0 引言

       成人型弥漫性胶质瘤是中枢神经系统最常见的原发性恶性肿瘤，具有侵袭性强、恶性程度高、预后差等特点，是原发性脑肿瘤患者死亡的主要原因^[1]。《中国抗癌协会脑胶质瘤整合诊治指南》规定脑胶质瘤的标准治疗方案是在手术切除肿瘤，并联合放化疗、全身系统性治疗和支持治疗等进行综合治疗，同时强调需根据不同分子分型制定个体化手术策略^[2]。例如，异柠檬酸脱氢酶野生型胶质母细胞瘤（isocitrate dehydrogenase wildtype glioblastoma, IDH-wt GBM）可从全切乃至超全切除中获益，手术以最大范围安全切除为核心目标；而对部分其他亚型，全切除不仅未能显著改善生存结局，还可能增加术后并发症风险^{[3, 4]}。目前，成人型弥漫性胶质瘤的分子分型诊断依赖于组织病理学与分子病理学检测，通常需通过有创的立体定向活检或手术切除获取肿瘤组织标本^[5]。该方法存在手术创伤、检测周期长、费用高昂以及诊断结果滞后等局限性；同时，由于肿瘤内部的显著异质性，取材位置的偏差可能影响诊断结果的准确性^[6]。尤其当肿瘤位于脑干、丘脑等深部结构或重要功能区域时，手术活检的难度与风险显著上升，甚至可能会因为安全性的考虑而放弃实施^[7]。以上局限性使得基于分子信息的术前决策和术后动态监测都面临重大挑战^[8]。因此，开发一种无创且能准确预测成人型弥漫性胶质瘤分子分型的技术，已成为当前临床实践中亟待解决的重要需求。

       MRI无创又无电离辐射且软组织分辨能力优异，是中枢神经系统肿瘤诊疗的核心检查手段，能凭借多模态序列和新兴分析技术从宏观形态、微观结构、血流灌注及代谢等多个维度反映肿瘤的异质性^{[9, 10, 11]}。然而，仅凭肉眼对常规MRI进行定性评估，其可重复性和诊断准确性有限，难以充分挖掘影像中蕴含的深层定量信息。近年来，影像组学和深度学习技术的兴起为成人型弥漫性胶质瘤分子分型的无创预测带来革命性突破。影像组学能从医学图像里高通量地提取、分析和整合大量人眼难以识别的定量特征^[12]，而深度学习则可借助卷积神经网络（convolutional neural network, CNN）等模型自动学习图像中的深层抽象特征^[13]，这些技术已被广泛应用于胶质瘤的自动分割、分级、分子亚型预测和预后评估中^{[14, 15]}。例如，有研究开发出一种能同时预测成人型弥漫性胶质瘤异柠檬酸脱氢酶（isocitrate dehydrogenase, IDH）突变状态、1p/19q共缺失状态、端粒酶逆转录酶（telomerase reverse transcriptase, TERT）启动子突变状态及预后的多任务深度学习模型，展示出强大的性能^[16]。另一项研究构建了融合影像组学特征与临床数据的列线图模型，以实现术前无创预测成人型弥漫性胶质瘤的分级、分子基因型和预后^[17]。这些研究表明，基于人工智能（artificial intelligence, AI）的影像分析方法有望在术前提供全面的分子和预后信息来指导成人型弥漫性胶质瘤患者的个体化治疗决策。

       近年来发表的相关综述所引用的多数参考文献仍未采用2021年第五版《世界卫生组织中枢神经系统肿瘤分类》（World Health Organization Classification of Tumors of the Central Nervous System, WHO CNS）。鉴于此，本文严格基于新版分类标准，综述了影像组学与深度学习在预测成人型弥漫性胶质瘤分子分型中的最新研究进展，深入阐述其临床应用价值、现存挑战及未来发展方向，旨在为成人型弥漫性胶质瘤的精准诊疗提供理论参考与研究思路。

