基于 MRI 的机器学习模型鉴别胶质母细胞瘤真实进展与假性进展的外部验证诊断性能

《Neuro-Oncology》：MRI-Based Machine Learning to Differentiate True Progression from Pseudoprogression in Glioblastoma: An Updated Systematic Review and Meta-Analysis

　　

摘要

背景

在胶质母细胞瘤的化疗和放疗后，区分真实进展（TP）和假性进展（PsP）在临床上仍然具有挑战性。我们评估了基于磁共振成像（MRI）的机器学习模型的外部验证诊断性能，并评估了研究的质量和透明度。

方法

我们在2025年10月1日前检索了PubMed、Embase、MEDLINE和Cochrane Library（PROSPERO注册号CRD420251144894）。符合条件的成人胶质母细胞瘤研究利用基于MRI的机器学习方法，根据组织病理学和/或临床放射学随访结果来区分TP和PsP。主要荟萃分析包括了可提取2×2数据的 externally validated 测试队列；内部测试以及内部和外部测试的联合分析是次要分析。诊断准确性通过双变量随机效应模型进行综合评估。

结果

共有31项研究纳入分析，其中包括2,344名患者。7个外部测试队列（包含219例患者观察结果）被纳入主要荟萃分析。汇总的敏感性为0.78（95%置信区间[CI]，0.63–0.88），特异性为0.75（95% CI，0.63–0.84），接收者操作特征曲线下面积（AUC）为0.81（自助法95% CI，0.69–0.91）。内部测试队列的表现似乎优于外部队列（AUC分别为0.91和0.81），但差异并无统计学意义（差异为-0.09；95% CI，-0.22至0.02；P = 0.12）。偏倚风险通常较高或不明确，且报告的透明度参差不齐。

结论

基于MRI的机器学习方法在区分TP和PsP方面表现出中等至良好的外部验证性能，但由于外部测试队列规模较小、存在偏倚以及报告不完整，证据仍然有限。在常规临床应用之前，需要进行更大规模、更具透明度的多中心验证。

图形摘要

在新标签页中打开 下载幻灯片

简要概述

在胶质母细胞瘤的化疗和放疗后，新的或恶化的MRI异常可能代表真正的肿瘤进展或假性进展。本综述评估了用于区分真实进展和假性进展的机器学习研究，重点介绍了在外部中心进行测试的模型。外部验证显示了中等至良好的诊断性能，但由于测试队列规模较小、参考标准不一致以及报告不完整，证据仍然有限。在这些模型能够常规用于临床实践之前，需要开展更大规模、多中心的研究，并使用当前的WHO 2021年分子定义、标准化的诊断标准以及完整的报告。

胶质母细胞瘤, 假性进展, 真实进展, 磁共振成像, 机器学习