{"product_id":"artificial-intelligence-and-meningioma-how-computers-are-learning-to-help-diagnose-and-predict-brain-tumors","title":"人工智能与脑膜瘤：计算机如何学习辅助诊断和预测脑肿瘤","description":"\u003cp\u003e本范围综述考察了52项已发表的研究，探讨人工智能（AI）如何用于诊断和管理脑膜瘤——最常见的原发性脑肿瘤类型。作者发现，AI模型能够以高准确率自动在MRI扫描中勾画肿瘤轮廓，无需手术即可预测肿瘤分级和分子标志物（如Ki-67增殖指数），并预测生存期和复发风险。然而，几乎所有证据均来自回顾性、单中心研究，且影像协议不一致，因此作者强调这些工具尚未准备好用于常规临床使用，需要大规模、前瞻性、多中心验证。\u003c\/p\u003e\n\n\u003ch1\u003e人工智能与脑膜瘤：计算机如何学习辅助诊断和预测脑肿瘤\u003c\/h1\u003e\n\n\u003ch2\u003e目录\u003c\/h2\u003e\n\u003cul\u003e\n\u003cli\u003e\u003ca href=\"#ddn-key-points\"\u003e要点\u003c\/a\u003e\u003c\/li\u003e\n\n  \u003cli\u003e\u003ca href=\"#background\"\u003e为何这项研究至关重要\u003c\/a\u003e\u003c\/li\u003e\n  \u003cli\u003e\u003ca href=\"#what-is\"\u003e什么是脑膜瘤？\u003c\/a\u003e\u003c\/li\u003e\n  \u003cli\u003e\u003ca href=\"#ai-terms\"\u003e关键AI术语简明解释\u003c\/a\u003e\u003c\/li\u003e\n  \u003cli\u003e\u003ca href=\"#methods\"\u003e研究人员如何开展此项综述\u003c\/a\u003e\u003c\/li\u003e\n  \u003cli\u003e\u003ca href=\"#image-analysis\"\u003eAI在脑膜瘤影像分析中的应用\u003c\/a\u003e\u003c\/li\u003e\n  \u003cli\u003e\u003ca href=\"#pathology\"\u003eAI预测肿瘤病理特征\u003c\/a\u003e\u003c\/li\u003e\n  \u003cli\u003e\u003ca href=\"#grading\"\u003e无需手术即可预测WHO分级\u003c\/a\u003e\u003c\/li\u003e\n  \u003cli\u003e\u003ca href=\"#biomarkers\"\u003e预测分子生物标志物：Ki-67和孕激素受体\u003c\/a\u003e\u003c\/li\u003e\n  \u003cli\u003e\u003ca href=\"#prognosis\"\u003eAI在预后预测中的应用\u003c\/a\u003e\u003c\/li\u003e\n  \u003cli\u003e\u003ca href=\"#limitations\"\u003e主要局限性与研究空白\u003c\/a\u003e\u003c\/li\u003e\n  \u003cli\u003e\u003ca href=\"#implications\"\u003e这对患者意味着什么\u003c\/a\u003e\u003c\/li\u003e\n  \u003cli\u003e\u003ca href=\"#recommendations\"\u003e实用建议\u003c\/a\u003e\u003c\/li\u003e\n  \u003cli\u003e\u003ca href=\"#ddn-faq\"\u003e常见问题解答\u003c\/a\u003e\u003c\/li\u003e\n\u003cli\u003e\u003ca href=\"#source\"\u003e来源信息\u003c\/a\u003e\u003c\/li\u003e\n\u003c\/ul\u003e\n\n\u003c!-- ddn:keypoints:start --\u003e\n\u003ch2 id=\"ddn-key-points\"\u003e要点\u003c\/h2\u003e\n\u003cul\u003e\n\u003cli\u003eAI模型能够以高准确率在MRI上勾画脑膜瘤，但大多数证据来自回顾性、单中心研究，且影像协议不一致。\u003c\/li\u003e\n\u003cli\u003e人工智能可以根据影像预测肿瘤分级和Ki-67及PR等分子标志物，但这些工具尚未在常规临床应用中得到验证。\u003c\/li\u003e\n\u003cli\u003e主要的瓶颈在于缺乏大型、前瞻性、多中心验证研究来证明其对临床决策的影响。\u003c\/li\u003e\n\u003cli\u003e患者应询问其所在医疗机构是否将人工智能工具作为研究方案的一部分或常规护理措施来使用。\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003c!-- ddn:keypoints:end --\u003e\n\n\n\u003ch2 id=\"background\"\u003e这项研究为何重要\u003c\/h2\u003e\n\n\u003cp\u003e脑膜瘤是最常见的原发性颅内肿瘤——即起源于颅腔内部，而非从身体其他部位转移而来。