1 文献检索

       本研究为叙述性文献综述。检索数据库包括中国知网（CNKI）、万方数据库、PubMed及Web of Science。检索时间范围为2022年1月至2026年1月。中文检索词包括“胶质瘤”“影像组学”“深度学习”“磁共振成像”“功能磁共振成像”“分子标志物”等；英文检索词包括“glioma”“ radiomics”“deep learning”“magnetic resonance imaging”“functional MRI”“molecular markers”等，并采用关键词组合方式进行检索。结合本文研究主题，筛选并纳入与研究内容密切相关的文献进行整理分析，同时参考部分背景性文献进行综合归纳。

2 成人型弥漫性胶质瘤的新分类

       2016年发布的第四版WHO CNS首次在组织学基础上加入了分子学特征，树立了分子时代中枢神经系统肿瘤诊断的新理念，为胶质瘤的分子分型奠定了基础^[18]。经过五年的临床探索与科研积累，2021年发布的第五版WHO CNS首次将分子特征与组织病理学相结合，形成整合诊断理念，标志着胶质瘤诊断范式的根本性转变，并全面确立了分子分型在胶质瘤诊断、治疗及预后评估中的核心地位^[19]。第五版WHO CNS依据IDH基因突变、1p/19q共缺失、O⁶-甲基鸟嘌呤-DNA甲基转移酶（O⁶-methylguanine-DNA methyltran-sferase, MGMT）启动子甲基化及TERT启动子突变等关键分子标志物，将成人型弥漫性胶质瘤划分为三类：（1）IDH突变型星形细胞瘤；（2）IDH突变伴1p/19q共缺失型少突胶质细胞瘤；（3）IDH野生型胶质母细胞瘤。新版指南同时指出，若IDH野生型的WHO Ⅱ~Ⅲ级星形细胞瘤出现以下任一特征：微血管增殖、坏死、TERT启动子突变、表皮生长因子受体（epidermal growth factor receptor, EGFR）扩增、7号染色体获得和10号染色体丢失（+7/-10），则可直接诊断为IDH-wt GBM，CNS WHO Ⅳ级。此外，对IDH突变型的WHO Ⅱ~Ⅲ级星形细胞瘤，若检出细胞周期依赖性激酶抑制基因2A/B（cyclin-dependent kinase inhibitor 2A/B, CDKN2A/B）纯合缺失，则应归类为IDH突变型星形细胞瘤，CNS WHO Ⅳ级。该指南对成人型弥漫性胶质瘤各亚型的诊断性分子标记物作出了明确规定，并且其他有临床意义的关键分子标志物与信号通路变异也被整合进来，从而构建起一套完整的整合诊断体系，在提高胶质瘤病理诊断的客观性和可重复性、完善个体化治疗、促进临床试验和基础研究等方面发挥着重要的作用^[5]。

3 影像人工智能预测成人型弥漫性胶质瘤关键分子标志物的研究现状

3.1 IDH突变

       IDH是第五版WHO CNS中成人型弥漫性胶质瘤分子分型的关键标志物之一，其编码蛋白催化异柠檬酸氧化脱羧，在三羧酸循环和维持细胞代谢稳态中发挥重要作用^[20]。与IDH-wt GBM相比，携带IDH突变的星形细胞瘤与少突胶质细胞瘤患者的预后往往表现更好且有更长的生存期^{[21, 22]}。IDH突变可增强细胞内源性抗氧化能力，抑制细胞凋亡并降低增殖活性，同时通过下调缺氧诱导因子（hypoxia-inducible factor, HIF）等信号通路，减少肿瘤血管生成，从而整体降低肿瘤的侵袭性^{[23, 24]}。此外，IDH突变自身已成为一个重要的治疗靶点，促使多项临床试验得以开展，像肽疫苗、小分子抑制剂这类新疗法的探索也在其中^{[25, 26]}。综上，术前要是能无创预测IDH突变状态，对于制订个性化治疗策略、规划最大范围安全切除的范围、指导放化疗与靶向治疗的选择以及改善患者临床结局具有重要意义^[27]。

