AI以惊人准确率预测儿童脑瘤复发

研究人员开发了一种使用序列MRI扫描来预测儿童脑瘤复发的人工智能系统。通过应用一种新的“时间学习”方法处理多个术后图像，该AI在预测准确性上显著优于传统的单次扫描模型。

这种方法有望减少不必要的影像检查和家庭焦虑，同时在复发风险高时实现更早、更有针对性的干预。临床试验预计将在实际环境中确认其有效性。

AI在儿童脑瘤诊断中的潜力

人工智能（AI）在分析大量医学图像方面越来越有价值，通常能发现人类专家可能忽略的模式。在儿童脑癌护理中，AI有潜力改善医生对胶质瘤（一种通常可以通过手术治疗但有时会在治疗后复发的脑瘤）的监测。

来自Mass General Brigham的研究人员与波士顿儿童医院和Dana-Farber/波士顿儿童癌症和血液疾病中心合作，开发了一种深度学习系统，该系统可以分析一系列治疗后的脑部扫描。AI被训练来识别肿瘤可能复发的早期迹象。他们的研究结果最近发表在《新英格兰医学杂志AI》上。

预测复发的挑战

“许多儿童胶质瘤可以通过手术治愈，但当复发发生时，它们可能是毁灭性的，”Mass General Brigham的人工智能医学项目（AIM）和布里格姆妇女医院放射肿瘤科的通讯作者Benjamin Kann博士说。“很难预测谁可能会复发，因此患者需要在多年内进行频繁的随访磁共振成像，这对儿童和家庭来说是一个压力大且负担重的过程。我们需要更好的工具来早期识别哪些患者复发风险最高。”

全国范围的努力以训练更智能的AI

由于儿童癌症相对罕见，这类研究往往面临数据有限的挑战。为了解决这个问题，研究人员与全美各地的机构合作，编制了一个包含近4,000张MRI扫描的数据集，涉及715名儿童。为了最大限度地利用这些数据，他们使用了一种称为时间学习的方法。这种方法训练AI通过检查孩子在手术后的大脑扫描如何随时间变化来识别模式，从而提高其预测肿瘤是否会复发的能力。

将时间学习引入医学影像

通常，医学影像的AI模型是通过单次扫描得出结论的；而时间学习方法以前从未用于医学影像AI研究，它通过随时间获取的图像来告知算法的癌症复发预测。为了开发时间学习模型，研究人员首先训练模型按时间顺序排列患者的术后MR扫描，以便模型能够识别细微的变化。在此基础上，研究人员微调了模型，使其正确地将变化与随后的癌症复发相关联。

时间学习提高准确性

最终，研究人员发现，时间学习模型在治疗后一年内预测低级别或高级别胶质瘤复发的准确性为75-89%，显著优于基于单次图像的预测，后者大约只有50%的准确性（不比随机猜测更好）。提供更多的治疗后时间点图像可以提高模型的预测准确性，但只需要四到六张图像即可达到这一改进的平台期。

临床实施和未来试验

研究人员警告说，在临床应用之前，还需要在其他设置下进行进一步验证。最终，他们希望启动临床试验，看看AI提供的风险预测是否能在护理方面带来改进——无论是通过减少最低风险患者的影像频率，还是通过预先对高风险患者进行有针对性的辅助治疗。

超越脑瘤：广泛的AI潜力

“我们已经证明，AI能够有效地分析和从多张图像中做出预测，而不仅仅是单次扫描，”Mass General Brigham的人工智能医学项目（AIM）和布里格姆妇女医院放射肿瘤科的第一作者Divyanshu Tak说。“这项技术可以在许多需要连续纵向成像的情况下应用，我们很期待看到这个项目会激发什么。”

参考文献：“儿科胶质瘤的时间深度学习纵向风险预测”由Divyanshu Tak、Biniam A. Garomsa、Anna Zapaishchykova、Zezhong Ye、Sridhar Vajapeyam、Maryam Mahootiha、Juan Carlos Climent Pardo、Ceilidh Smith、Ariana M. Familiar、Tafadzwa L. Chaunzwa、Kevin X. Liu、Sanjay P. Prabhu、Pratiti Bandopadhayay、Ali Nabavizadeh、Sabine Mueller、Hugo J. W. L. Aerts、Daphne Haas-Kogan、Tina Y. Poussaint和Benjamin H. Kann撰写，于2025年4月24日发表在《NEJM AI》上。

DOI: 10.1056/AIoa2400703

(全文结束)