它们约占\u003cstrong\u003e所有中枢神经系统肿瘤的39%\u003c\/strong\u003e，也就是每10个脑和脊髓肿瘤中约有4个。这使得它们对全球神经外科医生构成了沉重的负担。\u003c\/p\u003e\n\n\u003cp\u003e大多数脑膜瘤是良性的，被归类为\u003cstrong\u003eWHO I级\u003c\/strong\u003e（世界卫生组织I级，侵袭性最低的分类）。但并非所有人都如此。\u003cstrong\u003e20%至30%\u003c\/strong\u003e的脑膜瘤——即每5例中有1例到每3例中有1例——属于高级别肿瘤（WHO II级或III级），这些肿瘤具有侵袭性行为，预后较差。\u003c\/p\u003e\n\n\u003cp\u003e目前的治疗决策主要依赖于WHO分类。医生可能会仅对无症状的低级别肿瘤进行监测，而有症状或高级别的肿瘤通常需要进行手术切除，并将放射治疗作为辅助治疗考虑。\u003c\/p\u003e\n\n\u003cp\u003e问题在于，该体系存在实际局限。在手术前，标准影像学检查无法可靠地向医生提供肿瘤的分级、分子特征或细胞分裂速度等信息。预后也不精确——具有相同肿瘤分级的两位患者可能会有截然不同的结果。个性化治疗的复杂性进一步增加，因为医生难以提前预测肿瘤的硬度、是否与邻近组织粘连以及其对放射治疗的反应程度。\u003c\/p\u003e\n\n\u003cp\u003e这正是人工智能发挥作用的地方。作者认为，人工智能可以通过从常规影像中提取人眼无法察觉的信息来帮助填补这些空白。\u003c\/p\u003e\n\n\u003ch2 id=\"what-is\"\u003e什么是脑膜瘤？\u003c\/h2\u003e\n\n\u003cp\u003e脑膜瘤是一种起源于脑膜的肿瘤——脑膜是包裹大脑和脊髓的保护性组织层。由于其生长位置，即使是“良性”脑膜瘤也可能通过压迫脑组织、神经或血管而引起严重症状。\u003c\/p\u003e\n\n\u003cp\u003eWHO分级系统根据细胞在显微镜下的外观及其行为的侵袭性将脑膜瘤分为三个级别。I级肿瘤生长最慢。II级（有时称为非典型）和III级（间变性，意味着高度异常且生长迅速）肿瘤在治疗后更有可能复发。\u003c\/p\u003e\n\n\u003cp\u003e分级至关重要。它决定了患者是否需要立即手术、外科医生试图切除多少组织，以及术后是否添加放射治疗。\u003c\/p\u003e\n\n\u003ch2 id=\"ai-terms\"\u003e关键人工智能术语简明解释\u003c\/h2\u003e\n\n\u003cp\u003e在深入探讨研究结果之前，了解相关词汇会有所帮助。作者对这些术语进行了精确定义，值得了解，因为它们在整个研究中频繁出现。\u003c\/p\u003e\n\n\u003cul\u003e\n  \u003cli\u003e\n\u003cstrong\u003e人工智能（AI）\u003c\/strong\u003e：使计算机执行通常需要人类智能才能完成的任务的广泛领域。\u003c\/li\u003e\n  \u003cli\u003e\n\u003cstrong\u003e机器学习（ML）\u003c\/strong\u003e：人工智能的一个子集，计算机从数据中学习模式，而不是被明确编程。\u003c\/li\u003e\n  \u003cli\u003e\n\u003cstrong\u003e深度学习（DL）\u003c\/strong\u003e：一种强大的机器学习类型，使用多层神经网络（受大脑启发的计算机系统）来学习复杂模式。\u003c\/li\u003e\n  \u003cli\u003e\n\u003cstrong\u003e影像组学\u003c\/strong\u003e：从医学影像中高通量提取定量特征——数百个可测量的数值特征——然后由人工智能模型进行分析。\u003c\/li\u003e\n  \u003cli\u003e\n\u003cstrong\u003e影像生物标志物\u003c\/strong\u003e：来自影像的可测量特征，揭示关于肿瘤的生物学信息，例如其分级或分子状态。\u003c\/li\u003e\n\u003c\/ul\u003e\n\n\u003cp\u003e综合来看，人工智能可以自动分析医学图像，精确勾勒肿瘤轮廓，并提取高维影像组学特征。当与患者的临床信息相结合时，这些模型在无需任何切口的情况下，展现出无创预测肿瘤分级、分子状态和预后的潜力。\u003c\/p\u003e\n\n\u003cp\u003e作者还指出他们的综述与早期综述的不同之处。以往的综述往往侧重于狭窄的主题，例如仅关注肿瘤分级或单一的治疗方式。本综述则涵盖了脑膜瘤护理的全过程，并着重比较了不同任务中人工智能应用的成熟度及其“是否已准备好投入临床应用”。\u003c\/p\u003e\n\n\u003ch2 id=\"methods\"\u003e研究人员如何进行本次综述\u003c\/h2\u003e\n\n\u003cp\u003e这是一项\u003cstrong\u003e范围综述\u003c\/strong\u003e，一种旨在绘制某一主题所有可用证据图谱而非回答单一狭窄问题的研究类型。作者遵循系统综述和荟萃分析优先报告条目指南（一份广泛用于确保综述透明度和严谨性的清单）进行文献检索、筛选和数据提取。\u003c\/p\u003e\n\n\u003cp\u003e团队检索了三个主要数据库：\u003cstrong\u003eWeb of Science Core Collection、Scopus 和 PubMed\u003c\/strong\u003e。检索于 \u003cstrong\u003e2025年11月9日\u003c\/strong\u003e 执行。为确保结果精准，他们采用了基于标题的检索策略，查找包含“脑膜瘤”一词并与人工智能相关术语（如机器学习、人工智能、深度学习及智能）相结合的文献。