       常规MRI特征方面，多项研究已证明T2液体衰减反转恢复（T2 fluid-attenuated inversion recovery, T2-FLAIR）不匹配征是识别IDH突变型星形细胞瘤的特异性影像表现，其特异度几乎达100%，但敏感度较低，仅少数此类肿瘤会表现出该征象^{[28, 29]}。JEON等^[30]在一项研究中纳入了218名被诊断为成人型弥漫性低级别胶质瘤的患者，首次引进基于深度学习的T2-FLAIR错配征（quantitative T2-FLAIR mismatch, qT2FM）量化技术，并结合全自动肿瘤分割工具用来预测IDH突变情况。多变量分析显示，qT2FM是IDH突变状态的独立影像学预测因子。使qT2FM参与到临床评估流程中不仅提高了诊断准确性，也体现了先进影像分析技术在神经肿瘤学领域日益重要的应用价值。

       近年来，利用术前结构MRI预测成人型弥漫性胶质瘤IDH突变状态的研究已取得重要突破。ZHANG等^[31]在一项涵盖486例成人型弥漫性胶质瘤患者的研究中，依据T1WI、T2WI、T1加权对比增强成像（T1-weighted contrast-enhanced imaging, T1WI-CE）及FLAIR序列构建了影像组学模型与深度学习模型来预测IDH基因分型。结果表明，深度学习的诊断效能更佳，其曲线下面积（area under the curve, AUC）为0.92，准确率为84%。进一步将影像组学特征与深度学习特征融合后，模型性能未显著提升，提示深度学习模型在IDH基因分型预测中具有良好的独立应用价值，为无创分子分型带来了颇具前景的放射学分析办法。NISHIKAWA等^[32]利用460例成人型弥漫性胶质瘤的T2WI图像，通过CNN构建了一个易于使用的计算机辅助诊断系统，其IDH突变预测的总体准确度、敏感度和特异度分别为87%、81%和92%。ZHENG等^[33]通过监督机器学习方法，整合6项遗传信息与临床特征，构建了用于评估胶质瘤早期进展风险的预测评分系统，该模型在预测成人型弥漫性胶质瘤IDH突变状态方面表现出良好的判别效能，准确率达90%，AUC为0.91。USUZAKI等^[34]采用可变视觉转换器模型预测成人型弥漫性胶质瘤IDH基因突变，该模型在内部测试数据集中实现了对所有患者IDH状态的完全准确预测，在外部测试数据集中，其准确率为94%，AUC为0.89。在一项由瑞典哥德堡萨尔格伦斯卡大学医院牵头的多中心研究中，研究者整合来自6个国家医疗机构的314例成人型弥漫性低级别胶质瘤患者资料，分别构建了基于临床特征的机器学习模型与基于MRI影像的深度学习模型用于预测IDH突变状态。该研究在Erasmus Glioma数据库中进行外部验证，结果显示两种模型的AUC分别为0.86与0.82^[35]。

