0 引言

       脑膜瘤是最常见的原发性中枢神经系统（central nervous system, CNS）肿瘤，其平均年度年龄标化发病率（average annual age-adjusted incidence rate, AAAIR）约为10.66/100 000，占全部原发性CNS肿瘤的42.6%^[1]。2021年世界卫生组织（World Health Organization, WHO）中枢神经系统肿瘤分类第5版将脑膜瘤视为单一肿瘤类型，其形态学谱包括15种组织学亚型，并根据组织学及分子特征分为CNS WHO 1~3级^[2]。不同级别的脑膜瘤表现出不同的肿瘤生长模式。目前脑膜瘤治疗方式主要包括观察等待、手术、放疗、化疗、免疫治疗等，其中手术是目前有症状脑膜瘤的首选治疗方案，目的是最大限度地安全切除肿瘤^[3]。尽管80%以上的脑膜瘤为良性^[3]，但也有一部分具有侵袭性，这种脑膜瘤异质性导致医生选择不同的手术治疗方案，使得部分脑膜瘤很难通过手术完全切除，从而导致肿瘤复发/进展（recurrence/progression, R/P）风险升高。脑膜瘤术后R/P，即基于MRI随访所识别的影像学局部失败，包括全切术后的新发病灶与次全切术后的残余肿瘤进行性增大^[4]。因此，深入分析并早期预测脑膜瘤的R/P对术后管理、进一步辅助治疗具有重要意义。

       MRI凭借无电离辐射、优良的软组织对比度及灵活的序列组合，在脑膜瘤术后评估与动态随访中具有独特优势^[5]。多模态MRI技术能够从结构、功能和代谢等多个角度提取肿瘤的定量信息，为脑膜瘤R/P风险的精准评估提供了有力的影像学工具^[6]。影像组学以非侵入性方式在影像数据中高通量地提取描述肿瘤特性的多种定量特征，并利用机器学习算法挖掘有价值的特征构建相应模型，从而增强影像诊断的准确性及预测潜力^[7]。

       近年来发表的相关综述^{[8, 9, 10, 11]}多聚焦于脑膜瘤MRI影像组学的整体应用，涵盖肿瘤分级、分型、鉴别诊断、侵袭性评估及预后预测等多个方面。PATEL等^[11]系统评价了影像组学在脑膜瘤检测与分割、鉴别诊断、分级及预后评估等方面的研究进展，但其研究范围较广，未全面和深入总结在术后R/P等预后预测中的研究。基于此，本文就多模态MRI及影像组学在脑膜瘤术后R/P预测中的应用予以综述，剖析目前研究的局限性并分析未来研究方向，以期为脑膜瘤术后精准治疗决策及相关预测模型的临床转化提供参考。

1 文献检索方法

       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。检索时间范围为建库至2026年4月。英文数据库（PubMed、Web of Science）检索策略：（“meningioma” OR “meningiomas”）AND（“recurrence” OR “progression” OR “progression-free survival”）AND（“magnetic resonance imaging” OR “MRI” OR “multimodal MRI” OR “diffusion-weighted imaging” OR “DWI” OR “apparent diffusion coefficient” OR “ADC” OR “diffusion kurtosis imaging” OR “DKI” OR “perfusion MRI” OR “magnetic resonance spectroscopy” OR “MRS” OR “amide proton transfer” OR “APT” OR “radiomics” OR “machine learning” OR “deep learning” OR “habitat analysis” OR “fractal analysis”）。中文数据库（中国知网、万方数据库）检索策略：（“脑膜瘤”）AND（“复发”OR“进展”OR“无进展生存”）AND（“磁共振成像”OR“多模态MRI”OR“扩散加权成像”OR“表观扩散系数”OR“扩散峰度成像”OR“灌注成像”OR“磁共振波谱”OR“酰胺质子转移成像”OR“影像组学”OR“机器学习”OR“深度学习”OR“生境分析”OR“分形分析”）。

       纳入标准：（1）研究对象为经病理学证实的脑膜瘤患者；（2）以术后复发、残余肿瘤进展、无进展生存期或相关预后指标为研究终点，或研究结果能够反映脑膜瘤侵袭性及复发风险；（3）研究类型包括原始研究、系统评价、Meta分析及与研究主题密切相关的高质量文章；（4）发表语言为中文或英文。排除标准：（1）重复发表的文献；（2）无法获取全文或关键研究数据无法提取的文献。本文最终引用密切相关文献59篇。

