编辑推荐：
高级别胶质瘤预后差，精准预测其进展至关重要。研究人员开展 AI 与放射组学融合（AIRI）预测高级别胶质瘤进展的研究。结果显示特定 MRI 衍生特征和机器学习模型预测效果好，但存在方法学异质性。该研究为临床决策提供支持，推动精准医学发展。
在医学的神秘领域中，高级别胶质瘤尤其是胶质母细胞瘤，如同隐藏在大脑深处的 “恶魔”，是中枢神经系统中极为凶险的肿瘤。尽管现代医学在手术、放疗和化疗等方面不断进步，但这些肿瘤的高复发率和极低的总体生存率（OS），让患者的生命如同风中残烛，预后依旧十分严峻，患者的中位 OS 仅约 14.6 个月。目前，传统的放射学评估方法难以全面捕捉胶质瘤的复杂性，无法满足精准医疗的需求，就像用一把简陋的尺子去测量复杂的艺术品，难以精准把握其全貌。在这样的困境下，探索更先进的诊断和预后策略迫在眉睫，这不仅关乎无数患者的生命健康，也是医学领域亟待攻克的难题。
为了打破这一困境，来自墨西哥社会保险协会国家医学中心癌症医院（Hospital de Oncología, Centro Médico Nacional Siglo XXI, Instituto Mexicano del Seguro Social）等机构的研究人员，开展了一项关于人工智能与放射组学融合（AIRI）预测高级别胶质瘤进展的研究。他们的研究成果发表在《Scientific Reports》上，为该领域带来了新的曙光。
研究人员采用了多种关键技术方法。首先，运用系统评价和认知元分析的方法，全面梳理相关研究。通过制定严谨的研究问题，依据参与者（Participants）、干预措施（Intervention）、结局（Outcome）（PIO）策略拆解问题，在 PubMed、BIREME 和 Web of Science 等数据库中进行广泛搜索，筛选出 19 项高质量研究。随后，利用积分 AI 元分析算法（IAIMA），对这些研究进行分类、数据整理和分析，从而深入探究 AIRI 在高级别胶质瘤预后中的应用情况。
下面来看看具体的研究结果：
- 研究现状与文章筛选：研究人员通过系统检索，最初获得 210 篇文献，经多轮筛选，最终确定 19 篇符合要求的文章纳入分析。这些文章涵盖了不同的应用主题，其中 11 篇关注 OS 或 PFS 的预后，6 篇研究治疗后的进展，2 篇聚焦于分割。
- AIRI 路线图：大多数研究在 AIRI 路线图上具有相似步骤，包括患者选择（获取 MRI、临床和分子数据）、MRI 预处理、肿瘤分割、放射组学特征提取、特征选择、模型训练以及模型性能评估。有时，特征选择、模型训练和评估会形成一个循环步骤12。
- 特征与模型分析：临床特征方面，多数研究集中于成年患者，对儿科人群研究较少。在放射组学特征和分割方面，存在方法学的异质性，多数研究提取一阶和二阶特征，部分研究结合分子特征。在模型算法上，多数研究采用机器学习算法，随机森林（RF）和支持向量机（SVM）较为常用34。
- 模型性能比较：在 OS 或 PFS 预后研究中，Su - 2021、Chaddad - 2018、Pak - 2018 和 Sanghani - 2018 等研究表现出色。在治疗后进展的研究中，Zhang - 2022、Kebir - 2020 和 Kim - 2018 的模型性能较好。不同研究中，预测特征和最佳算法各有差异56。
- AIRI 模型开发与实施路线图：基于研究结果，研究人员提出了 AIRI 通用路线图。在开发阶段，涉及 MRI 数据采集、预处理、分割、特征提取、数据拆分、特征选择与模型训练、模型选择和测试等步骤。在实施阶段，建议将开发过程分为多个软件步骤，实现患者数据输入、模型预测和结果可视化等功能7。
在研究结论与讨论部分，该研究表明 AIRI 在预测高级别胶质瘤进展方面具有巨大潜力。特定的 MRI 衍生放射组学特征，如 log - filter 和 Gabor 纹理，以及 RF、SVM 等机器学习模型，能够实现较高的预测准确性和 AUC 分数。然而，目前 AIRI 领域存在方法学异质性问题，包括成像协议、分割技术和特征选择策略的差异，这导致研究结果难以比较和整合。为解决这些问题，研究人员提出了标准化的路线图和指南，强调了标准化特征提取和 AI 模型训练的重要性，以提高研究的可重复性和临床适用性。这不仅有助于优化临床决策，还为精准医学的发展提供了有力支持，有望为高级别胶质瘤患者带来更好的治疗效果和生存希望，推动整个 AIRI 领域朝着更加标准化、临床实用化的方向迈进。
