综述：机器学习预测垂体腺瘤术后缓解的系统评价与荟萃分析

这篇综述系统评价了机器学习（ML）在垂体腺瘤（PA）术后缓解预测中的应用价值，通过荟萃分析10项研究，证实ML模型（尤其是人工神经网络ANN）具有较高诊断效能（AUC 0.91，敏感性/特异性均为0.84），为临床决策提供了新工具，但需进一步前瞻性验证。

　　

Abstract

垂体腺瘤（PA）术后缓解状态直接影响患者治疗结局与生存质量。传统预测方法存在局限性，而机器学习（ML）作为人工智能（AI）的分支，在预后预测领域展现出独特优势。本文首次系统评估ML在PA缓解预测中的效能，为精准医疗提供循证依据。

Purpose

缓解预测与单纯诊断分类不同，其核心在于通过术前/术中特征（如肿瘤体积、侵袭性、激素水平）构建预后模型。神经外科与肿瘤科医生可通过ML模型个性化制定随访方案，避免过度干预。本研究聚焦ML在PA预后领域的专属应用场景，填补了现有综述空白。

Methods

通过五大数据库（PubMed/Scopus/Embase/WoS/Google Scholar）检索截至2024年的文献，筛选标准包括：①明确PA病理诊断；②使用ML预测术后缓解；③提供性能指标。最终纳入10项研究（初筛1530篇），提取灵敏度（Sensitivity）、特异度（Specificity）、受试者工作特征曲线下面积（AUC）等指标，采用随机效应模型进行荟萃分析。

Results

人工神经网络（ANN）在纳入模型中表现突出，其多层次非线性特征处理能力尤其适合复杂医学数据。关键发现包括：

1. 综合诊断效能：合并AUC达0.91（95%CI 0.88-0.93），显著优于传统统计模型
2. 双84%法则：敏感性与特异性均为0.84（95%CI 0.74-0.91），显示良好平衡性
3. 临床实用性：阳性似然比（+DLR）15.26提示预测缓解时具有较高置信度

Conclusion

尽管ML模型展现出临床转化潜力（诊断评分3.34，DOR 28.25），当前研究仍存在样本量小、回顾性偏倚等问题。未来需开展多中心前瞻性试验，重点关注模型可解释性（如SHAP值分析）与不同PA亚型（如GH腺瘤vs无功能腺瘤）的预测差异，最终实现从算法创新到临床实践的无缝衔接。