2 常规MRI特征

2.1 肿瘤位置

       脑膜瘤常见的生长部位为矢状窦旁、凸面、大脑镰旁、鞍结节、蝶骨嵴、嗅沟等。多项研究表明^{[12, 13, 14]}，基底部脑膜瘤（包括颅底、鞍区、小脑幕下区域）R/P风险高于凸面型脑膜瘤。这主要与手术可及性、肿瘤附着范围有关。基底部脑膜瘤常紧邻脑干、大血管和关键神经结构，因手术操作空间受限，难以实现完全切除。同时，这类肿瘤的硬膜或颅底附着广泛，更容易出现残余肿瘤，从而增加R/P风险。此外，MACARTHUR等^[14]通过多中心分析显示，基底部脑膜瘤可能具有更高的增殖活性或侵袭潜能，即便在SimpsonⅠ~Ⅱ级完全切除的病例中，基底部脑膜瘤仍具有显著R/P风险。总之，凸面型脑膜瘤虽常见，但R/P风险低；基底部脑膜瘤发病率相对低，却因手术难度及潜在生物学特性而R/P风险高。相较之下，TRAYLOR等^[15]将703例颅内脑膜瘤手术患者进一步按颅底具体位置分组后发现，近静脉窦旁脑膜瘤在单变量分析中与脑膜瘤R/P风险密切相关，这与PETRELLA等^[16]结果一致，但TRAYLOR在多变量分析中发现肿瘤位置并非独立预测因子，因此TRAYLOR推测肿瘤位置本身可能并非直接的生物学危险因素，而是通过影响全切程度和手术难度间接增加R/P风险。

2.2 肿瘤形状

       脑膜瘤依据边缘形态和周围组织浸润方式，分为规则型或不规则型，肿瘤的形态特征可能影响术后切除的彻底性和残余肿瘤量^[17]。不规则形肿瘤相比规则形肿瘤更难实现完全切除，且术后残余风险增加，从而提高R/P风险^[17]。此外，WACH等^[18]发现，不规则形态脑膜瘤患者的无进展生存期（progression-free survival, PFS）更短，多因素Cox回归分析显示，不规则形态与较短PFS独立相关（HR=8.03，95% CI：1.04~62.10，P=0.046），提示肿瘤形态不规则可能与术后进展风险增加直接相关。然而，传统形态学特征多依赖于肉眼观察或经验分型，具有一定主观性，且难以反映肿瘤边界复杂性的连续变化。近年来，分形分析作为一种基于影像组学特征提取的方法被提出，主要用于量化肿瘤形态与结构复杂性^[19]。其分形维数（fractal dimension, FD）是描述分形几何的重要指标，一般来说，肿瘤边界越不规则、形态越复杂，FD值越高。FRICONNET等^[20]应用分形分析客观评估脑膜瘤形态特征与WHO Ⅱ~Ⅲ级及脑侵袭性之间的关系，发现高FD值与高WHO级及侵袭性显著相关。这也间接提示FD可能反映与R/P相关的侵袭性影像表型，但其对R/P的预测价值仍需直接验证。

2.3 瘤周水肿

       肿瘤周围脑水肿（peritumoral brain edema, PTBE）是脑膜瘤常见的继发性改变，发生率可超过66.7%^[21]。一项回顾性研究^[22]探讨肿瘤PTBE形成的机制，首先选取经病理确诊脑膜瘤并有扩散张量成像（diffusion tensor imaging, DTI）相关序列的患者，其次使用沿血管周围间隙扩散张量成像（diffusion tensor imaging along the perivascular space, DTI-ALPS）指数等影像学指标评估大脑液体清除通路功能，并计算PTBE体积。结果显示，ALPS指数降低的患者往往伴有更大的PTBE体积，提示脑内液体清除通路功能受损可能与脑膜瘤周围水肿形成有关。FRATI等^[23]在上述研究基础上进一步认为，较严重的PTBE提示较短的无复发生存期（recurrence-free survival, RFS），且这一相关性在调整肿瘤大小、WHO级别与Ki-67后仍可部分保持，这也提示PTBE可能作为独立或辅助的R/P预测因子。后续研究开始关注PTBE区域本身所包含的定量影像信息。GUO等^[24]对444例脑膜瘤患者将肿瘤区与瘤周水肿区分别进行分割并构建影像组学预测模型。结果显示，仅基于水肿区域的影像组学模型即可实现较高的分级预测效能[曲线下面积（area under the curve, AUC）=0.864]，甚至优于肿瘤区模型（AUC=0.844），而联合模型的预测效能进一步提升至0.880。该研究提示，PTBE区域并非单纯的继发性影像改变，而是反映肿瘤-脑组织界面微环境及潜在侵袭性的重要区域。鉴于脑膜瘤术后R/P与肿瘤分级及侵袭性生物学特征密切相关，因此瘤周水肿区的影像组学分析可能为R/P风险评估提供新的影像学依据。