       除了结构MRI外，扩散加权成像（diffusion weighted imaging, DWI）、磁共振波谱（magnetic resonance spectroscopy, MRS）、扩散张量成像（diffusion tensor imaging, DTI）、酰胺质子转移加权（amide proton transfer-weighted, APTw）成像等功能序列也广泛应用于成人型弥漫性胶质瘤的分子分型研究。既往研究指出，联合表观扩散系数（apparent diffusion coefficient, ADC）序列与仅使用结构MRI序列相比，能够提升影像组学或深度学习模型在预测IDH突变方面的性能^{[36, 37]}。WANG等^[38]运用基于动态对比增强磁共振成像（dynamic contrast-enhanced magnetic resonance imaging, DCE-MRI）和DWI的生境成像技术在术前预测IDH基因型，AUC为0.94，交叉验证后提升至0.95。胡明雪等^[39]采用K-means的无监督聚类算法，基于多模态MRI生境成像的局部熵值开发了三个预测IDH分子状态的多模态模型，均显示出了良好的诊断性能，训练集AUC值范围为0.94~0.97，测试集AUC值范围为0.74~0.86。局部特征和生境分析的联合应用将为非侵入性评估其他多种病理异常区域提供新的思路和方法。SACLI-BILMEZ等^[40]采用无需进行特征选择的新型ADSN模型预测成人型弥漫性胶质瘤IDH基因突变状态，在验证集与测试集中，该模型的准确率分别达93%、88%，能够可靠地预测IDH突变状态，证实了MRS序列联合机器学习模型在临床上具有一定的应用前景。在一项纳入206例成人型弥漫性胶质瘤患者的回顾性研究中发现，相比仅纳入结构MRI序列的影像组学模型，加入DTI序列可提高模型预测IDH突变的效能^[41]。XU等^[42]的研究表明，APTw成像与扩散峰度成像（diffusion kurtosis imaging, DKI）在胶质瘤分级和IDH突变状态预测方面的诊断性能差异有统计学意义。此外，WU等^[43]的前瞻性研究表明，APTw与基于支持向量机的放射组学模型在IDH突变状态预测上具有良好的应用前景，AUC高达0.88。KUSUNOKI等^[44]探讨了APTw成像联合甲硫氨酸PET的有效性，结果表明两者联合分析能提升对成人型弥漫性胶质瘤IDH突变状态的预测准确度。

       综上所述，在预测IDH突变状态时，深度学习模型通常展现出比传统影像组学模型更高的AUC值，这可能得益于其强大的端到端特征学习能力，能够自动捕捉更复杂的图像模式。然而，影像组学模型因其特征的可解释性，在某些临床场景下可能更具吸引力。不同研究间AUC值的差异可能源于样本量、数据来源、MRI序列组合以及模型验证策略的不同。总之，把多种先进的成像技术和AI方法相结合，能在很大程度上提升成人型弥漫性胶质瘤IDH突变状态的预测能力，从而给临床提供更精确的诊断依据。

3.2 1p/19q共缺失

       第五版WHO CNS规定IDH突变合并1p/19q共缺失是“少突胶质细胞瘤、IDH突变伴1p/19q共缺失型”的诊断标准^[19]。多项研究表明，与1p/19q未缺失的肿瘤相比，具有1p/19q共缺失的低级别胶质瘤患者的生存期显著延长且对放化疗等治疗手段表现出更高的敏感性^{[45, 46]}。因此，在低级别胶质瘤患者中准确识别1p/19q共缺失状态并进行早期检测，对于指导放化疗决策、实现个体化治疗及改善患者预后具有重要意义^[47]。

       YAN等^[48]开展的一项回顾性多中心研究使用555例成人型弥漫性低级别胶质瘤患者的术前多模态MRI（T1WI、T2WI、T1WI-CE和FLAIR序列）数据，开发了一个深度学习模型用于预测1p/19q共缺失状态。该模型在训练集、内部验证集及外部测试集中均表现出极高的判别性能，AUC分别达0.99、0.99、0.98，且1p/19q状态也被证实为低级别胶质瘤手术计划的重要生物标志物。王瀚苇等^[49]基于术前ADC图建立了预测1p/19q分子特征的影像组学评分模型，在训练集和验证集中，该模型显示出良好的预测性能，AUC分别为0.90和0.78。一项针对79例成人型弥漫性低级别胶质瘤患者的回顾性研究发现，基于常规MRI征象（如钙化或出血、T2-FLAIR错配征、T2异质性）构建的预测模型能够有效判别1p/19q缺失状态，其AUC为0.86；进一步将该模型与机器学习算法相结合后，判别效能得到进一步提升，AUC最高可达0.91^[50]。MA等^[51]的研究基于常规MRI语义特征，并进一步联合结构MRI、DWI和APTw的影像组学特征构建模型，用于预测成人型弥漫性低级别胶质瘤1p/19q共缺失状态。结果表明，所构建的影像组学模型及其融合模型在训练集与测试集中均表现优异，影像组学模型的AUC分别为0.95和0.91，融合模型的AUC分别为0.97和0.90。在训练集中，两种模型的诊断性能均显著优于工作1年、3年及7年的神经放射科医师。根据一项相关荟萃分析，利用术前MRI影像构建的深度学习模型在预测胶质瘤1p/19q共缺失状态方面显示出良好的综合判别能力，其平均敏感度为77%，平均特异度为85%，平均AUC为0.89^[52]。

