0 引言

       颅内良性病变包括良性肿瘤、血管畸形及功能性神经疾病等多种类型，整体病程相对较长^[1]，治疗目标不仅在于控制病灶进展，还包括保护神经功能、降低治疗相关并发症并优化长期随访管理^[2]。随着神经影像学和立体定向放射外科（stereotactic radiosurgery, SRS）的发展，非侵入性、高精度治疗在颅内良性病变管理中的作用日益突出^{[3, 4, 5, 6]}。伽马刀放射外科（gamma knife radiosurgery, GKRS）作为SRS的重要形式，采用高度聚焦的伽马射线对颅内病变实施高精度照射，在提高靶区剂量集中度的同时最大限度保护邻近脑组织及器官，实现治疗剂量对靶区的精准递送从而达到非侵入性的精准治疗^[7]。对于脑膜瘤、前庭神经鞘瘤（vestibular schwannoma, VS）、垂体腺瘤（pituitary adenoma, PA）等良性肿瘤，以及脑动静脉畸形（brain arteriovenous malformation, bAVM）、三叉神经痛（trigeminal neuralgia, TN）、脑海绵状血管畸形（cerebral cavernous malformation, CCM）等常纳入放射外科管理的疾病，GKRS均已显示出良好的局部控制能力和微创治疗优势^[3]。

       然而，GKRS的临床价值并不只取决于是否完成照射，更取决于术前患者筛选是否合理、靶区勾画是否准确、术后疗效与不良反应是否能够被及时识别并纳入个体化管理^[8]。当前临床实践中，上述关键环节仍在较大程度依赖人工影像判读与经验判断。尽管影像组学和深度学习（deep learning, DL）在GKRS相关颅内良性病变的术前评估、靶区勾画和术后随访中取得了较多进展^[9]，但多数研究仍围绕单一病种在GKRS管理流程中的某一环节展开，且现有综述^{[10, 11, 12]}尚未按照GKRS临床管理流程进行系统归纳，对GKRS临床管理流程之间关系的梳理仍不足。同时，对颅内良性病变的覆盖仍有限，PA、bAVM、TN、CCM等病种涉及较少，尚未充分体现不同病种在治疗终点、影像表现、并发症风险和随访策略方面的联系与差异。针对该领域多病种、全流程精准管理的相关综述仍较为缺乏。本文围绕GKRS精准管理流程，对影像组学和DL在颅内良性病变中的研究进展进行综述，重点总结其在术前精准评估、靶区勾画与计划制定、术后疗效监测与并发症预警中的应用，分析当前研究的主要局限性，并提出未来研究方向，以期为进一步的研究提供新思路，并为优化颅内良性病变GKRS个体化诊疗和随访管理提供参考。

1 文献检索方法

       为保证综述内容的系统性和可追溯性，本文参考系统综述和荟萃分析优先报告条目（Preferred Reporting Items for Systematic Reviews and Meta-Analyses, PRISMA）的基本思路进行文献检索与筛选。本综述以PubMed/医学文献分析与检索系统在线数据库（Medical Literature Analysis and Retrieval System Online, MEDLINE）和Web of Science Core Collection数据库为主要检索来源，同时检索中国知网、万方数据库、维普数据库和中国生物医学文献数据库，以补充国内相关研究。检索时间范围设定为2012年1月至2025年12月，主要依据影像组学概念在2012年前后被提出，并逐渐应用于医学影像定量分析研究^[13]。

       检索词包括治疗方式、研究方法和疾病类型三类。英文检索词中，治疗方式相关检索词包括“Gamma Knife radiosurgery” “GKRS” “stereotactic radiosurgery” “SRS”等；研究方法相关检索词包括“radiomics” “machine learning” “deep learning” “magnetic resonance imaging” “MRI”等，其中MRI为磁共振成像（magnetic resonance imaging）；疾病相关检索词包括 “benign intracranial lesions” “benign intracranial diseases” “benign intracranial tumors” “meningioma” “vestibular schwannoma” “pituitary adenoma” “brain arteriovenous malformation” “trigeminal neuralgia” “cerebral cavernous malformation”等。中文检索词中，治疗方式相关检索词包括“伽马刀”“γ刀”“立体定向放射外科”“放射外科”等；研究方法相关检索词包括“影像组学”“放射组学”“人工智能”“机器学习”“深度学习”“磁共振成像”“MRI”等；疾病相关检索词包括“颅内良性病变”“颅内良性肿瘤”“脑膜瘤”“前庭神经鞘瘤”“听神经瘤”“垂体腺瘤”“垂体瘤”“脑动静脉畸形”“三叉神经痛”“脑海绵状血管畸形”“海绵状血管瘤”等。检索时采用主题词与自由词相结合的方式，英文数据库结合医学主题词（Medical Subject Headings, MeSH）、主题词和自由词进行检索，中文数据库结合主题词、题名、关键词和摘要等字段进行检索，并使用AND、OR进行组合检索，同时追溯纳入文献的参考文献，以补充可能遗漏的相关研究。文献纳入标准：（1）研究对象为接受GKRS管理的颅内良性病变患者；（2）研究内容涉及影像组学、机器学习或深度学习在术前评估、靶区勾画、治疗计划、疗效预测、术后随访或并发症评估中的应用；（3）研究提供明确的影像学方法、建模流程或模型性能指标；（4）文献类型为原创性研究，且发表于同行评议期刊。排除标准：（1）与GKRS无关的研究；（2）未涉及影像组学、机器学习或深度学习方法的研究；（3）以恶性肿瘤、脑转移瘤为主要研究对象且无法提取颅内良性病变相关结果的研究；（4）会议摘要、评论、社论及无法获取关键方法或结果数据的文献。

