人工智能在伽玛刀术后前庭神经鞘瘤连续监测中的应用：一项验证NF2与非NF2相关肿瘤体积分析的可行性研究

本研究针对伽玛刀放射外科(GKS)治疗后前庭神经鞘瘤(VS)体积监测的临床需求，开发了一种基于NF2相关VS训练的人工智能(AI)分割算法。通过对比16例非NF2相关VS患者GKS术前术后的MRI手动与AI分割结果，发现平均DICE相似系数达0.91，证实该算法可5分钟内完成高精度三维体积分析，为临床提供高效标准化监测工具。

　　

在神经外科领域，前庭神经鞘瘤(Vestibular Schwannomas, VS)虽属良性肿瘤，却可能引发听力丧失、平衡障碍甚至脑干压迫等严重后果。这种发病率约1/10万的肿瘤占颅内肿瘤的8%，其生长监测直接决定治疗策略选择。伽玛刀放射外科(Gamma Knife Radiosurgery, GKS)作为主流治疗手段，术后疗效评估长期依赖人工测量MRI二维切片，但这种方法存在低估肿瘤生长、测量不一致等缺陷。更精确的三维体积分析又因耗时费力难以临床推广，这一矛盾催生了人工智能技术的介入机遇。

来自某医疗机构的研究团队创新性地将原用于神经纤维瘤病2型(Neurofibromatosis Type 2, NF2)相关VS的AI算法，拓展应用于非NF2相关VS的GKS疗效评估。这项发表于《Clinical Imaging》的研究通过回顾性分析16例患者的32次MRI扫描，证实该算法仅需5分钟即可完成与人工分割高度一致的三维建模，DICE相似系数达0.91-0.92，为临床提供了一把监测肿瘤生长的"智能标尺"。

研究采用三大关键技术：1) 基于NF2相关VS训练的深度学习分割算法；2) 16例非NF2相关VS患者的术前术后对比增强T1加权MRI队列；3) 通过DICE系数和配对t检验评估AI与人工分割的一致性。特别值得注意的是，所有病例均来自2010-2023年的GKS治疗数据库，随访时间跨度达10个月至11.3年，确保了数据的临床代表性。

【Participants and MRI data】
研究纳入16例接受GKS治疗的散发性VS患者，平均随访4.1年。所有患者均行术前术后钆剂增强T1加权MRI扫描，为算法验证提供理想数据集。

【3D volumetric model】
AI算法在3分钟内完成所有32次扫描的分割，生成的3D模型较人工分割更具平滑轮廓。典型病例展示显示，AI能准确捕捉肿瘤形态学特征。

【Statistical analysis】
关键数据显示，AI与人工分割的DICE系数均值达0.91(范围0.79-0.97)，术前术后分别为0.91和0.92。体积变化百分比两者高度吻合，证实算法对肿瘤生长的检测灵敏度。

【Discussion】
研究突破性地证实，基于NF2相关VS训练的AI算法可泛化至非NF2病例及GKS治疗后评估。这一发现意义重大，因为尽管NF2与非NF2相关VS在发生机制上存在差异，但它们在MRI上的增强模式、形态学特征具有足够相似性，使得跨类型应用成为可能。算法5分钟的处理速度，成功解决了传统3D体积分析耗时长的临床痛点。

【Conclusion】
该研究确立了AI算法在VS全程管理中的双重价值：既可作为GKS术前评估的标准化工具，又能高效监测术后肿瘤动态。作者Manwi Singh等强调，这种自动化方法将显著提升诊疗效率，尤其有利于基层医疗机构开展精准随访。未来研究可进一步探索算法在预测肿瘤生长模式、优化GKS剂量规划等方面的延伸应用。