基于多模态MRI影像组学与遗传风险评分的胶质瘤IDH突变状态无创预测新策略

本研究针对胶质瘤IDH突变状态诊断依赖有创活检的临床困境，创新性整合MRI影像组学特征、多基因风险评分(PRS)及人口统计学数据，通过弹性网络和神经网络模型实现IDH突变状态的无创预测。结果显示，联合PRS使弹性网络模型的AUC从0.83提升至0.88（P=6.9×10-5 ），结合年龄和性别后AUC达0.93。预测结果与活检确认的IDH状态具有同等预后价值（HR=0.18, P=2.1×10-5 ），为胶质瘤的精准分型和临床决策提供了重要无创工具。

　　

胶质瘤作为成人最常见的原发性恶性脑肿瘤，其分子分型对临床预后至关重要。其中异柠檬酸脱氢酶（IDH）突变状态是核心分子标志物，IDH野生型胶质母细胞瘤（GBM）患者中位生存期仅14个月，远低于IDH突变型（87个月）。然而当前IDH检测必须通过手术获取肿瘤组织，不仅存在手术风险，在医疗资源匮乏地区更难以普及。如何实现术前无创预测IDH状态，成为神经肿瘤学领域亟待解决的难题。

斯坦福大学医学院等机构的研究团队在《npj Precision Oncology》发表突破性研究，首次将MRI影像组学与遗传风险评分（PRS）进行多模态整合，开发出高性能IDH状态预测模型。研究利用癌症基因组图谱（TCGA）中158例同时具有全基因组数据和术前多参数MRI（T1/T2/FLAIR序列）的胶质瘤病例，提取256个影像组学特征（包括肿瘤体积比、纹理特征等）和基于GWAS的PRS评分，通过弹性网络和神经网络构建分类器。

关键技术包括：1）从TCGA获取配对的肿瘤分子分型、基因组和MRI数据；2）采用UNet自动编码器提取深度影像特征；3）开发整合PRS、影像组学和人口统计学的多模态机器学习模型；4）通过500次嵌套交叉验证评估性能；5）利用Cox回归分析预测结果与生存期的关联。

主要研究结果：

1. 多模态模型性能优越
   弹性网络模型中，单独使用影像组学特征AUC为0.83，加入PRS后显著提升至0.88（P_△AUC
   =6.9×10^-5
   ），再整合年龄和性别后达0.93。神经网络模型同样显示整合优势（AUC 0.93 vs 0.91）。

1. 关键预测特征解析
   40个影像组学特征具有稳定预测价值，其中IDH突变瘤更常见于额叶（占比28.6% vs 12.3%）、增强区域更小（ET/WT体积比0.15 vs 0.32）。年龄和PRS在所有迭代中均具显著性。

2. 临床预后验证
   模型预测的IDH突变型患者中位生存期达87.4个月，与金标准检测结果（87.4个月）完全一致，显著优于预测的野生型（14.7个月，P=6.8×10^-11
   ）。多因素分析显示预测IDH状态与死亡率强相关（HR=0.18）。

研究意义：
该研究首次证实遗传风险信息可增强影像组学模型的分类性能，突破现有IDH无创检测的技术瓶颈。通过揭示额叶定位、低增强特征等关键影像标志物，为临床医生提供直观判断依据。更重要的是，该模型可直接应用于常规MRI和血液基因检测数据，使低收入地区患者受益。未来结合IDH抑制剂（如Vorasidenib）的术前应用，可能改变胶质瘤治疗格局。

局限性包括样本量较小（n=158）和缺乏外部验证。作者建议后续在更大队列（如UCSF-PDGM数据集）中测试模型泛化性，并探索1p/19q共缺失等更精细分型的预测方法。这项工作为多模态人工智能在精准神经肿瘤学的应用树立了新范式。