2 影像组学和深度学习概述

       影像组学的核心在于能够从标准化医学影像中高通量提取可量化特征，在形态、灰度分布、纹理异质性和局部空间关系等层面捕捉肉眼难以稳定识别的病灶表型信息而挖掘传统医学影像图像所不能显示的纹理特征来反映肿瘤的异质性信息，其基本工作流程主要包括：（1）图像获取与预处理；（2）感兴趣区（region of interest, ROI）分割（手动/自动）；（3）特征提取；（4）特征筛选（降维处理）；（5）建模与分析；（6）验证与应用。其中图像分割以手动勾画病灶ROI为主，模型构建常用支持向量机（support vector machine, SVM）、随机森林、极端梯度提升（eXtreme Gradient Boosting, XGBoost）等传统机器学习方法^[14]。在此基础上，影像组学为疾病诊断、术前风险评估以及预后预测等临床应用提供了关键的技术支撑。

       DL作为机器学习（machine learning, ML）的一个重要分支，主要采用人工神经网络来实现，它是一种受生物神经系统工作方式启发而构造出的数学模型，将大量的原始数据输入到一个多层的神经网络中，每个神经网络层都由许多节点组成，每个节点都与前一层的节点连接，并通过学习权重来调整信息的传递^[15]。DL还属于一种端到端的学习方式，可以自动学习从原始数据中进行图像分割及特征提取，这大大降低了手工勾画ROI所造成的误差，同时大幅提高工作效率。常见的DL网络模型有：多层感知机、卷积神经网络（convolutional neural network, CNN）、循环神经网络（recurrent neural network, RNN）等，其中CNN在医疗领域的应用最为广泛^[16]。目前，DL技术通过建立和训练多层神经网络，逐步在肿瘤自动分割、体积量化及生存预后评估等多个方面发挥重要价值。

3 影像组学和DL在GKRS精准管理颅内良性病变中的研究进展

       基于临床资料与既往研究结果^[17]，与GKRS密切相关的颅内良性病变主要来自两类人群：一类是原发性非恶性中枢神经系统肿瘤如脑膜瘤、VS、PA等，另一类是非肿瘤但常纳入放射外科管理的血管畸形与功能性疼痛疾病，包括bAVM、TN、CCM等。

       近年来，影像组学和DL已逐步应用于GKRS管理的多个关键环节^[18]，现有研究更适合归纳为术前精准评估、靶区勾画与计划制定，以及术后疗效监测与并发症预警三个层面。

3.1 影像组学和DL在GKRS术前精准评估中的应用

       GKRS前的核心问题之一，不是单纯判断病变是否适合照射，而是进一步识别哪些患者更可能获得理想疗效、哪些患者对治疗反应有限。对颅内良性病变而言，这一问题尤其重要，因为许多病变自然病程较长，短期内临床表现和常规影像变化往往不足以支持精细化分层。影像组学和DL的价值，正在于尝试从术前MRI中提取传统阅片难以稳定识别的定量表型信息，从而为GKRS获益分层提供更客观的依据。

3.1.1 术前疗效预测与获益分层

       现有研究提示，不同病种的术前预测虽然具体终点不同，但本质上都在回答同一个问题：术前影像中是否已经存在决定后续放射反应差异的表型信号。VS是目前术前GKRS疗效评估研究最集中的病种^[19]，也更能反映该领域由“简单预测”向“机制解释”推进的过程。早期研究^{[20, 21]}主要基于常规MRI纹理和形状特征预测GKRS后暂时性肿瘤增大（transient tumor enlargement, TTE），随后，LANGENHUIZEN等^[22]进一步将分析对象从TTE延伸至长期控制，在同时考虑短期体积波动与远期结局的框架下，其灰度共生矩阵（gray-level co-occurrence matrix, GLCM）模型长期肿瘤控制预测准确率为77.0%，敏感度为71.0%，特异度为83.0%，受试者工作特征曲线下面积（area under the curve, AUC）为0.93；肿瘤体积大于5 cm³时，准确率为83.0%，敏感度为83.0%，特异度为82.0%，AUC为0.99，提示体积较大的VS可能更适合进行基于纹理特征的风险分层。YANG等^[23]则利用纵向随访影像组学特征构建两级SVM模型，长期结局和TTE预测AUC分别约为0.91和0.88，提示T2加权成像（T2-weighted imaging, T2WI）异质性和增强T1加权成像（contrast-enhanced T1-weighted imaging, CE-T1WI）不均匀性可能反映组织成分及血供差异。与前述研究相比，HUANG等^{[24, 25]}的价值在于增强了模型的可解释性：将TTE风险与囊实性组成及其信号表型进一步对齐，发现实性VS较囊性VS更易发生假性进展或体积波动（55.0%和31.0%，P<0.001）；较低T2WI/CE-T1WI平均信号强度与假性进展相关，整体队列P=0.001。这说明VS术前评估已不再停留在“肿瘤会不会增大”的经验判断，而是逐步转向对内部组织构成和放射反应模式的定量刻画。

