编辑推荐：
胶质母细胞瘤预后差，高级别胶质瘤（HGG）分级依赖病理但存在挑战。本研究基于 MRI 构建放射组学模型，比较多种机器学习算法，发现 XGBoost 在非融合模型中表现最佳，Stacking 融合模型 AUC 达 0.95，SMOTE 改善数据不平衡，为 HGG 精准诊疗提供新方向。
脑癌，尤其是恶性程度极高的胶质母细胞瘤，一直是医学领域的 “顽固堡垒”。作为最常见的原发性恶性脑肿瘤，胶质母细胞瘤占所有胶质瘤的 57%、中枢神经系统恶性肿瘤的 48%，且预后极差 —— 约每 100 名患者中仅 5 人能存活超过 5 年，全球每年有超 30 万人因胶质瘤离世。根据世界卫生组织（WHO）分级，高级别胶质瘤（HGG，包括 III 级和 IV 级）预后更差，多数患者生存期不足两年，IV 级患者中位生存期仅约 14.6 个月。当前，HGG 的准确分级依赖组织病理学，但术前穿刺或手术获取标本存在肿瘤异质性导致的采样误差，且部分患者因身体条件受限无法耐受。磁共振成像（MRI）虽凭借高分辨率、无创性等优势成为重要辅助工具，但其影像特征的定量分析及不同机器学习算法在 HGG 分级中的表现差异尚不明确，数据不平衡问题对模型性能的影响也未充分阐明。
为攻克这些难题，浙江省肿瘤医院台州院区（台州肿瘤医院）、广西科技大学、右江民族医学院等国内研究机构的学者联合开展了一项基于 MRI 放射组学的 HGG 分级预测与生存分析研究。相关成果发表于《Scientific Reports》，为 HGG 的精准诊疗提供了关键突破。
研究团队纳入 184 例 HGG 患者（59 例 III 级、125 例 IV 级），利用 T1 加权成像（T1WI）提取 107 个放射组学特征，通过最小绝对收缩和选择算子（LASSO）进行特征筛选，并采用逻辑回归、XGBoost、随机森林（RF）等 6 种非融合机器学习算法及 Stacking 融合模型进行分类。同时，运用合成少数过采样技术（SMOTE）处理数据不平衡问题，并结合 Cox 比例风险模型、Kaplan-Meier（KM）法开展生存分析。
研究结果
临床特征与数据预处理
III 级与 IV 级患者在 Minimum、偏度（Skewness）、逆差归一化（Idn）、相关信息指标 1（Imc1）、逆方差（Inverse Variance）、联合能量（Joint Energy）、大面积低灰度级强调（Large Area Low Gray Level Emphasis）及年龄上存在显著差异。由于 III 级病例占比仅 32.1%，研究采用 SMOTE 平衡样本，提升模型稳定性。
模型性能比较
在未处理数据不平衡时，XGBoost 表现最优（AUC=0.75，准确率 0.74）；经 SMOTE 处理后，所有模型性能均提升，XGBoost 的 AUC 升至 0.84，准确率 0.78。Stacking 融合模型整合 6 种算法后性能最佳，AUC 达 0.95，准确率 0.85，灵敏度 0.84，F1 分数 0.85，显著优于单一模型。
特征重要性与模型解释
通过 SHAP 值分析 XGBoost 模型发现，区域大小不均匀性（SizeZoneNonUniformity）、偏度、逆差归一化、Minimum、Imc1 等特征与 IV 级胶质瘤预测高度相关。例如，SizeZoneNonUniformity、Minimum 等指标值较小时更倾向于 IV 级，而 Idn、Imc1 等指标值较大时预测 IV 级的概率更高。
生存分析
对 144 例患者的生存分析显示，IV 级患者中位生存期（531 天）显著短于 III 级（667 天）。Cox 模型表明，Imc1、IDH1 突变状态、Ki-67 指数、Karnofsky 功能状态评分（KPS）是独立预后因素。其中，Imc1 值升高与生存期缩短相关（风险比 HR=1.37），IDH1 突变型患者预后显著优于野生型（HR=0.54），KPS>70 分患者生存期更长（HR=0.38）。
结论与意义
本研究证实，基于 MRI 的放射组学特征结合机器学习可有效区分 HGG 分级，XGBoost 在非融合模型中表现最佳，Stacking 融合模型进一步提升性能，SMOTE 对数据平衡的处理是关键优化步骤。生存分析揭示了影像特征与临床病理指标的预后价值，为个体化治疗提供了新依据。尽管研究存在缺乏外部验证、仅使用单一 T1 序列等局限，但其建立的模型为临床无创评估 HGG 分级及预后提供了可推广的新方法，有望减少对有创病理检查的依赖，助力精准医疗发展。未来可通过多中心数据、多序列影像及多组学整合进一步优化模型，推动其临床转化。