       综上所述，常规MRI征象不宜作为孤立指标判断脑膜瘤术后R/P风险，其价值更多体现在从不同层面反映复发进展的潜在机制：肿瘤位置影响手术可及性及残余风险，形态不规则可能提示浸润性生长和增殖活跃，PTBE则可能与肿瘤-脑组织界面微环境改变及侵袭相关特征有关。然而，现有研究多将上述征象作为分类变量处理，对残余体积、边界复杂度及PTBE体积等连续指标的标准化量化仍不足；同时，这些征象与R/P之间常受WHO级别、Ki-67增殖指数及切除程度等因素影响，其独立预测价值仍需进一步明确。

3 多模态MRI在脑膜瘤R/P中的应用

       尽管常规MRI特征在脑膜瘤R/P评估中具有一定价值，但其结果易受观察者主观判断影响。功能MRI可通过定量参数反映肿瘤内部生物学行为，有望提高脑膜瘤R/P预测的准确性。

       磁共振扩散成像是一种在平面回波成像技术基础上发展而来的重要功能成像技术，可以定量测量表观扩散系数（apparent diffusion coefficient, ADC）及部分各向异性分数（fractional anisotropy, FA），从而获得体素内水分子的各向异性程度和扩散情况^[5]。扩散加权成像（diffusion-weighted imaging, DWI）是一种基于测量组织内水分子扩散的非侵入性技术，它提供了组织的微观结构信息，HAN等^[25]通过构建ADC直方图并提取相关参数（ADCp1、ADCp10、ADCp50等）来预测脑膜瘤R/P，结果显示R/P组的所有直方图参数显著低于未R/P组，特别是最低分位值（ADCp1与ADCp10）在区分R/P与未R/P方面具有统计学意义（P<0.05）。这表明ADC值越低、细胞密度越高的病灶更可能存在R/P的风险。此外，低ADC值还与较高WHO分级相关联^[26]，这提示ADC可作为内在生物学侵袭性和R/P倾向的量化指标。ZHANG等^[27]采用基于最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）回归特征筛选方法，建立了融合临床、病理及影像组学特征的列线图模型预测脑膜瘤的R/P，该模型预测术后复发的AUC为0.853。该研究结果表明，通过结合病理分级、肿瘤异质性和相对表观扩散系数（relative apparent diffusion coefficient, rADC），列线图能够更有效地预测脑膜瘤R/P，其准确性超过了单独使用WHO组织病理学分级，其中rADC是术后R/P的重要预测指标，这一结果提示，影像组学定量特征与功能参数（如ADC）的融合，能够更全面地捕获肿瘤生物学行为，从而为个体化R/P风险分层提供更可靠的依据。扩散峰度成像（diffusion kurtosis imaging, DKI）是一种先进的非高斯扩散成像技术^[28]。作为DTI的延伸，它能更好地表征肿瘤微结构复杂性。DKI既可提供传统的扩散张量度量，包括FA和平均扩散率（mean diffusivity, MD），又可生成反映组织复杂性的峰度指标，包括平均峰度（mean kurtosis, MK）等。一项回顾性研究^[29]进一步发现MK与Ki-67增殖指数呈显著相关关系，提示其可反映肿瘤生物学侵袭性，而Ki-67与脑膜瘤复发风险密切相关，因此DKI可能具有潜在的R/P风险评估价值，但目前尚缺乏DKI直接预测脑膜瘤术后复发的证据。总之，磁共振扩散成像可通过ADC、FA、MD及MK等参数从不同角度反映脑膜瘤的微结构复杂性、细胞密度及增殖活性，为脑膜瘤R/P风险评估提供多维定量信息。

