多模态病理组学和临床特征可预测儿童髓母细胞瘤术后永久性脑积水

儿童髓母细胞瘤术后持续性脑积水风险预测采用深度学习（ResNet-18）提取病理切片定量特征，构建临床、病理及多模态（临床+病理）三种预测模型，结果显示多模态模型AUC达0.849，3年无脑积水生存率高危组（37.7%）与低危组（89.5%）差异显著（P<0.001）。

　　

摘要

目的

使用传统的临床特征来预测儿童髓母细胞瘤术后持续性脑积水风险仍然具有挑战性。我们研究了深度学习（DL）对病理特征的处理是否能够改善术后脑积水风险的分层。

方法

我们分析了2015年1月至2024年9月在珠江医院接受治疗的18岁以下髓母细胞瘤患者，将他们随机分为7:3的比例分为训练集和验证集。使用ResNet-18模型，我们从H&E染色的切片中提取了定量组织病理学特征。我们开发了三个逻辑回归模型来预测术后持续性脑积水：（1）临床模型，（2）病理特征模型，以及（3）多模态模型（临床特征+病理特征）。模型性能通过ROC曲线和精确度-召回率曲线进行评估。风险组分层通过Kaplan–Meier图和对数秩检验进行评估。

结果

共有90名患者参与了这项研究，其中26名（28.8%）患者在肿瘤切除后因永久性脑积水需要脑脊液引流。在验证集上，多模态模型表现出最高的预测性能，AUC为0.849（95% CI：0.622-1.000），平均精确度为0.816（95% CI：0.535-1.000）。多模态模型改善了风险组分层（预测高风险组的3年无脑积水生存率为37.7%，而低风险组为89.5%，P < 0.001）。

结论

将深度学习衍生的病理特征与临床变量相结合，显著提高了儿童髓母细胞瘤患者的术后脑积水风险分层，有助于制定个性化的管理策略，最终改善患者的治疗效果。