GUARD系统：基于AI的胶质瘤放疗敏感性预测与个性化治疗新策略

《Neuro-Oncology》：IMG-10. GUARD: A glioma unified AI-driven radiotherapy decision system

本研究针对低级别胶质瘤(LGG)放疗敏感性预测难题，开发了GUARD机器学习系统。通过多中心回顾性训练集(963例)和外部验证集(147例)及前瞻性队列(328例)验证，该系统基于术前MRI影像组学特征和临床变量，在训练集、内部验证、外部验证和前瞻性数据集中AUC分别达0.948、0.911、0.892和0.915，成功识别放疗抵抗相关生物通路，为LGG患者个性化放疗决策提供重要工具。

　　

在神经肿瘤领域，低级别胶质瘤(Low-Grade Glioma, LGG)的治疗策略一直存在争议，特别是关于放疗时机的选择。虽然放疗可有效控制肿瘤进展，但患者对放疗的敏感性存在显著个体差异，部分患者可能无法从中获益甚至产生严重副作用。目前临床缺乏能够在治疗前准确预测放疗敏感性的可靠方法，导致医生难以制定真正个性化的治疗方案。这一困境促使研究人员寻求新的技术突破。

为解决这一临床难题，来自北京天坛医院等六家医疗中心的研究团队开发了名为GUARD(Glioma Unified AI-driven Radiotherapy Decision System)的人工智能驱动系统。该研究成果发表于《Neuro-Oncology》杂志，通过整合多中心大数据和机器学习技术，实现了对LGG患者放疗敏感性的非侵入性预测。

研究团队采用了多项关键技术方法：收集了来自六个医疗机构的纵向MRI数据，包括术前、术后、放疗前和放疗后四个时间点；从北京天坛医院回顾性筛选了963例患者(11,556次MRI)作为训练集，同时从五家独立中心收集147例患者(1,764次MRI)作为外部测试集，并纳入包含328例患者(3,936次MRI)的前瞻性临床试验队列(NCT064540977)；基于术前MRI提取影像组学特征，结合手动分割的肿瘤区域和临床变量训练GUARD模型；通过SHAP分析识别关键预测因子，并进行放射基因组学分析验证模型的生物学意义。

模型开发与性能验证

研究人员利用术前MRI扫描提取的影像组学特征，结合临床变量构建了GUARD模型。该模型在训练集、内部验证集、外部测试集和前瞻性队列中均表现出色，AUC值分别为0.948、0.911、0.892和0.915，证明了其强大的预测能力和泛化性。特别值得注意的是，模型在来自五个独立中心的外部测试集和前瞻性临床试验队列中均保持稳定性能，这表明GUARD系统具有广泛的临床应用潜力。

关键预测因子识别

通过SHAP分析，研究团队揭示了影响放疗敏感性的关键因素。残留肿瘤体积、患者年龄以及影像组学特征如T2加权图像纹理粗糙度和T1加权对比增强变化被确定为重要预测指标。这些发现不仅增强了模型的可解释性，也为理解放疗敏感性的生物学基础提供了重要线索。值得注意的是，这些特征均来自术前MRI，意味着在治疗开始前即可进行预测，具有重要的临床实用价值。

放射基因组学与生物学验证

研究团队进一步通过放射基因组学分析验证了GUARD模型的生物学合理性。根据模型生成的Radscore将患者分为不同组别后，发现低Radscore组（对应低放疗敏感性）的肿瘤在氧化磷酸化、脂肪酸代谢、缺氧和DNA修复等放疗抵抗相关通路上显著富集。这一发现从分子机制层面解释了为什么这部分患者对放疗不敏感，为模型的预测结果提供了坚实的生物学基础。

临床预后相关性

生存分析显示，低Radscore组患者的总生存期显著较差，这进一步证实了GUARD模型的临床价值。能够识别出可能从放疗中获益较少的患者群体，对于避免不必要的治疗毒副作用和探索替代治疗方案具有重要意义。这种基于生物学特性的患者分层方法，为实现真正的精准医疗提供了新思路。

GUARD系统的成功开发标志着胶质瘤治疗向个性化决策迈出了重要一步。该研究首次构建了一个基于多中心大数据、经过严格内外验证的放疗敏感性预测工具，不仅解决了临床实践中的关键难题，还通过放射基因组学分析揭示了预测结果背后的生物学机制。系统能够在治疗前非侵入性地识别可能对放疗不敏感的患者，避免不必要的毒副作用，同时为耐药患者探索替代治疗方案提供依据。随着人工智能技术在医学领域的深入应用，GUARD系统有望成为神经肿瘤医生制定个性化治疗方案的重要辅助工具，最终改善低级别胶质瘤患者的临床预后。