       尽管上述研究显示深度学习与影像组学模型在预测1p/19q共缺失方面均取得较高的AUC值，但一项荟萃分析指出，深度学习模型的平均AUC虽具潜力，其敏感度和特异度仍有提升空间。与IDH预测相比，1p/19q预测模型对图像细节（如钙化、异质性）可能更敏感，这解释了为何结合语义特征的模型表现更优。然而，目前的研究仍面临一些挑战，如验证集样本量较小、不同设备数据采集存在差异、深度学习特征缺乏临床可解释性等，未来需借助多中心、前瞻性研究对其进一步验证。

3.3 MGMT启动子甲基化

       MGMT是一种脱氧核糖核酸（deoxyribonucleic acid, DNA）修复酶，能够抵御烷化剂替莫唑胺（temozolomide, TMZ）对DNA中O⁶-甲基鸟嘌呤基团造成的烷化作用，进而削弱药物对肿瘤细胞的杀伤效应并导致耐药性^[53]。而当MGMT启动子发生甲基化时，其基因表达受抑、修复功能下降，使得肿瘤细胞对TMZ的敏感性显著提升。因此，检测MGMT启动子甲基化状况已成为评估TMZ化疗效果的关键分子指标^[54]。

       RESTINI等^[55]基于癌症基因组图谱（The Cancer Genome Atlas, TCGA）公共数据库及巴西一家医疗机构的146例GBM患者的影像，利用T1WI-CE和T2-FLAIR序列构建深度学习模型用于预测MGMT甲基化状态。经十倍交叉验证筛选后，优选算法在独立测试集上表现稳定，准确率为82%，AUC为0.81。XIE等^[36]采用ADC直方图和直接ADC测量值对成人型弥漫性胶质瘤中MGMT启动子甲基化情况进行无创预测，结合ADC直方图参数与直接测量的逻辑回归模型具有最佳诊断效率，其AUC为0.94。ZHU等^[56]在一项回顾性研究中分析了94例成人型弥漫性胶质瘤患者的影像资料，结果显示最小相对ADC值对MGMT启动子甲基化状态具有较好的预测能力；经标准化阈值处理后，其整体AUC可达0.81，这也与先前研究结果一致^[57]。而WEI等^[58]的研究表明，在融合影像组学特征中加入水肿特征和ADC值会导致预测性能轻度下降，故ADC值的纳入对影像组学模型预测成人型弥漫性胶质瘤MGMT启动子甲基化的性能的影响还有待评估。ZHU等^[59]在传统结构MRI基础上联合应用了ADC、磁敏感加权成像等功能序列，并分别从肿瘤核心区及全肿瘤区域（包括核心与周围水肿带）提取影像组学特征，建立多种影像组模型用于预测成人型弥漫性胶质瘤WHO分级及IDH、MGMT等关键分子标志物。结果显示，所建模型在WHO分级和IDH突变预测中表现表现出优异的预测性能，展现出一定的临床应用潜力。然而，所有模型对MGMT启动子甲基化状态的区分能力均不理想，其中最优模型的AUC仅为0.65，尚未达到临床可用的标准。先前两项研究基于结构性MRI数据建立了多个深度学习模型以判定MGMT启动子状态，最终得出结论：现有的深度学习算法仅凭结构性MRI数据无法预测MGMT启动子甲基化^{[60, 61]}。