\u003c\/p\u003e\n\n\u003cp\u003e所有参考文献均导入EndNote文献管理软件中，并去除了重复项。随后根据预设规则对研究进行筛选。\u003c\/p\u003e\n\n\u003cp\u003e\u003cstrong\u003e符合以下条件的研究被纳入：\u003c\/strong\u003e\u003c\/p\u003e\n\u003col\u003e\n  \u003cli\u003e原创研究文章\u003c\/li\u003e\n  \u003cli\u003e涉及脑膜瘤\u003c\/li\u003e\n  \u003cli\u003e专注于开发或验证应用于脑膜瘤影像分析、诊断、分级、预后预测或治疗决策任何阶段的人工智能模型（包括机器学习和深度学习）\u003c\/li\u003e\n  \u003cli\u003e有全文可用\u003c\/li\u003e\n\u003c\/ol\u003e\n\n\u003cp\u003e\u003cstrong\u003e符合以下条件的研究被排除：\u003c\/strong\u003e\u003c\/p\u003e\n\u003col\u003e\n  \u003cli\u003e非英文发表\u003c\/li\u003e\n  \u003cli\u003e社论、病例报告、会议摘要或书籍章节\u003c\/li\u003e\n  \u003cli\u003e不涉及人工智能模型的应用或验证\u003c\/li\u003e\n  \u003cli\u003e数据不可访问或质量不达标\u003c\/li\u003e\n\u003c\/ol\u003e\n\n\u003cp\u003e两名研究人员独立筛选研究。他们首先根据标题和摘要判断相关性，然后阅读潜在合格论文的全文。任何分歧均通过两名研究人员之间的讨论或由第三名研究人员作为仲裁者来解决。\u003c\/p\u003e\n\n\u003cp\u003e最终，\u003cstrong\u003e52篇文章\u003c\/strong\u003e符合所有标准并被纳入综述。\u003c\/p\u003e\n\n\u003ch2 id=\"image-analysis\"\u003e人工智能在脑膜瘤影像分析中的应用\u003c\/h2\u003e\n\n\u003cp\u003e人工智能正在从根本上改变医生分析脑膜瘤影像的方式。其核心理念是用自动化的、定量的和智能的工具，取代耗时且高度依赖每位医生主观经验的繁琐手动过程。\u003c\/p\u003e\n\n\u003cp\u003e这涵盖了整个工作流程：发现肿瘤、精确勾画其轮廓、测量其体积，以及识别和分类其特征。\u003c\/p\u003e\n\n\u003cp\u003e一个引人注目的发现是：该领域的研究直到\u003cstrong\u003e2018\u003c\/strong\u003e年才开始，此后每年的出版物数量都在增加。这表明将人工智能应用于脑膜瘤是一个相对年轻但迅速发展的兴趣领域。\u003c\/p\u003e\n\n\u003ch3\u003e为什么分割很重要\u003c\/h3\u003e\n\n\u003cp\u003e\u003cstrong\u003e分割\u003c\/strong\u003e是指在图像上绘制肿瘤的精确边界。准确的分割和体积测量对于追踪脑膜瘤的生长速度、规划手术或放疗，以及监测治疗是否有效至关重要。\u003c\/p\u003e\n\n\u003cp\u003e传统方法依赖于手动勾画和简单的线性测量，通常使用几何假设，例如\u003cstrong\u003eABC\/2法\u003c\/strong\u003e（一种通过三个直径测量值估算体积的公式）。这些旧方法速度慢、重复性差，并且由于脑膜瘤通常形状不规则，往往会导致体积\u003cstrong\u003e高估\u003c\/strong\u003e。\u003c\/p\u003e\n\n\u003cp\u003e人工智能模型，特别是基于\u003cstrong\u003e卷积神经网络 (CNNs)\u003c\/strong\u003e的深度学习方法——一种特别擅长处理图像的网络类型——通过端到端的过程直接从图像像素中学习复杂特征。\u003c\/p\u003e\n\n\u003cp\u003e它们的效果如何？性能通常使用\u003cstrong\u003eDice相似系数 (DSC)\u003c\/strong\u003e来衡量，这是一个从0到1的分数，用于比较计算机勾画的轮廓与正确轮廓（1.0表示完美重叠）。\u003c\/p\u003e\n\n\u003cul\u003e\n  \u003cli\u003eKang及其同事对\u003cstrong\u003e659名患者\u003c\/strong\u003e进行了一项多中心研究，在使用nnU-Net模型的外部验证集上报告了\u003cstrong\u003e0.893\u003c\/strong\u003e的DSC值——显示出良好的泛化潜力。\u003c\/li\u003e\n  \u003cli\u003e其他研究报告的内部患者组DSC范围在\u003cstrong\u003e0.81至0.92\u003c\/strong\u003e之间。\u003c\/li\u003e\n\u003c\/ul\u003e\n\n\u003cp\u003e然而，这些数字需要结合背景来理解。高Dice分数令人鼓舞，但其临床意义取决于肿瘤的大小和位置。分割小于1 cm³的小肿瘤或位于颅底的肿瘤仍然更具挑战性。此外，报告的“优越”性能主要是与受控研究环境内的人工方法或传统几何近似值进行比较得出的——而非针对多样化医院中复杂多变的现实情况。\u003c\/p\u003e\n\n\u003cp\u003e尽管如此，比较分析表明，基于人工智能的体积测量方法比传统的线性技术更能耐受肿瘤形状的变化。