       脑膜瘤作为最常见的原发性颅内肿瘤之一，其临床管理需综合肿瘤部位、体积、症状及治疗风险进行分层^{[26, 27]}。其研究最早聚焦于体积反应预测，SPECKTER等^[28]发现，平扫T1加权成像（T1-weighted imaging, T1WI）纹理特征结合临床状态评分后可较好地区分不同体积反应人群，其构建的影像组学评分AUC为0.81，联合Karnofsky功能状态评分（Karnofsky performance status, KPS）后AUC升至0.88。这一结果的意义，并不只在于模型取得了较高AUC，更在于说明脑膜瘤在GKRS前已经存在可量化的内部异质性，而这种异质性并不能被常规体积、位置等粗略指标完全替代。也就是说，脑膜瘤的GKRS术前分层正在由“影像形态学判断”转向“影像表型学判断”。

       PA、bAVM、TN的术前预测研究则反映出另一类特点，即影像组学的价值并不完全取决于病种本身，而更取决于终点是否清晰、临床问题是否具体。PA现有研究已提示术前MRI特征能够预测GKRS后的体积反应^[29]，结果显示T1WI模型AUC为0.92、准确率为85.9%；临床病理参数联合T1WI和CE-T1WI模型AUC为0.91，均优于单纯临床病理参数模型（AUC为0.85），但总体仍局限于影像学终点，对更重要的内分泌功能缓解、垂体功能损伤等结局涉及不足。后续研究需要把影像组学特征与激素水平变化、药物控制状态、视功能变化和垂体功能损伤等结局结合起来，形成更符合PA临床管理需求的综合预测模型。

       对于bAVM，相关研究则更复杂，其终点不仅涉及闭塞本身，还涉及闭塞速度、治疗路径差异以及部分栓塞后再行SRS等真实世界场景。例如GAO等^[30]与WU等^[31]通过手工影像组学与DL方法预测未破裂bAVM患者GKRS后的闭塞情况，除MRI外，JABAL等^[32]进一步将数字减影血管造影（digital subtraction angiography, DSA）定量特征用于闭塞预测，而MENG等^[33]则重点分析治疗前bAVM巢部形态学特征与体积缩小速度的关系。结果显示，表面积体积比与体积缩小速度呈中等相关（r=0.66，P<0.001），并且是体积缩小速度的独立相关因素[P=0.010，比值比（odds ratio, OR）=0.720，95%置信区间（confidence interval, CI）：0.560~0.925]。该指标预测高低体积缩小速度的AUC为0.83（P=0.002），提示bAVM巢部形态紧凑程度可能影响剂量分期SRS后的体积反应速度。此外，MENG等^[34]还将剂量学、空间匹配指标和影像组学特征共同纳入建模，结果显示在部分栓塞后残余bAVM再行SRS的情境下，剂量学特征输入的SVM模型表现最佳，AUC为0.77、准确率为83.0%。这类研究的优势在于更贴近实际临床问题，尤其提示剂量学和空间匹配关系在某些情境下可能比单纯影像纹理更重要。但也正因如此，bAVM术前预测研究更容易受到治疗路径异质性和终点定义差异的干扰，因此，bAVM研究的真正价值更多体现在影像、剂量和空间关系的综合建模框架，而非单一模型性能指标。

       TN的研究虽然数量较少，但其意义在于扩展了“术前获益分层”的内涵。对于TN，GKRS后的关键终点主要为疼痛缓解程度、复发情况和药物依赖变化，而体积变化并非核心评价指标。MULFORD等^[35]通过卷积U-Net自动分割三叉神经并提取影像组学特征，结合浅层神经网络识别症状侧神经的准确率为78.0%，AUC为0.83，敏感度为82.0%，特异度为76.0%，提示疼痛相关的神经微结构变化可以反映在细粒度纹理差异中，为后续镇痛结局预测提供了基础。HUNG等^[36]则基于FreeSurfer提取脑区结构特征，结合序列后向选择（sequential backward selection, SBS）和SVM预测镇痛结局，区域脑表面积模型预测疼痛缓解的准确率为96.7%，敏感度为100.0%，特异度为89.1%，AUC为0.97；皮层厚度模型准确率为90.5%，敏感度为93.5%，特异度为83.7%，AUC为0.96，两个模型置换检验均P<0.001。更值得注意的是，这类研究已从单纯关注外周责任神经，扩展到中枢疼痛网络重塑层面，提示GKRS前预测不应局限于局部病灶，而应考虑更广泛的结构和网络基础。