       关于MGMT启动子甲基化的影像AI预测研究结论不一，这突显了该生物标志物预测的复杂性。MGMT启动子甲基化在肿瘤内部常呈现显著的空间异质性，不同区域的甲基化比例可能差异很大。这种特性使得临床判定往往依赖具体的取材部位，难以简单地以二元分类标准（阳性/阴性）进行界定，因为二者之间存在大量的中间状态，这些中间状态的影像学表现可能与完全甲基化或完全未甲基化的情形相似，从而容易导致模型分类错误^[59]。此外，基因检测方法和阈值设定的不统一，也增加了构建稳健模型的难度。因此，未来的研究需进一步统一基因标签的获取标准、结合多中心数据扩充样本规模，并在此基础上探索能反映瘤内异质性的影像分析方法。

3.4 TERT启动子突变

       在真核细胞中，染色体末端的端粒会在每次细胞有丝分裂的时候逐渐缩短，当端粒的长度缩短至临界点时，细胞就无法继续分裂，进而走向衰老或者死亡^[62]。端粒酶是一种核糖核酸（ribonucleic acid, RNA）依赖的DNA聚合酶，能够延长端粒DNA并维持端粒的稳定状态，其活性增强可使肿瘤细胞有效维持端粒长度，从而延缓自身老化进程，促使恶性增殖与侵袭^{[63, 64]}。TERT是端粒酶的催化亚基，也是端粒酶功能发挥的关键限速部分，当TERT启动子发生突变时就会导致TERT基因转录上调，进而持续激活端粒酶功能^[65]。因此，TERT在成人型弥漫性胶质瘤的生物学行为中具有重要作用。

       CHEN等^[66]基于T2WI、DWI和ADC构建了影像组学模型，利用三种特征选择方法与五种分类算法来预测GBM患者中TERT启动子突变的潜在价值。结果显示，由递归特征消除和线性判别分析生成的模型，在训练集、验证集和测试集中均表现出优异的诊断性能，AUC分别为0.98、0.96和0.93。在一项关于GBM的研究中，LI等^[67]基于T1WI、T2WI、T1WI-CE和T2-FLAIR提取特征，通过最小绝对收缩算子（leastabsolute shrinkage and selection operator, LASSO）方法筛选出的10个相关特征，结合性别、卡氏功能状态（Karnofsky Performance Status, KPS）评分、影像组学评分构建影像组学诺模图，训练集和验证集中预测TERT启动子突变状态的AUC分别为0.91、0.90。在一项纳入208例GBM患者的研究中，ZHANG等^[68]基于多模态MRI（T1WI、T2WI、T1WI-CE）序列，分别构建了3个单序列模型和一个融合模型，研究结果显示，融合模型显著提高了TERT启动子突变状态的预测准确性，且融合模型更好地预测患者的无进展生存期。ZHANG等^[69]开发了深度学习特征及多种CNN算法，结果表明ResNet50在预测TERT突变状态时具有高精度，验证集和训练集的AUC分别为0.89和0.99。对于GBM，ZHANG等^[70]基于T1WI、CE-T1和T2WI序列，采用四种二维CNN提取瘤内及瘤周的深度学习特征，通过最小绝对收缩和选择算子及逻辑回归分析进行特征筛选，构建不同区域的深度学习模型，结果发现，多参数多区域融合的深度学习模型在训练集和测试集分别获得最佳鉴别能力，AUC值达0.95和0.90。

       在成人型弥漫性胶质瘤中预测TERT启动子突变，融合多序列、多区域特征的模型普遍优于单序列模型，表明该突变可能影响肿瘤的宏观生长模式及周边环境。深度学习模型与影像组学模型均表现出色，提示两者在此任务上可能具有互补性。

