下，表明模型在不同时间点均保持稳定预测准确性。

3.3 特征重要性

置换重要性分析和SHAP值共同证实年龄是最强预后因素，其次为IDH突变状态。年龄呈现非线性效应，50岁后预后价值显著增强，尤其在IDH野生型肿瘤中更为明显。

交互分析显示分子亚型与年龄存在协同效应。IDH野生型肿瘤中，老年患者（>60岁）的SHAP值显著升高，预示更差生存结局。

3.4 模型部署与临床实施

为实现临床转化，团队开发了基于Streamlit框架的交互式网络平台，可输入患者参数后生成个性化生存曲线，直观展示1年、3年和5年生存概率。

该研究的创新价值在于成功将深度学习技术应用于DLGG预后预测，突破了传统模型的线性假设限制。模型不仅验证了年龄和IDH状态的核心预后价值，还揭示了这些因素间的复杂交互关系。特别是发现50岁作为预后转折点，以及IDH野生型肿瘤中年龄效应的放大现象，为高危患者识别提供了新视角。

然而研究也存在若干局限。外部验证队列样本量较小，且缺乏活检病例可能影响泛化能力。更重要的是，根据2021年WHO分类标准，部分IDH野生型病例可能实际为分子特征定义的胶质母细胞瘤，而SEER数据库缺乏必要的分子标记（如EGFR扩增、7号染色体增益/10号染色体缺失等）进行准确重分类。未来研究整合更全面的分子谱（如CDKN2A/B纯合缺失、TERT启动子突变等）将进一步提升模型精度。

这项发表于《Discover Oncology》的工作标志着DLGG预后评估向精准化迈出重要一步。通过将复杂临床数据转化为直观预测工具，该模型有望辅助医生制定更个体化的治疗策略，最终改善患者生存质量。随着多组学数据的不断积累和算法持续优化，深度学习必将在神经肿瘤预后预测领域发挥更大价值。