但是，这种改进的技术准确性是否实际上提高了手术规划的效率或改善了患者的长期预后，仍需前瞻性评估（即随时间向前追踪患者的研究）。\u003c\/p\u003e\n\n\u003ch3\u003e检测和特征识别\u003c\/h3\u003e\n\n\u003cp\u003e人工智能也已用于自动检测脑膜瘤和特定的影像学特征，例如\u003cstrong\u003e硬脑膜尾征\u003c\/strong\u003e（沿脑膜延伸的锥形强化，常在脑膜瘤中看到）。\u003c\/p\u003e\n\n\u003cp\u003e概念验证研究报告了在特定测试集上的高检测灵敏度和分类准确率。然而，这些结果通常来自相对较小、经过精心整理的数据集。两个问题尚未得到充分表征：由模拟肿瘤的结构引起的假阳性，以及模型在真正独立、前瞻性收集的筛查数据上的表现。作者得出结论，该应用仍处于开发阶段，而非临床常规。\u003c\/p\u003e\n\n\u003ch3\u003e将分割与诊断相结合\u003c\/h3\u003e\n\n\u003cp\u003e一些最先进的工作将分割与诊断任务结合在一个系统中。这些端到端系统既能勾画肿瘤轮廓，又能预测其WHO分级。\u003c\/p\u003e\n\n\u003cul\u003e\n  \u003cli\u003eZhang及其同事在报告分割性能的同时，报告的分级准确率为\u003cstrong\u003e81.52%\u003c\/strong\u003e。\u003c\/li\u003e\n  \u003cli\u003eChen及其同事在其验证组中实现了\u003cstrong\u003eAUC为0.918\u003c\/strong\u003e的分级预测结果。\u003c\/li\u003e\n  \u003cli\u003eJun及其同事在其验证组中实现了\u003cstrong\u003eAUC为0.770\u003c\/strong\u003e的结果。\u003c\/li\u003e\n\u003c\/ul\u003e\n\n\u003cp\u003e（AUC，即曲线下面积，是一个从0.5到1.0的分数，其中0.5表示模型在猜测，1.0表示完美区分。）\u003c\/p\u003e\n\n\u003cp\u003e值得注意的是，一些研究表明，从AI生成的分割中提取的影像组学特征与手动勾画的特征相当。这支持在下游分析中使用自动化。可解释性工具（如注意力映射——突出显示图像中影响模型决策的部分）也有助于建立信任。\u003c\/p\u003e\n\n\u003cp\u003e\u003cstrong\u003e关于图像分析的结论：\u003c\/strong\u003e技术可行性得到了强有力的支持。但大多数证据来自回顾性、单中心或有限的多中心研究，存在样本量差异、类别不平衡（高级别肿瘤过少）以及各机构间MRI协议不一致的问题。\u003c\/p\u003e\n\n\u003ch2 id=\"pathology\"\u003eAI预测肿瘤病理\u003c\/h2\u003e\n\n\u003cp\u003e准确的病理评估对于治疗规划和预后至关重要。WHO分级系统是基础，直接塑造治疗策略。传统上，分级完全依赖于检查手术中切除的组织——这是一个侵入性且耗时的过程。\u003c\/p\u003e\n\n\u003cp\u003eAI提供了不同的路径：从常规术前MRI中提取人眼无法识别的定量特征，从而在手术前实现非侵入性、精确的分级预测。\u003c\/p\u003e\n\n\u003ch2 id=\"grading\"\u003e无需手术即可预测WHO分级\u003c\/h2\u003e\n\n\u003cp\u003e在手术前区分低级别（I级）和高级别（II\/III级）肿瘤是AI研究的主要焦点，因为这直接影响手术规划以及是否需要增加放疗等辅助治疗。\u003c\/p\u003e\n\n\u003cp\u003e最早的努力使用了基于手动定义的影像组学特征构建的机器学习模型：\u003c\/p\u003e\n\n\u003cul\u003e\n  \u003cli\u003e\n\u003cstrong\u003eHale及其同事\u003c\/strong\u003e报告称，使用由神经放射科医生解释的MRI特征，人工神经网络（ANN）模型实现了\u003cstrong\u003eAUC为0.89\u003c\/strong\u003e。\u003c\/li\u003e\n  \u003cli\u003e\n\u003cstrong\u003ePark及其同事\u003c\/strong\u003e表明，结合多参数MRI的特征——常规MRI（cMRI）、表观扩散系数（ADC）图和磁敏感加权成像（SWI）——可以提高性能，突出了多序列数据的价值。\u003c\/li\u003e\n\u003c\/ul\u003e\n\n\u003cp\u003e这些研究证明了该概念，但它们对主观特征定义的依赖以及通常较小的样本量限制了它们在新患者中的适用性。\u003c\/p\u003e\n\n\u003cp\u003e随着深度学习的发展，该领域转向了CNN，CNN从原始图像中自主提取特征，避免了手动特征提取的主观性和信息丢失。\u003c\/p\u003e\n\n\u003cul\u003e\n  \u003cli\u003e\n\u003cstrong\u003eZhu及其同事\u003c\/strong\u003e开发了一种使用常规对比增强T1加权MRI的深度影像组学（DLR）模型。它在独立验证组中实现了\u003cstrong\u003eAUC为0.811\u003c\/strong\u003e——显著优于手工特征影像组学模型。\u003c\/li\u003e\n  \u003cli\u003e\n\u003cstrong\u003eBanzato及其同事\u003c\/strong\u003e比较了基于ADC图和增强T1加权图像预训练的Inception-V3和AlexNet模型。