       MRI灌注成像通常反映人体组织微血管及局部血流灌注情况，动态磁敏感对比灌注成像（dynamic susceptibility contrast, DSC）通过观察对比剂在脑组织中的流动所引起的磁敏感变化，从而得到平均通过时间（mean transit time, MTT）、相对脑血流量（relative cerebral blood flow, rCBF）、相对脑血容量（relative cerebral blood volume, rCBV）等相关参数。脑膜瘤属于脑外肿瘤，缺乏完整血脑屏障且肿瘤血供丰富，因此在DSC灌注成像中通常表现为较高rCBV及高灌注特征^[30]。恶性脑膜瘤的rCBV平均值高于良性脑膜瘤^[31]。动态对比增强成像（dynamic contrast-enhanced, DCE），通过T1动态序列估算血管通透率（K^trans、Ve等），反映对比剂从血管进入细胞外间质的速度与空间分布情况，是评估肿瘤微血管渗漏情况与血管生成状态的关键影像学指标。在DCE中，K^trans通常被解释为血浆到细胞外间质的通量常数，其升高提示微血管通透性增强和血-间质交换加快^[32]，这与肿瘤活性、侵袭性以及R/P倾向有关。一项胶质瘤研究^[33]发现，复发病灶常表现为较高的rCBV和K^trans，提示灌注及血管通透性参数具有一定的复发鉴别价值；然而，目前脑膜瘤特异性的术后R/P直接证据仍较有限。

       代谢与分子功能MRI是功能MRI的重要组成部分，主要包括磁共振波谱（magnetic resonance spectroscopy, MRS）和酰胺质子转移成像（amide proton transfer, APT）等技术，可分别从代谢物变化及蛋白/多肽交换信息等方面反映脑膜瘤的生物学活性。MRS能够无创评估肿瘤代谢特征，从而反映其生物学活性及侵袭潜能^[34]。脑膜瘤的MRS谱线常表现为胆碱（choline, Cho）峰升高、N-乙酰天冬氨酸（N-acetylaspartic acid, NAA）峰降低或缺如、肌酸（creatine, Cr）峰降低及丙氨酸（alanine, Ala）峰出现，其中Cho峰升高提示细胞膜转换和增殖活跃，Ala峰对脑膜瘤诊断具有一定特征性^[34]。在术后随访中，MRS可为脑肿瘤R/P与放疗后改变的鉴别提供代谢线索：复发病灶因肿瘤细胞增殖和膜代谢增强，常表现为Cho峰升高及Cho/Cr、Cho/NAA升高^{[35, 36]}；目前MRS现有研究主要集中于脑肿瘤鉴别及代谢表型评估^[8]，而在脑膜瘤R/P预测中的独立价值仍有限。APT通过检测内源性可交换酰胺质子与水质子之间的化学交换，反映组织中可移动蛋白和多肽等分子信息。近期一项脑膜瘤研究显示^[37]，APTw（APT加权）相关参数在不同WHO级别及组织学亚型之间存在差异，联合高级扩散参数后区分高、低级别脑膜瘤的AUC可达0.881。APT在肿瘤复发与放疗后改变（如坏死或假性进展）的鉴别中具有一定应用价值，但现有证据主要来自胶质瘤研究^{[38, 39]}，其在脑膜瘤术后R/P预测中的直接证据仍较有限。

       值得注意的是，脑膜瘤术后R/P与放疗后改变的鉴别是随访管理中的重要难点。二者在常规增强MRI上均可表现为新发或增大的强化灶、瘤周水肿及占位效应，单纯依赖形态学变化难以准确区分。其影像学差异本质上源于病理生理机制不同：R/P代表存活肿瘤细胞继续增殖，通常伴随细胞密度增高、血管生成活跃及膜代谢增强，因此可表现为ADC降低、灌注参数升高及Cho相关代谢比值升高^[40]；而脑肿瘤放疗后改变或放射性坏死则主要与血管内皮损伤、血脑屏障破坏、炎症反应和组织坏死有关，常表现为低灌注、代谢物整体降低及脂质/乳酸峰升高^[41]。MANNING等^[30]针对放疗后脑膜瘤的研究显示，动脉自旋标记灌注参数较强化面积变化更能反映放疗后血流灌注改变，提示灌注成像可为治疗反应评估提供补充信息。但目前关于MRS和灌注MRI鉴别复发与放射性坏死的证据多来源于胶质瘤、脑转移瘤等队列，脑膜瘤特异性阈值仍缺乏统一标准。

