深度学习方法整合常规病理与临床特征构建胶质母细胞瘤预后模型
杨浩辉1
连加辨2
徐涛3
栾中华3
敖用芳4
张宇昊1
韩玉栋1
朱家宝3
1.长治医学院,山西 长治 046013;山西医科大学附属运城市中心医院神经外科,山西 运城 0440002.厦门大学第一附属医院精准医学中心,福建 厦门 3610003.山西医科大学附属运城市中心医院神经外科,山西 运城 0440004.贵州省第三人民医院急诊医学科,贵阳 550001
摘要：目的 构建并验证一个仅基于常规苏木精-伊红染色全视野数字切片(whole slide imaging,WSI)与临床特征融合的稳健预后模型,以提升其临床适用性.方法 回顾性分析癌症基因组图谱-胶质母细胞瘤数据集(the cancer genome atlas glioblastoma multiforme,TCGA-GBM)中300例患者的1136张WSI及临床数据,按7∶3比例随机划分为训练集(210例)和测试集(90例).采用弱监督深度学习框架,基于中位生存期(15个月)对超过340万个图像块进行预后相关特征提取,系统比较并选定预测概率直方图(patch likelihood histogram,PLH)作为患者级特征聚合策略.融合临床变量后,通过LASSO回归筛选出13个核心特征,并采用随机生存森林(random survival forest,RSF)、LASSO-Cox等8种机器学习生存模型进行集成建模与评估.结果 RSF模型在测试集表现最优,其在6、12、15、18、24、36个月的时间依赖性曲线下面积(area under the curve,AUC)分别为0.829、0.887、0.968、0.911、0.841和0.848,显示出从早期到中长期的稳定判别性能,一致性指数(C指数)稳定在0.782以上.模型校准性能良好,决策曲线分析显示在广泛的阈值概率范围内具有显著临床净收益.基于模型风险评分划分的高风险组、低风险组生存差异极显著(HR=5.184,95%CI:4.003～6.712,P<0.0001).可视化分析表明模型所识别的形态学特征与典型不良预后区域(如坏死、微血管增生)在定性层面相符.结论 GBM患者"病理组学-临床特征"预后模型具有优异的预测准确性、稳健性及临床实用性.该模型尤其擅长识别早期高风险患者,为实现GBM患者术后个体化预后评估提供一个基于常规数据、具有可视化解释潜力且易于推广的人工智能工具.
关键词：神经胶质瘤胶质母细胞瘤预后预测病理组学临床特征深度学习
资助基金：山西省卫生健康委员会科研项目(2021017)运城市科技计划项目(YCKJ-2021056-2)
论文发表日期：2026-02-20
在线出版日期：2026-03-18（本平台首次上网日期，不代表文献的发表时间）
页数：9( 73-81 )
英文信息