基于ADC图的Inception-V3取得了最佳的诊断准确性。两个模型在增强T1加权图像上的表现都很差，表明模型架构和图像序列的选择很重要。\u003cstrong\u003eADC值\u003c\/strong\u003e反映了组织细胞密度，被证明对分级至关重要。\u003c\/li\u003e\n  \u003cli\u003e\n\u003cstrong\u003eJun及其同事\u003c\/strong\u003e构建了一个可解释的多参数深度学习模型，结合了T1增强和T2加权图像。它实现了全自动肿瘤分割（Dice系数\u003cstrong\u003e0.910\u003c\/strong\u003e）和肿瘤分级，外部验证\u003cstrong\u003eAUC为0.770\u003c\/strong\u003e——优于人类医生。通过使用相关性加权类激活映射（RCAM），他们发现模型主要关注脑膜瘤的\u003cstrong\u003e表面区域\u003c\/strong\u003e，表明它利用肿瘤边缘的特征对肿瘤进行分级。这一见解增强了临床医生对该模型推理过程的信任。\u003c\/li\u003e\n  \u003cli\u003e\n\u003cstrong\u003eSaadh及其同事\u003c\/strong\u003e进行了一项大型多中心研究，使用了一种融合策略，将手工影像组学特征与来自3D自编码器的深度学习特征相结合。在T1增强图像上，这种混合模型实现了最先进的性能。可重复性分析显示，\u003cstrong\u003e215个特征中有127个\u003c\/strong\u003e具有高可靠性（组内相关系数ICC大于0.75——意味着重复测量结果高度一致）。\u003c\/li\u003e\n\u003c\/ul\u003e\n\n\u003cp\u003e尽管这些结果令人鼓舞，但仍存在严峻挑战。关键问题是\u003cstrong\u003e泛化能力\u003c\/strong\u003e：许多模型在内部验证中表现强劲，但在外部多中心验证中显著下降。这主要是由于各机构的MRI扫描协议、设备和参数不同所致。\u003c\/p\u003e\n\n\u003cp\u003e数据不平衡是另一个常见问题，特别是当高级别脑膜瘤在数据集中罕见时。诸如\u003cstrong\u003e合成少数过采样技术（SMOTE）\u003c\/strong\u003e等技术通过生成代表性不足群体的合成样本，作为有效的应对措施。\u003c\/p\u003e\n\n\u003cp\u003e作者明确表达了他们的立场：AI提供了一个强大的调查工具，可以为术前规划提供信息，但其在常规临床决策支持中的作用尚未确立。\u003c\/p\u003e\n\n\u003ch2 id=\"biomarkers\"\u003e预测分子生物标志物：Ki-67和PR\u003c\/h2\u003e\n\n\u003cp\u003e除了分级之外，某些分子标志物对于评估脑膜瘤的侵袭性行为也很重要。其中两个尤为重要。\u003c\/p\u003e\n\n\u003cp\u003e\u003cstrong\u003eKi-67增殖指数\u003c\/strong\u003e用于测量有多少肿瘤细胞正在活跃分裂。它被视为细胞增殖活性的金标准，其水平与脑膜瘤的生长速度及复发可能性密切相关。\u003c\/p\u003e\n\n\u003cp\u003e\u003cstrong\u003e孕激素受体（PR）表达状态\u003c\/strong\u003e也很重要。脑膜瘤常携带孕激素受体，而PR阴性通常表明肿瘤更具侵袭性，且对基于激素（内分泌）治疗的敏感性较低。\u003c\/p\u003e\n\n\u003cp\u003e多项研究测试了是否可以通过影像扫描预测这些标志物：\u003c\/p\u003e\n\n\u003cul\u003e\n  \u003cli\u003e一个使用多参数MRI放射组学特征的机器学习模型，结合\u003cstrong\u003eLASSO回归\u003c\/strong\u003e（一种选择最有价值特征的技术）和\u003cstrong\u003e支持向量机（SVM）\u003c\/strong\u003e算法，在发现组和独立验证组中分别取得了\u003cstrong\u003e0.84和0.83\u003c\/strong\u003e的AUC值。它在颅底和非颅底肿瘤中均表现一致。\u003c\/li\u003e\n  \u003cli\u003e一个通过迁移学习优化的\u003cstrong\u003eResNet50\u003c\/strong\u003e模型在内部测试集上取得了出色的\u003cstrong\u003eAUC为0.905\u003c\/strong\u003e。值得注意的是，它同时预测了Ki-67、\u003cstrong\u003eH3K27me3\u003c\/strong\u003e（一种与肿瘤行为相关的蛋白质修饰）和PR状态——表明一个模型可以处理多个预测任务。\u003c\/li\u003e\n  \u003cli\u003e\n\u003cstrong\u003eDuan及其同事\u003c\/strong\u003e设计了一个列线图（一种可视化评分工具），整合了临床特征、放射组学评分和深度迁移学习（DTL）评分。其Ki-67预测的AUC为\u003cstrong\u003e0.779\u003c\/strong\u003e，与子模型相比无统计学显著差异，但在决策曲线分析（DCA）中，它在广泛的阈值概率范围内提供了更大的净临床获益——证明其作为综合评估工具的实用性。\u003c\/li\u003e\n  \u003cli\u003e\n\u003cstrong\u003eZhao及其同事\u003c\/strong\u003e系统地比较了临床影像特征与放射组学特征。