综述：人工智能在垂体疾病中的应用

本文系统阐述了人工智能（AI）在垂体疾病诊疗中的前沿进展，重点探讨了机器学习（ML）和深度学习（DL）技术在肿瘤分割、手术导航、预后预测等关键场景的应用价值，并指出多中心验证、临床转化等未来发展方向。

　　

Section snippets

Key points

• AI研究始于未满足的临床需求，需经历数据收集、模型训练、验证解释及临床部署全流程
• 在垂体疾病领域，AI已应用于鉴别诊断、手术辅助、肿瘤特征预测、治疗反应评估及复发监测
• 未来需重点解决模型泛化性、临床实用性和患者预后改善等核心问题

Artificial intelligence, machine learning, and deep learning

人工智能（AI）作为计算机科学分支，致力于实现人类智能任务如决策制定和语言理解。机器学习（ML）通过支持向量机、线性判别分析（LDA）等算法从数据中自主学习，而深度学习（DL）则利用神经网络架构实现更复杂的特征提取。

Tumor segmentation and downstream tasks

影像组学技术将MRI/CT图像转化为可挖掘的高维数据，通过量化强度、形状、纹理等特征揭示肿瘤微环境特性。这些特征与基因组学数据互补，为构建综合预测模型提供新维度。

Surgical assistance and results prediction

针对经蝶窦手术的解剖复杂性，Mao团队开发的多任务DL模型实现关键结构实时分割（准确率88%），显著提升手术安全性。另有研究通过术中导航系统降低颈动脉损伤风险达72%。

Prolactinoma

Huber等建立的贝叶斯模型确定泌乳素瘤诊断阈值：女性211 μg/L，男性1046 μg/L。针对耐药性问题，有研究利用随机森林（RF）算法预测多巴胺激动剂疗效（AUC 0.91）。

Cushing’s disease

Lyu团队开发的RF模型通过血清钾、ACTH等指标鉴别异位ACTH综合征与库欣病（AUC 0.93），较传统内分泌检查提升诊断效率40%。

Acromegaly

基于特征性面容改变，AI模型通过面部照片实现肢端肥大症早期识别（灵敏度92%），并能定量分析下颌前突等特征与疾病活动度的相关性。

Craniopharyngioma

Chen等构建的CNN模型实现颅咽管瘤自动分割，其区分造釉细胞型（ACP）与乳头型（PCP）的AUC达0.90，有望替代部分病理检查。

Summary

当前AI研究面临三大挑战：

1. 泛化性：需纳入多中心、多族裔数据
2. 临床应用：需开展前瞻性随机对照试验
3. 技术整合：探索基础模型在垂体疾病中的迁移学习潜力

Clinics care points

• AI在垂体疾病管理仍处探索阶段
• 未来应聚焦多模态数据整合与疾病进展纵向监测

Disclosure

作者声明无利益冲突

Funding

乔尼丹获中国国家自然科学基金（82441020、U21A20389）及中国医学科学院创新基金（2023-I2M-C&T-A-125）资助