       总体来看，GKRS前的疗效预测研究已经提供了一个较清晰的共识：术前MRI中确实蕴含与后续放射反应相关的定量信息。但必须指出，这一方向目前仍处于“可做预测”而非“可做决策”的阶段。首先，多数研究样本量仍偏小，且以单中心回顾性设计为主，较高性能结果在多大程度上具有外部可重复性，仍需谨慎看待。其次，尽管不少研究已开始尝试解释纹理异质性、囊实性成分或信号表型的潜在意义，但影像特征与真实组织学、分子病理或微环境改变之间的对应关系仍不充分。因此，这一领域当前最需要的是明确统一终点、强化外部验证，并进一步回答“模型为什么有效”以及“模型能否改变临床选择”这两个更关键的问题。

3.1.2 术前高风险结局预测

       如果术前疗效预测回答的是“谁更可能从GKRS中获益”，那么术前高风险结局预测回答的则是“谁更可能在获益之前先承担风险”。对颅内良性病变而言，局部控制并非唯一终点，放射相关并发症、再出血、持续症状或假性进展等事件同样会直接影响治疗价值。因此，从精准管理角度看，高风险结局预测往往比单纯疗效预测更贴近临床决策核心。

       脑膜瘤术后瘤周水肿（peritumoral edema, PTE）是目前研究最集中的方向之一。KIM等^[37]基于临床和影像数据的混合深度神经网络（deep neural network, DNN）模型准确率为72.5%，AUC为0.70，而多因素分析显示，肿瘤部位是术后PTE的独立预测因素（P=0.006，OR=4.600，95% CI：1.557~13.590）。LI等^[38]整合临床变量、语义特征和表观扩散系数（apparent diffusion coefficient, ADC）影像组学特征的随机生存森林（random survival forest, RSF）模型表现最佳。两项研究分别采用DL二分类模型和多中心RSF模型，对PTE进行了预测，虽然方法不同，但共同指向一个相对稳定的结论：术前并非没有风险信号，其发生可能与肿瘤位置、肿瘤-脑界面特征及扩散相关纹理异质性等因素密切相关。只是这些信号过去主要停留在经验判断层面，未被系统量化。尤其值得重视的是，LI等^[38]的研究引入了多中心设计和外部验证，内部和外部验证一致性指数（concordance index, C-index）分别达到0.861和0.780，基于列线图的模型C-index为0.962。相比单纯报告AUC，更接近真实临床中“风险会在什么时候发生”的问题，提示PTE并不是完全不可预期的放射后事件，因此PTE预测真正推动的是脑膜瘤GKRS管理由“术后发现问题再处理”转向“术前识别高风险并提前安排监测”的思路转变。

       VS中的TTE虽然并不一定意味着真正治疗失败，但会显著增加术后影像解释的难度，甚至影响后续干预决策。前述研究^{[20, 21, 22, 23, 24, 25]}已反复提示，TTE与肿瘤纹理异质性、囊实性组成及信号表型有关。这一点很重要，因为它说明术后复杂体积波动并非纯粹随机扰动，而更可能是肿瘤内部表型差异在放射后的特定表现。对临床而言，能够帮助医生提前意识到：某些患者术后更可能出现一段时期内的体积波动，因此需要更谨慎地解释随访结果，避免过早下结论或过度干预。

       TN中的“高风险结局”则表现为持续症状。MRI对责任神经及神经血管压迫关系的识别具有较高诊断价值，这也是后续影像组学和DL建模的重要影像学基础^[39]。MULFORD等^[35]和HUNG等^[36]提示，术前影像特征不仅可用于预测谁会获益，也可用于识别谁更可能疗效欠佳。与肿瘤性病变相比，这类研究的特殊之处在于其高风险结局不是影像学事件，而是功能结局事件。这实际上提醒我们，GKRS前风险预测不能仅围绕“体积、闭塞、出血”等传统影像学结局展开，也应纳入症状改善和生活质量等更直接的患者获益指标。

       在血管性病变中，高风险结局预测的临床意义更为直接。bAVM研究提示，治疗结局不应只看是否闭塞，还应考虑放射诱导改变（radiation-induced changes, RIC）等不良反应的风险平衡。CCM中，从临床管理角度看则更关注GKRS后再出血的问题。现阶段，相关研究更多提示这类风险并非完全随机事件，部分基线影像特征和随访影像模式可能具有预警价值，但由于这类结局本身往往依赖术后动态观察，其更具体的影像量化和风险预警意义，仍需在术后监测部分进一步展开讨论。