3.5 CDKN2A/B纯合缺失

       CDKN2A/B基因所编码的蛋白质在细胞周期调控中发挥着重要作用，尤其是在G1期向S期的转变中起到关键作用，其纯合性缺失会导致细胞周期失去控制，从而促进肿瘤细胞的增殖和生长^{[71, 72]}。CDKN2A/B纯合性缺失在高恶性程度的胶质瘤中较为常见，且与肿瘤侵袭性的增强以及预后不良有着密切联系^{[73, 74]}。CDKN2A/B纯合性缺失已被纳入第五版WHO CNS的分子诊断标准，成为区分胶质瘤分子分级的重要指标之一，尤其在IDH突变型星形细胞瘤中，CDKN2A/B缺失常提示恶性程度的升级和更差的生存预后^[19]。因此，对于成人型弥漫性胶质瘤的诊断和预后评估而言，检测CDKN2A/B基因的纯合性缺失具备重要的临床价值。

       YANG等^[75]基于临床特征和标准化的胶质瘤MRI评估系统——伦勃朗视觉特征（visually accesable Rembrandt images, VASARI）构建逻辑回归模型用于预测IDH突变型星形细胞瘤中CDKN2A/B纯合缺失状态，多因素逻辑回归分析表明，强化边缘是IDH突变型星形细胞瘤中CDKN2A/B纯合缺失的独立预测因子，训练集和外部测试集中预测模型的AUC分别为0.84和0.96。在一项纳入88名IDH突变型星形细胞瘤患者的研究中，研究者对术前结构MRI、DWI和动态磁敏感对比灌注成像（dynamic susceptibility contrast, DSC）图像进行分析，多因素逻辑回归结果显示肿瘤浸润性形态的存在、最大直径增大以及脑血容量（cerebral blood volume, CBV）的95分位数可独立预测CDKN2A/B纯合缺失状态，其AUC为0.83，ACC可达90%^[76]。CALABRESE等^[77]运用放射组学与深度神经网络特征预测GBM中的CDKN2A/B等遗传生物标志物，取得良好效果。GAO等^[78]在一项涵盖251例IDH突变型星形细胞瘤患者的研究中根据T1WI-CE以及FLAIR序列构建影像组学模型与深度学习模型来预测CDKN2A/B纯合缺失状态。结果显示，最终的融合模型（训练集AUC=0.97；验证集AUC=0.94；测试组AUC=0.94）优于仅基于放射组学或深度学习特征的最优模型。ZHANG等^[79]构建了ResFN-Net和FN-Net两种新型的深度学习模型，基于TCGA数据库中患者的术前T2WI和T1WI-CE影像，实现对CDKN2A/B基因状态的预测分析。结果表明FN-Net预测性能更佳，三折交叉验证时其准确率达92%、AUC达0.97，并且FN-Net对不同序列组合的预测性能优于ResFN-Net。FN-Net在T1WI-CE与T2WI序列组合下的准确率和AUC分别为90%、0.96。上述两项研究均表明，影像AI技术在预测成人型弥漫性胶质瘤CDKN2A/B纯合缺失状态方面具有良好应用潜力。

       预测CDKN2A/B纯合缺失的研究显示，结合临床/语义特征与影像组学/深度学习特征能显著提升模型性能，这提示该基因与特定的影像表型密切相关。深度学习模型通过注意力机制可能更擅长捕捉这些细微的形态学改变。

3.6 小结

       基于本文引用文献，IDH突变和1p/19q共缺失的预测模型性能普遍较高（AUC常>0.90），相对而言是较易预测的分子标志物。MGMT启动子甲基化的预测最为困难且争议最大，模型性能波动大且少有AUC超过0.85的稳健模型。TERT启动子突变和CDKN2A/B纯合缺失的预测研究多集中于特定亚型，模型性能表现不一。