他们确定了\u003cstrong\u003e瘤内坏死\u003c\/strong\u003e（肿瘤内部的死亡组织）和\u003cstrong\u003e最大肿瘤直径\u003c\/strong\u003e是高Ki-67表达的独立预测因子。整合这些特征的临床-放射组学模型在内部测试中取得了\u003cstrong\u003eAUC为0.837\u003c\/strong\u003e。\u003c\/li\u003e\n  \u003cli\u003e对于PR状态，\u003cstrong\u003eGao及其同事\u003c\/strong\u003e使用精细调整的ResNet50模型从MRI中提取深度迁移学习特征。在比较分类器——逻辑回归（LR）、SVM和朴素贝叶斯时，他们发现\u003cstrong\u003eSVM模型\u003c\/strong\u003e具有最稳健的预测性能，且DCA证实了其高度的临床适用性。\u003c\/li\u003e\n  \u003cli\u003e\n\u003cstrong\u003eLin及其同事\u003c\/strong\u003e进行了一项全面的多中心研究，从T2加权图像和对比增强T1加权图像中提取放射组学特征。他们将这些特征与肿瘤位置和强化模式等临床预测因子整合，使用\u003cstrong\u003e极端梯度提升（XGBoost）\u003c\/strong\u003e算法构建联合模型。该模型在训练集和多个外部验证集中表现稳健，取得的AUC值分别为\u003cstrong\u003e0.907、0.827、0.846和0.807\u003c\/strong\u003e。\u003c\/li\u003e\n\u003c\/ul\u003e\n\n\u003cp\u003e总之，这些结果指向仅凭影像即可实现脑膜瘤患者的详细分子分型和个性化治疗规划。但同样的注意事项依然适用：有希望的回顾性结果并不等于临床就绪。\u003c\/p\u003e\n\n\u003ch2 id=\"prognosis\"\u003e预后预测中的AI\u003c\/h2\u003e\n\n\u003cp\u003e除了诊断和分级，AI模型已被开发用于预测患者随时间推移的病情发展。根据综述的发现，AI模型在预测\u003cstrong\u003e总生存期\u003c\/strong\u003e（患者确诊后存活的时间）、\u003cstrong\u003e无进展生存期\u003c\/strong\u003e（患者肿瘤未生长或复发的存活时间）和\u003cstrong\u003e复发风险\u003c\/strong\u003e（肿瘤再次出现的可能性）方面展示了稳健的能力。\u003c\/p\u003e\n\n\u003cp\u003e这是一项有意义的进步，因为传统的预后评估不够精确。即使在同一种肿瘤分级的患者中，结果也存在显著差异。能够更好分层患者的工具可以帮助医生决定谁需要更密切的监测，以及谁可能从一开始就受益于更积极的治疗。\u003c\/p\u003e\n\n\u003cp\u003e生物标志物与预后的联系强化了为何预测生物标志物至关重要。由于Ki-67指数与肿瘤生长速度和复发风险密切相关，能够无创预测Ki-67的AI模型间接地也提供了预后信息。同样的逻辑适用于PR状态：受体阴性表达预示着更具侵袭性的肿瘤。\u003c\/p\u003e\n\n\u003cp\u003e作者强调，在改变临床实践之前，必须严格测试这种潜力。回顾性准确性是一回事；证明模型的预测能够改善真实的患者结果则是另一回事。\u003c\/p\u003e\n\n\u003ch2 id=\"limitations\"\u003e主要局限性与差距\u003c\/h2\u003e\n\n\u003cp\u003e作者对研究前景与临床部署之间的差距表现得尤为坦诚。他们的核心批评适用于他们回顾的大多数研究。\u003c\/p\u003e\n\n\u003cul\u003e\n  \u003cli\u003e\n\u003cstrong\u003e回顾性、单机构数据：\u003c\/strong\u003e大多数研究回顾来自单一医院现有记录的既往病例，而不是前瞻性随访患者。\u003c\/li\u003e\n  \u003cli\u003e\n\u003cstrong\u003e小型数据集：\u003c\/strong\u003e样本量通常较小，引发了对过拟合（模型记忆单个数据集的特定特征而非学习可泛化的模式）的担忧。\u003c\/li\u003e\n  \u003cli\u003e\n\u003cstrong\u003e缺乏标准化：\u003c\/strong\u003e影像方案和肿瘤标注差异很大，导致数据泄露风险（即模型本不应接触的信息渗入并夸大性能）以及泛化能力差。\u003c\/li\u003e\n  \u003cli\u003e\n\u003cstrong\u003e外部验证中的性能下降：\u003c\/strong\u003e许多在内部表现优异的模型在其他医院测试时性能显著下降，这主要是由于MRI扫描仪、设置和方案的差异所致。\u003c\/li\u003e\n  \u003cli\u003e\n\u003cstrong\u003e类别不平衡：\u003c\/strong\u003e高级别脑膜瘤较为罕见，因此训练数据集偏向于低级别肿瘤。\u003c\/li\u003e\n  \u003cli\u003e\n\u003cstrong\u003e前瞻性试验稀缺：\u003c\/strong\u003e几乎完全缺乏显示对临床决策或患者结局产生影响的前瞻性、多中心外部验证研究。\u003c\/li\u003e\n\u003c\/ul\u003e\n\n\u003cp\u003e作者将这种缺乏严格、前瞻性、多中心外部验证的情况称为阻碍可靠临床整合的\u003cstrong\u003e\"核心瓶颈\"\u003c\/strong\u003e。