       总体而言，术前疗效预测与术前高风险结局预测已显示精准管理的价值。但这一方向目前仍存在几个突出问题。首先多数研究仍停留在统计性能报告阶段，较少进一步讨论预测结果将如何改变术前决策、术后监测或干预策略。其次，机制层面的解释仍然相对薄弱，许多研究能够指出“哪些特征有用”，却难以充分解释“为什么这些特征有用”。因此，这一方向下一步最重要的，不是单纯提高模型准确率，而是推动预测结果真正嵌入临床管理路径，例如与随访频率、早期影像复查、风险沟通和干预阈值建立更明确的对应关系。只有做到这一点，术前高风险结局预测才算真正体现出精准管理的价值。

3.2 GKRS时靶区勾画与计划制定中的应用

       GKRS计划制定阶段的核心任务是准确识别病灶、明确靶区边界、量化体积并考虑危及结构。传统人工勾画仍是临床主流，但存在耗时长、观察者差异大、多时点随访重复性不足等问题。对于高精度放射外科，几何一致性不足或局部误差集中在关键结构邻近区域，都可能影响剂量覆盖、危及器官保护和术后随访解读。因此，自动分割与影像组学分析不仅用于替代人工勾画，更是推动工作流标准化和量化管理的基础。

3.2.1 自动分割在GKRS工作流中的价值

       目前，多种DL架构[CNN、U-Net、残差网络（residual network, ResNet）]已广泛应用于脑膜瘤、VS、PA、bAVM、CCM等病变的自动分割，同时可扩展至术后PTE、RIC等区域。DL端到端模型能够直接从原始影像中提取高维特征并输出分割结果^[15]，大幅提高处理效率与特征一致性。但GKRS场景下的评价标准不仅是几何指标如Dice相似系数（Dice similarity coefficient, DSC），更应关注计划可用性、体积一致性、剂量学影响和临床工作流增益。

3.2.2 脑膜瘤与VS的自动分割及体积量化

       从现有研究看，脑膜瘤和VS是自动分割研究相对最成熟的两个病种^[12]。脑膜瘤自动分割的价值，首先体现在立体定向MRI上的靶区勾画可重复性。LEE等^[40]基于1069例大样本脑膜瘤立体定向MRI建立自动分割模型，平均DSC约为83.0%~84.0%，说明在较为标准化的GKRS影像条件下，DL已能较稳定地完成脑膜瘤轮廓提取。更值得注意的是，YANG等^[41]进一步将自动分析对象扩展至术后PTE区域，实现了PTE自动分割和体积量化，模型测试集平均DSC为84.7%；五折交叉验证测试集平均DSC为80.5%，召回率为75.2%，精确率为88.5%，体现出“计划—随访”一体化应用的雏形，但脑膜瘤边界相对清楚这一病种特征，本身就使自动分割更容易取得较高几何性能，脑膜瘤上的“成功”不能直接说明模型在边界模糊、形态复杂病灶中也同样可靠。此外，多数研究仍以DSC为主要评价指标，对局部边界误差，尤其是邻近静脉窦、脑膜尾及复杂界面区域的误差讨论不足，而这些恰恰是GKRS计划中较为敏感的部分。

       VS则更能体现自动分割从“单时点勾画”走向“连续管理支持”的过程。SHAPEY等^[42]的研究显示CE-T1WI、高分辨率T2加权成像（high-resolution T2-weighted imaging, hrT2WI）及联合输入模型DSC分别为93.4%、88.3%和93.7%；LEE等^[43]的双通路模型DSC为90.0%±5.0%。两者研究表明，多序列输入和双通路结构可提高囊实混合及非均质区域的识别能力，这说明VS自动分割的主要难点并非整体轮廓识别，而在于如何处理其内部复杂的组织构成。更关键的是，LEE等^[44]还将自动分割直接嵌入术后多时点随访体积测量流程，使其价值从“辅助计划制定”进一步延伸至“支撑疗效监测”，为术后TTE、假性进展和长期控制的体积轨迹分析提供更稳定的数据基础，而不是只停留在算法层面的图像处理任务。尽管VS研究数量较多，但不少模型仍建立在较高质量、相对标准化的增强T1WI或多参数MRI数据上，常规临床环境中的成像质量波动、术后改变和小体积病灶，都会显著影响模型性能。此外，VS内部囊实混合、非均质低信号区域和极小病灶边界，这些都是模型最容易失败的场景。更重要的是VS自动分割的高性能往往建立在与人工金标准的一致性之上，而人工勾画本身也存在变异，这意味着模型“接近人工”并不等于模型已经接近真正的临床最优答案。距离真正意义上的稳定临床部署仍有不足，尤其在跨中心、跨设备和复杂病例条件下，模型鲁棒性仍是关键短板。

