基于深度学习和多模态MRI的髓母细胞瘤分子亚型与预后相关遗传标志物精准预测研究

为解决髓母细胞瘤（MB）分子分型困难及预后评估不精准的问题，研究人员开展基于多中心MRI的深度学习模型研究，成功开发MB-CNN模型实现WNT/SHH/Group 3/Group 4分子亚型分类（准确率77.50%），并构建MB-CNN_TP53/MYC/Chr11模型精准预测TP53突变（AUC=0.91）、MYC扩增（AUC=0.87）和11号染色体缺失（AUC=0.89）等预后标志物，为MB精准诊疗提供影像基因组学新策略。

　　

在儿童恶性脑肿瘤中，髓母细胞瘤（Medulloblastoma, MB）是最常见且具有高度异质性的后颅窝肿瘤。根据世界卫生组织（WHO）2021年分类标准，MB被分为四个分子亚型：WNT（Wingless）型、SHH（Sonic Hedgehog）型、Group 3（G3）和Group 4（G4）。这些亚型在临床预后、遗传特征和治疗敏感性方面存在显著差异——WNT型患者预后较好，而SHH型中TP53突变、G3中MYC扩增以及G4中11号染色体缺失等遗传事件与侵袭性行为和不良治疗反应密切相关。然而，当前临床实践中，分子分型依赖术后组织样本的分子检测（如甲基化测序、下一代测序），耗时长、成本高且具有侵入性。此外，传统影像学评估主要依赖医师经验，主观性强，难以实现精准的术前预测和风险分层。

尽管前期研究表明深度学习（Deep Learning, DL）在脑肿瘤影像分析中展现出潜力，但针对MB的研究仍存在明显局限：包括样本量不足、缺乏外部验证、忽略关键预后遗传标志物，以及未充分整合临床与影像特征等。这些缺陷限制了DL模型在真实临床场景中的适用性和推广价值。因此，开发一种能够基于术前MRI非侵入性预测MB分子亚型和遗传风险的多中心验证模型，成为改善患者分层和治疗决策的迫切需求。

为此，由李亚农、刘海龙等作者牵头，联合北京天坛医院、北京世纪坛医院及多家国际机构的研究团队，在《Chinese Neurosurgical Journal》发表了题为“Exploring deep learning and hybrid approaches in molecular subgrouping and prognostic-related genetic signatures of medulloblastoma”的研究论文。该研究回顾性收集了2015年1月至2023年6月期间两家医疗中心的449例MB患者数据（其中325例用于模型开发，124例作为独立外部测试集），构建了基于多序列MRI（T1加权、T2加权、对比增强T1加权）的双阶段深度学习框架。

研究采用了几项关键技术方法：首先利用U-Net架构完成肿瘤自动分割（Dice得分0.91±0.13），并经过神经放射医师审核确认金标准；随后采用ResNet-50构建MB-CNN模型进行四分类分子亚型识别；进而针对SHH、G3、G4亚组分别开发MB-CNN_TP53、MB-CNN_MYC和MB-CNN_Chr11二分类模型预测关键遗传标志；最后整合影像特征、临床变量（年龄、性别）和常规MRI影像学特征构建混合模型。模型训练使用PyTorch平台，采用焦点损失函数处理类别不平衡，并通过独立外部测试集验证泛化能力。

研究结果方面，论文通过以下几部分发现系统回应了研究目标：

分子亚型分类性能优异

MB-CNN模型在外部测试集中对WNT、SHH、G3和G4亚型的分类准确率达76.29%–78.71%，精确度介于72.73%–80.77%，召回率在65.63%–82.76%之间，显著优于VGG、U-Net和GoogLeNet等对比算法（ResNet-50准确率最高：78.05%）。

预后遗传标志物预测效果显著

在SHH亚型中，MB-CNN_TP53模型预测TP53突变的AUC为0.93（95%CI: 0.85–0.97），准确率达91.27%；在G3亚型中，MB-CNN_MYC模型预测MYC扩增的AUC为0.85（95%CI: 0.79–0.92），准确率为83.56%；在G4亚型中，MB-CNN_Chr11模型预测11号染色体缺失的AUC为0.88（95%CI: 0.79–0.95），准确率为86.79%。所有模型均表现出高敏感度和特异度。

混合模型提升临床适用性

融合临床资料、常规MRI特征和MB-CNN输出结果的混合模型，其准确率（82.20%）显著高于仅基于临床和影像特征的逻辑回归模型（59.14%, P=0.009），与单独MB-CNN模型相比也有提升趋势（77.50% vs 82.20%, P=0.105），表明多模态数据整合能进一步增强预测效能。

亚组分析验证模型稳健性

按年龄分层的亚组分析显示，MB-CNN在未成年组（≤18岁）和成人组（＞18岁）中均保持良好性能（准确率：66.67%–85.67%），遗传标志物预测模型在两组中的AUC均高于0.88，证明模型在不同年龄群体中具有广泛适用性。

论文在讨论与结论中强调，该研究首次构建了能够同时实现MB分子分型和关键预后遗传事件预测的深度学习系统，且通过多中心外部验证证明了其泛化能力。所提出的双阶段DL框架不仅克服了以往研究样本量有限、缺乏遗传标记评估的缺点，还通过混合模型探索了影像特征与临床变量的协同价值，为MB的术前无创精准诊断提供了可行路径。

尽管研究存在回顾性设计、扫描仪异质性及部分亚型样本量较小等限制，但其成果对推动MB个体化治疗具有重要转化意义：一方面可在手术前为医生提供分子亚型和遗传风险信息，辅助制定手术策略和术后治疗计划；另一方面为难以获取肿瘤组织（如深部病灶或一般状态差）的患者提供了替代诊断方案。未来工作需在前瞻性多中心队列中进一步验证，并探索与基因组学、转录组学数据的更深度融合，以最终实现MB精准医疗的全面影像学生物标志物解决方案。