       MGMT启动子甲基化的核心瓶颈在于肿瘤内甲基化状态的显著空间异质性以及不同研究间基因检测方法和判定阈值的不统一，导致二元分类标签本身存在模糊性，这是其模型性能不稳定、难以达到临床适用标准的核心原因。1p/19q共缺失的预测性能依赖于常规MRI上反映的特定形态学特征，如微小钙化、出血及肿瘤内部的信号异质性，因此结合语义特征或高分辨率序列的模型表现更优。相比之下，IDH突变状态的预测则能从多模态MRI（包括结构序列和DWI、APTw等功能序列）中广泛获益，表明其影像表型关联更为多元。而CDKN2A/B纯合缺失的预测研究主要局限于IDH突变型星形细胞瘤这一特定亚群，旨在鉴别其中具有更高恶性潜能的亚型，这与其他普遍适用于所有成人型弥漫性胶质瘤的分子标志物有所不同。

       基于常规结构MRI对IDH突变和1p/19q共缺失的深度学习或影像组学预测模型已取得显著成效，而在MGMT启动子甲基化、CDKN2A/B纯合缺失的预测以及进一步提升IDH分型精度方面，整合DWI、PWI、APTw等功能或代谢成像序列提供的微观结构和生理信息显得尤为关键，该策略有助于揭示其背后的异质性和活跃的生物学过程。

4 总结与展望

       影像AI技术在成人型弥漫性胶质瘤分子分型预测领域的发展标志着神经肿瘤学向精准医疗迈出了重要一步。从影像组学特征提取到深度学习端到端建模的过程中，这些技术都展现出对IDH突变、1p/19q共缺失等关键分子标记物预测的巨大潜力，其中部分模型的AUC甚至已经超过0.90，达到了临床转化的临界点。

       然而，影像AI技术在快速发展的同时也面临着诸多挑战。首先，模型的泛化能力较差，这是由于不同医疗中心在采集MRI数据时的设备参数、扫描协议等存在差异，因此，单一中心开发的模型性能在其他机构的表现往往不尽人意。解决这一难题的关键在于建立标准化的多中心协作网络并采用统一的数据采集协议，同时还需要开发能适应异质数据的鲁棒算法。其次，基于深度学习“黑匣子”模型缺乏必要的可解释性，难以获得临床医生的信任。未来的研究应注重开发注意力机制、特征提取等具有可解释性的AI技术，使模型决策过程更加透明。此外，如何将预测结果无缝融入现有诊疗流程，也是一个亟待解决的系统工程问题。

       目前，整合患者年龄、临床表现、常规MRI征象及术前KPS评分等参数与影像组学特征或深度学习特征进行融合建模，已成为当前提升模型预测性能与临床适用性的关键方向。这种融合策略不仅能够弥补单一影像模态信息的不足，提高对IDH突变、1p/19q共缺失等分子标记物的预测准确率，而且还能使预测模型更贴近真实的临床决策场景，有助于将AI预测结果无缝整合进以患者为中心的诊疗流程中。

       从整体视角分析，影像AI技术在成人型弥漫性胶质瘤临床诊疗中的应用前景广阔。未来应致力于构建集成多模态MRI、术后病理信息、多组学特征（涵盖基因组学、转录组学及蛋白质组学等维度）、表观遗传学指标及肿瘤免疫微环境数据的综合分析模型，从而更全面地揭示肿瘤的生物学本质。同时，需推动技术应用从单一时间的静态评估转向动态监测，结合患者治疗过程中的实际反应进行疗效评估与预后判断，最终为真正实现个体化精准治疗提供可靠支持。需要强调的是，这些技术在临床上的应用必须以循证医学证据为支撑，应通过前瞻性临床试验严格验证其临床价值，防止因技术过早推广而影响医疗决策的正确性。同时，未来研究可进一步借助先进成像技术构建多任务预测模型，并整合多中心大样本的数据，以增强模型的泛化性能与适应性。最终，依靠多学科团队的协同配合，将技术的创新转化为可改善患者预后的临床方案，从而推动成人型弥漫性胶质瘤整体诊疗模式的进步与发展。