3.2.3 PA、bAVM、TN与CCM的结构识别和计划辅助

       脑膜瘤和VS展示了自动分割“做得好”的可能性，PA、bAVM、TN和CCM的自动分析研究则体现不同病种在GKRS时的任务差异。

       PA自动分割不仅涉及肿瘤本体，还包括正常垂体和视神经等危及结构的识别。ČERNÝ等^[45]基于自配置U-Net（self-configuring U-Net, nnU-Net）构建用于GKRS计划的PA MRI自动分割模型，肿瘤、正常垂体和视神经的DSC分别为82.3%、63.9%和79.6%，这一结果说明，PA自动分割的难点在于高剂量区附近小体积危及结构的稳定识别。对于GKRS而言，视神经和正常垂体边界的微小误差可能直接影响剂量约束和并发症风险评估，因此PA模型需要更多关注计划可用性。在bAVM、TN和CCM中，自动分析的任务重点与肿瘤性病变亦不相同。bAVM代表了另一类更复杂的问题。它的难点不是“有没有病灶”，而是“真正需要照射的异常血管核心区在哪里”^{[46, 47]}。多序列血管成像信息整合和“先检测后分割”的流程设计，可能是提高巢部（nidus）识别稳定性的关键，SIMON等^[48]在验证集中动脉、静脉、脑实质、脑脊液和栓塞血管DSC分别为86.0%、91.0%、98.0%、91.0%和75.0%；HONG等^[49]检测后分割测试集中最高DSC为82.0%，上述两项研究分别从多结构分割和检测—分割串联框架两方面支持了这一点。但bAVM也是最能暴露自动分析脆弱性的病种之一，其病灶本身并非实体肿块，而是复杂血管异常的空间网络，栓塞后残余、少见结构和不同成像模态之间的配准误差都会显著影响结果。这意味着，bAVM上的“自动分割”其实比肿瘤性病变上的自动分割更接近“多模态结构推断”，其难度和不确定性都更高。TN的GKRS靶点通常位于三叉神经根入脑区或相关责任神经段，目标结构细小，且疗效与神经血管压迫、神经形态和中枢疼痛调控均可能有关。相关研究更强调责任神经及其邻近结构的显示和定位辅助，而非传统意义上的病灶轮廓分割^[50]。在此背景下，MULFORD等^[35]通过卷积U-Net实现三叉神经自动分割，为后续影像组学分析和责任结构识别提供基础。对于高风险或功能区CCM，GKRS也具有一定现实应用价值^[51]。CCM的计划辅助更偏向病灶边界识别。由于CCM常伴含铁血黄素沉积，MRI上可出现混杂信号和边界不规则，自动分割比常规增强肿瘤更容易受序列选择和信号伪影影响。CHOU等^[52]的研究提示DL模型可用于CCM自动分割，但目前这类模型距离临床常规应用仍有差距，未来CCM自动分析不应只报告分割精度，还应进一步评估模型在不同出血阶段的稳定性。上述研究虽然展示了方向，但整体仍偏探索性，距离稳定可用的临床工具还有明显距离。

       这些研究表明，不同病种在GKRS计划阶段所需的自动分析任务并不相同：PA强调多结构识别，bAVM强调nidus及相关血管结构界定，TN强调责任神经和相关结构显示，CCM则更偏向病灶边界识别。因此，GKRS靶区勾画不能简单概括为“自动分割病灶”，而应结合具体病种的计划需求理解其任务属性。

3.2.4 从算法性能到临床可用性

       尽管现有自动分割研究在标准化数据上已获得较高几何性能，但对于GKRS而言，仅凭DSC等指标并不足以判断模型是否真正可用。首先，整体重叠指标无法反映误差是否集中于危及结构邻近区域。其次，即使整体性能较好，若仍需大量人工修正，其工作流价值也有限。最后，自动分割是否改善了体积测量一致性、计划时间、剂量学评估和术后随访量化，才是决定其临床意义的关键。