他们认为，解决这一问题必须是未来研究的优先事项。\u003c\/p\u003e\n\n\u003cp\u003e他们还指出，即使是技术上的胜利也需要审视。更精确分割的直接临床影响——对手术规划效率或长期结局的影响——尚未得到证明。\u003c\/p\u003e\n\n\u003ch2 id=\"implications\"\u003e这对患者意味着什么\u003c\/h2\u003e\n\n\u003cp\u003e如果您或您爱的人被诊断为脑膜瘤，以下是这篇综述关于当前AI状况的建议。\u003c\/p\u003e\n\n\u003cp\u003e\u003cstrong\u003eAI尚未成为常规护理的一部分。\u003c\/strong\u003e尽管研究成果令人印象深刻，但本文描述的没有任何AI工具经过充分验证以取代或可靠地补充标准临床决策。您应对任何诊所将基于AI的诊断宣传为既定标准保持警惕。\u003c\/p\u003e\n\n\u003cp\u003e\u003cstrong\u003eAI的近期价值在于研究和调查。\u003c\/strong\u003eAI可以生成客观、定量的测量数据以支持临床决策——作为调查工具，而非既定工具。\u003c\/p\u003e\n\n\u003cp\u003e\u003cstrong\u003e几种潜在益处即将到来：\u003c\/strong\u003e\u003c\/p\u003e\n\u003cul\u003e\n  \u003cli\u003e更快、更一致的肿瘤体积测量，以追踪随时间的生长情况\u003c\/li\u003e\n  \u003cli\u003e更好的术前肿瘤分级估计，可能完善手术和放疗规划\u003c\/li\u003e\n  \u003cli\u003eKi-67和PR状态的无创估计，可能减少某些侵入性测试的需求\u003c\/li\u003e\n  \u003cli\u003e改善的预后信息以指导对肿瘤的监测频率\u003c\/li\u003e\n\u003c\/ul\u003e\n\n\u003cp\u003e\u003cstrong\u003e可解释性对于信任至关重要。\u003c\/strong\u003e一些模型现在揭示了哪些图像区域驱动了它们的预测——例如，在分级时关注肿瘤的表面区域。这种透明度有助于临床医生判断模型的推理是否符合生物学原理。\u003c\/p\u003e\n\n\u003ch2 id=\"recommendations\"\u003e实用建议\u003c\/h2\u003e\n\n\u003cp\u003e基于这篇综述，以下是研究结果对患者、临床医生和研究人员的启示。\u003c\/p\u003e\n\n\u003col\u003e\n  \u003cli\u003e\n\u003cstrong\u003e对于患者：\u003c\/strong\u003e询问AI工具是否在您所在的中心作为研究方案或既定护理的一部分使用。标准护理仍然是对切除组织的WHO分类。\u003c\/li\u003e\n  \u003cli\u003e\n\u003cstrong\u003e对于临床医生：\u003c\/strong\u003e在获得前瞻性多中心验证之前，将AI预测视为支持信息，而非确定性的答案。\u003c\/li\u003e\n  \u003cli\u003e\n\u003cstrong\u003e致研究人员：\u003c\/strong\u003e优先开展大规模、前瞻性、多中心试验，并采用标准化的影像协议。\u003c\/li\u003e\n  \u003cli\u003e\n\u003cstrong\u003e关于研究设计：\u003c\/strong\u003e应用批次效应校正算法以处理不同机构间的差异，并使用SMOTE等技术解决类别不平衡问题。\u003c\/li\u003e\n  \u003cli\u003e\n\u003cstrong\u003e关于测量评估：\u003c\/strong\u003e明确展示临床实用性——不仅限于回顾性数据上的诊断准确性。\u003c\/li\u003e\n\u003c\/ol\u003e\n\n\u003cp\u003e作者得出结论：人工智能是脑膜瘤精准诊断和治疗中一种强大的新工具，具有显著的临床转化潜力。要实现这一潜力，必须弥合前景广阔的研究与已证实的实际临床获益之间的差距。\u003c\/p\u003e\n\n\u003c!-- ddn:faq:start --\u003e\n\u003ch2 id=\"ddn-faq\"\u003e常见问题解答\u003c\/h2\u003e\n\u003ch3\u003e人工智能能否在不进行手术的情况下告诉我脑膜瘤的分级？\u003c\/h3\u003e\n\u003cp\u003e研究模型可以根据MRI扫描结果预测脑膜瘤是低级别还是高级别。例如，一项使用增强T1加权MRI的深度-learning模型在独立验证组中达到了0.811的AUC值。然而，这些工具尚未准备好用于常规临床使用，需要大规模、前瞻性、多中心的验证，才能替代手术活检进行分级。\u003c\/p\u003e\n\u003ch3\u003e脑膜瘤人工智能测试中0.8的AUC意味着什么？\u003c\/h3\u003e\n\u003cp\u003eAUC代表曲线下面积，评分范围从0.5到1.0。0.5的值表示模型是在猜测，而1.0表示完美的区分能力。因此，0.8的AUC意味着模型正确区分两组（例如低级别和高级别肿瘤）的概率约为80%。更高的值表示更好的性能。\u003c\/p\u003e\n\u003ch3\u003e人工智能能否预测我的脑膜瘤是否会复发？\u003c\/h3\u003e\n\u003cp\u003e人工智能模型已显示出根据影像和临床数据预测复发风险、总生存期和无进展生存期的潜力。然而，这些预测来自回顾性研究，尚未被证明能改善实际患者的预后。