多模态MRI影像组学技术提升儿童低级别胶质瘤相关癫痫的术前预测效能

为解决儿童低级别胶质瘤(pLGGs)患者肿瘤相关癫痫(GAE)的术前评估难题，研究人员开发了一种基于机器学习和深度学习的多参数MRI影像组学框架。通过整合肿瘤及瘤周特征，该模型实现了0.969的AUC值，SGD分类器展现出优异性能（灵敏度0.882，特异度0.956），为精准手术决策提供了创新性工具。

　　

在儿童低级别胶质瘤(pediatric low-grade gliomas, pLGGs)的临床管理中，术前判断是否合并肿瘤相关癫痫(glioma-associated epilepsy, GAE)至关重要。这项研究构建了突破性的多参数磁共振成像(multiparametric MRI)分析体系，巧妙融合肿瘤区域与瘤周组织的影像组学(radiomics)特征。

采用随机梯度下降(Stochastic Gradient Descent, SGD)算法开发的预测模型表现亮眼，曲线下面积(AUC)高达0.969，其0.882的敏感性和0.956的特异性显著优于传统方法。研究证实，整合T₁WI、T₂FLAIR等多序列MRI数据可大幅提升预测精度。

该成果为神经外科医生提供了可靠的术前决策工具，未来通过在儿童癫痫中心推广标准化评估流程，将进一步优化模型泛化能力。值得注意的是，这种非侵入性预测方法避免了传统脑电图(EEG)监测的局限性，展现了人工智能在神经肿瘤学领域的巨大潜力。