       当前自动分割模型在GKRS影像分析中的算法性能已取得一定进展，但仍存在明显局限性。针对小体积病灶检出困难的问题，WANG等^[53]在三维卷积神经网络（three-dimensional convolutional neural network, 3D CNN）中加入ResNet、空间衰减和深度监督，总体测试集DSC为91.0%±8.0%，机构间DSC差异不显著，P=0.66，有效提升了极小病灶的检出率。KUJAWA等^[54]基于多中心常规临床MRI数据集评估真实世界泛化能力，结果显示模型在标准化GKRS数据上性能较高（中位DSC约为94.5%），而在多中心常规临床数据上有所下降（中位DSC约为87.3%），说明训练数据多样性对泛化至关重要。LEE等^[55]引入联邦学习后，在多中心真实世界数据上取得与集中式训练相当的表现，平均DSC均为78.0%，提示隐私保护前提下的多中心协作具有可行性。HWANG等^[56]则将深度学习超分辨率应用于TN患者MRI，在不改变GKRS坐标系的前提下改善图像质量，提示图像增强技术可作为责任神经显示和靶点定位的辅助工具。但算法性能的提升并不自动转化为临床可用性。CORNELISSEN等^[57]进一步从临床计量学角度比较DL与人工分割表现，发现单中心和多中心nnU-Net模型中位DSC分别为91.6%和91.9%，但自动体积测量落入人工观察者一致性范围的比例分别为44.0%和73.0%；人工观察者间中位DSC为94.1%，相对体积误差为4.6%，优于单中心模型的12.4%和多中心模型的8.2%。这说明几何指标较高并不必然代表模型具有稳定临床可用性，自动分割评价还应纳入体积一致性和人工观察者一致性范围；而WANG等^[58]基于对比增强计算机断层扫描（computed tomography, CT）开展bAVM靶区自动分割研究，结果显示自动分割体积与人工轮廓体积高度相关（r=0.992，P<0.001），平均体积差异为（0.076±0.728）cm³（P=0.387），则说明自动分割应进一步与剂量体积直方图（dose-volume histogram, DVH）等剂量学指标联动评价。因此，若自动分割研究不能进一步回答“是否减少人工修正、是否改善计划一致性、是否影响剂量学结果”，即使算法性能较高，也仍难被视为真正的临床可用模型。后续研究应由“分割性能优化”转向“计划任务完成度评价”，联合报告几何性能、体积一致性、剂量学一致性和临床计量学指标，并将自动分割纳入“质量控制—失败检测—人工复核”的闭环流程，以更准确评估其在GKRS中的实际价值。

3.3 影像组学和DL在GKRS后疗效监测与并发症预警中的应用

       完成GKRS计划和照射后，疗效监测与并发症预警成为随访管理的关键环节。与术前预测相比，术后管理面临新的挑战：病灶体积和信号可能因放射反应出现短期波动（如VS的TTE）或局部水肿；血管性病变可能出现RIC或再出血；而常规人工测量存在重复性差、主观性强的问题。影像组学结合DL技术可以提供可重复、可量化的纵向分析工具，既用于疗效评估，也可提前识别高风险结局，为临床随访和干预提供科学依据。因此，术后管理不仅是治疗效果的观察，更是GKRS精准管理链条的重要组成部分。

3.3.1 术后疗效评估与伪进展识别

       GKRS后的疗效评估并不等同于判断病灶是否缩小。尤其在VS中，TTE会显著干扰疗效解释。前述LANGENHUIZEN等^{[20, 22]}、GEORGE-JONES等^[21]、YANG等^[23]和HUANG等^{[24, 25]}的研究提示，TTE与长期控制并非互不相关的孤立终点，而可能共享部分术前表型基础。除VS外，颅内良性病变在GKRS术后早期部分显示出体积波动^[3]，这提示术前纹理特征、囊实性组成和信号表型差异，既可能预示短期体积增大，也可能对应良好的远期控制。因此影像组学不仅在于预测术后发生了什么，更在于帮助解释为何会出现不同的体积变化轨迹，从而提高伪进展识别的准确性。

3.3.2 纵向随访量化

       影像组学和DL在GKRS后更突出的价值之一，是实现可重复的纵向量化，将风险预测从“单次静态判断”推进到“时序变化捕捉”。例如LEE等^[44]实现VS术后多时点自动体积测量；YANG等^[23]则利用纵向影像组学特征对VS长期结局和TTE进行预测，使术后体积变化评估由定性观察进一步转向定量分析。类似的，针对bAVM行GKRS后RIC缺乏客观、可重复体积量化的问题，HO等^[59]构建了bAVM术后RIC自动分割与纵向定量框架可用于随访量化，其RIC自动分割平均DSC为71.8%，召回率为78.4%，精确率为68.7%。不过，需要注意的是，纵向量化研究也最容易暴露方法学问题，包括事件发生率低、样本量小、随访数据不完整，都会显著夸大模型表现。

3.3.3 并发症预警

       在临床管理中，纵向量化的价值最终落地于并发症预警与风险分层。脑膜瘤PTE、bAVM的RIC以及CCM再出血，是GKRS后较具代表性的风险事件。脑膜瘤中，KIM等^[37]和LI等^[38]建立的术前PTE预测模型，其真正价值在于帮助识别术后更易发生PTE的患者，从而支持更密切的早期监测和干预时机选择。HO等^[59]构建了bAVM的RIC自动分割与纵向量化模型，发现RIC体积在术后约1年达峰后逐渐下降，提示该方法可支持随访量化与决策优化。在术后并发症预警中，CCM再出血具有一定代表性，其往往受既往出血史、病灶部位、影像信号变化和随访时间共同影响。KUO等^[60]综合采用纵向随访MRI的影像组学特征构建模型并对比，发现“利用所有既往随访信息”的k近邻算法（k-nearest neighbors, KNN）模型预测CCM再出血表现最佳，且第1年预测再出血的AUC为0.64、准确率为72.1%，而在第2~4年预测性能提升至AUC为1.00、准确率为100.0%。该研究提示CCM管理不能只依赖单次术前影像判断，而应重视术后随访过程中的动态变化。但需要注意，当AUC接近完美时，更应保持谨慎，这类结果可能同时受到样本量有限、事件率较低和时序特征过拟合的影响，因此仍需在更大样本和独立队列中验证。