它们目前还不足以可靠地用于指导监测或治疗决策。在改变临床实践之前，需要进行更严格的前瞻性试验。\u003c\/p\u003e\n\u003ch3\u003eKi-67指数是什么？人工智能能否从我的扫描中测量它？\u003c\/h3\u003e\n\u003cp\u003eKi-67增殖指数衡量有多少肿瘤细胞正在活跃分裂。它被认为是细胞增殖活性的金标准，并与脑膜瘤的生长速度及复发可能性相关。几项人工智能模型已从MRI扫描中预测Ki-67，在内部测试中AUC范围从0.779到0.905不等，但这些结果尚未得到常规临床使用的验证。\u003c\/p\u003e\n\u003ch3\u003e为什么脑膜瘤的人工智能模型在其他医院测试时经常失败？\u003c\/h3\u003e\n\u003cp\u003e许多模型在内部验证中表现良好，但在外部多中心验证期间性能显著下降。这主要是因为不同机构的MRI扫描协议、设备和参数存在差异。其他问题包括数据集规模小、类别不平衡以及缺乏标准化。作者将缺乏严格的前瞻性、多中心外部验证称为阻碍可靠临床整合的核心瓶颈。\u003c\/p\u003e\n\u003ch3\u003e人工智能在MRI上勾勒脑膜瘤轮廓的准确性如何？\u003c\/h3\u003e\n\u003cp\u003e人工智能模型可以高精度地自动勾勒肿瘤轮廓。在一项涉及659名患者的多中心研究中，nnU-Net模型在外部验证集上达到了0.893的Dice相似系数。其他研究在内部分组中报告的分数为0.81至0.92。然而，分割小肿瘤或位于颅底的肿瘤仍然更具挑战性，且其临床获益尚未得到证实。\u003c\/p\u003e\n\u003ch3\u003e我刚被诊断出患有脑膜瘤——我应该在什么时候寻求对影像和病理的第二意见？\u003c\/h3\u003e\n\u003cp\u003e脑膜瘤的诊断依赖于切除组织的WHO分级，而分级决定了是否需要手术、切除多少组织以及是否添加放疗。标准影像学无法在手术前可靠地揭示分级、分子特征或细胞分裂率，即使对于相同分级的患者，预后也不精确。由于治疗决策高度依赖准确的分级，在确定治疗方案之前对您的影像和病理进行独立审查是合理的。Diagnostic Detectives Network提供独立的专家第二意见服务。\u003c\/p\u003e\n\u003c!-- ddn:faq:end --\u003e\n\n\u003ch2 id=\"source\"\u003e来源信息\u003c\/h2\u003e\n\n\u003cp\u003e\u003cstrong\u003eOriginal article title:\u003c\/strong\u003e A scoping review of artificial intelligence applications in meningioma from image analysis to prognostic prediction.\u003c\/p\u003e\n\n\u003cp\u003e\u003cstrong\u003eAuthors:\u003c\/strong\u003e Xu N, Ma W, Dong W, Yin B.\u003c\/p\u003e\n\n\u003cp\u003e\u003cstrong\u003ePublication details:\u003c\/strong\u003e Discover Oncology, 2026; volume 17, article 319. DOI: 10.1007\/s12672-026-04476-5. Published open access under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.\u003c\/p\u003e\n\n\u003cp\u003e\u003cstrong\u003eStudy type:\u003c\/strong\u003e Scoping review of 52 original research articles identified from Web of Science Core Collection, Scopus, and PubMed as of November 9, 2025.\u003c\/p\u003e\n\n\u003cp\u003e\u003cem\u003e这篇面向患者的文章基于同行评审的研究。它仅用于教育目的，不能替代合格医疗保健专业人员的咨询。\u003c\/em\u003e\u003c\/p\u003e","brand":"DiagnosticDetectives.Com","offers":[{"title":"Default Title","offer_id":47797527412892,"sku":null,"price":0.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0599\/5449\/5644\/files\/ddn-medical-article-artificial-intelligence-and-meningioma-how-computers-are-learning-to-help-diagnose-and-predict-brain-tumors-hero.png?v=1791868988","url":"https:\/\/diagnosticdetectives.com\/zh\/products\/artificial-intelligence-and-meningioma-how-computers-are-learning-to-help-diagnose-and-predict-brain-tumors","provider":"DiagnosticDetectives.Com","version":"1.0","type":"link"}