       与前述纵向量化不同，并发症预警的重点不在技术实现本身，而在于如何将连续体积和表型数据转化为临床可用的风险预警。综上所述，前者强调变化的可视化和量化，后者强调将动态变化转化为临床风险判断。

3.3.4 随访路径优化的潜在价值

       从更高层面看，GKRS后影像组学和DL研究的最终目标，不应止于预测或量化某一结局，而应进一步服务于随访路径优化。理想状态下，模型输出应能够回答：哪些患者需要更密集的早期MRI复查，哪些体积波动更可能属于TTE而非真进展，哪些并发症风险提示需要更早干预。只有当自动分割、纵向量化和风险预警进一步转化为随访强度分层、预警阈值设定和干预时机建议时，影像组学和DL才真正完成了从“结果预测”到“管理支持”的转变。尽管多数研究尚未达到这一步，但已有结果显示出这一方向的实际潜力。

       为便于对上述不同病种、研究任务及模型性能进行集中比较，本文将影像组学和DL在GKRS相关研究中的代表性文献汇总于表1。

点击查看表格

表1  影像组学和DL在GKRS相关研究中的代表性文献
Tab. 1  Representative studies of radiomics and DL in GKRS-related research

4 小结与展望

       影像组学和DL在GKRS治疗颅内良性病变的精准管理中具有重要应用潜力。现有研究已覆盖术前疗效预测与风险分层、靶区自动勾画与计划辅助、术后疗效监测与并发症预警等环节。相关结果显示，影像资料中的纹理特征、形态特征、信号异质性及纵向变化信息，可补充传统人工阅片和经验判断的不足，为颅内良性病变GKRS个体化管理提供新的影像学依据。

       但目前该领域仍面临多重瓶颈：现有研究整体仍以单中心、回顾性设计为主，样本量普遍有限，独立外部验证和前瞻性验证不足。脑膜瘤和VS虽已形成从术前预测到术后量化的初步证据链，但真实世界环境下的大样本验证仍然缺乏；PA、TN、CCM等病例积累有限的病种则更容易受到样本量不足和低事件率结局的影响，增加模型过拟合风险，也限制了模型对小病灶、少见表型和复杂边界病例的学习能力。另外，不同研究在影像采集设备、扫描协议、预处理流程及ROI定义上的差异，导致特征提取结果和模型输出难以直接比较。颅内良性病变部分病灶结构、形态复杂或邻近重要结构，如VS囊实性成分的区分、bAVM nidus结构复杂、CCM病灶边界不规则、PA邻近视神经和正常垂体，均会增加ROI勾画和自动分割难度，进而影响特征稳定性。对于GKRS而言，这一问题尤为关键，因为病灶边界和危及结构邻近关系会直接影响计划制定与剂量分布。最后，影像组学特征虽然被认为能够反映肉眼难以识别的微观异质性，但多数研究仍停留在相关性层面，特征与组织学、分子病理、血供状态或微环境变化之间的直接对应证据仍较有限。

       针对以上问题，未来真正需要推进的是围绕“可泛化、可重复、可落地”提高整体研究质量：首先，应建立多中心、前瞻性、真实世界队列，扩大样本量并覆盖不同病种亚型、扫描设备和治疗方案，以提高模型的泛化能力。对于病例积累不足的病种，可依托多中心协作和联邦学习框架，在兼顾隐私保护的基础上提升样本规模和数据多样性；同时，应推进全流程标准化，统一影像采集协议、预处理策略、ROI勾画规范、终点定义和随访时间点设置等关键环节，并在模型报告中加入特征稳定性分析、外部验证、校准曲线和决策曲线分析，以提高研究结果的可重复性；最后，应加强模型与临床场景的结合，对于自动分割模型，除几何指标外，还应关注体积一致性、局部边界误差、剂量学影响及人工修正负担；对于预测模型，则应加强模型校准、决策曲线分析、不确定性估计及亚组稳定性评估，在此基础上，模型构建也应由单模态、单任务、单时间点逐步转向多模态、综合建模和纵向分析，进一步融合临床变量、剂量学参数、空间匹配信息及随访时序特征，并在条件允许时引入组织学、分子病理或微环境信息，以增强结果的生物学解释性。最终推动影像组学和DL从辅助影像分析工具逐步发展为颅内良性病变GKRS个体化治疗决策和精准随访管理的重要手段。