       综上，多模态MRI可从扩散、灌注、代谢及蛋白/多肽交换等层面反映脑膜瘤细胞密度、血管生成、代谢活性及微环境改变，为术后R/P风险评估及放疗后改变鉴别提供定量依据。然而，现有研究仍存在扫描参数和后处理流程不统一、样本量较小、外部验证不足及脑膜瘤特异性阈值缺乏等问题。未来应进一步规范多模态MRI采集与分析流程，构建能够整合肿瘤生物学行为、治疗反应和随访演变过程的多模态影像表型体系，并结合影像组学及机器学习方法构建更稳定、可解释的脑膜瘤术后R/P综合预测模型。

4 影像组学在脑膜瘤R/P预测中的应用

       预测脑膜瘤R/P是临床亟待解决的难题，大数据时代的到来和人工智能的发展为解决这一挑战带来了新的机遇并提供了新的技术支持。影像组学是一种新兴的图像分析方法，因能够从常规影像中挖掘高维定量特征并反映肿瘤的表型差异，逐渐成为预测脑膜瘤术后R/P的研究热点。传统的预测技术使用临床、组织病理和影像学数据来预测R/P，但在解释影响R/P的生物异质性方面仍显不足，而影像组学能在术前即提供更深层的量化信息，因而具有独特优势^[9]。研究通常包括以下流程：肿瘤/肿瘤+水肿区域的手动/半自动分割，特征提取（形状、一阶直方图、纹理灰度游程矩阵/灰度共生矩阵等）与特征选择（LASSO、递归特征消除等），最终结合机器学习算法[如逻辑回归、支持向量机（support vector machine, SVM）、随机森林（random forest, RF）等]构建预测模型。目前脑膜瘤R/P预测研究逐渐由单一影像序列或局部纹理分析转向多模态MRI、临床病理及治疗因素的融合建模。基于上述研究进展，表1汇总了近年来基于MRI影像组学预测脑膜瘤术后R/P的代表性研究。早期研究主要关注模型的可行性，ZHANG等^[42]纳入60例颅底脑膜瘤患者并从99项影像组学特征中筛选出T1最大概率、T1聚类阴影及ADC 3项关键特征，并采用RF构建预测模型，准确率达到90%。该研究还提示，在小样本条件下，RF较LASSO回归和人工神经网络表现出更好的稳定性与泛化能力，而SVM等模型通常对样本规模提出更高要求。近期一项451例非典型脑膜瘤的多中心回顾研究^[7]进一步基于术前T1加权增强成像（T1-weighted contrast-enhanced imaging, T1C）、T2-液体衰减反转恢复序列（fluid attenuated inversion recovery, FLAIR）及ADC等多模态MRI影像组学联合临床特征构建R/P预测模型。首先研究者提取2569项影像组学特征，经筛选保留23项形成影像组学特征参数，再结合切除程度及Ki-67指数构建联合模型。该模型在训练、内部与外部验证集上的C指数分别为0.845、0.787及0.813，且5年时间依赖AUC均>0.85。提示多模态MRI影像组学联合临床病理变量在非典型脑膜瘤长期R/P风险预测中具有较好的稳定性和泛化能力。REN等^[43]进一步构建了一种临床病理-影像组学列线图，该模型结合了年龄、切除范围、Ki-67指数、手术史以及基于T1WI和FLAIR序列提取的影像组学特征，用于预测非典型脑膜瘤的术后R/P。该模型在独立外部验证集中AUC值为0.84。除多中心模型外，针对特定部位和特定病理级别的研究也提示，影像组学特征可能为传统临床指标提供增量信息。HSIEH等^[44]纳入57例WHO I级矢状窦旁及大脑镰旁脑膜瘤患者，基于术前MRI纹理特征联合临床指标构建影像组学模型，用于预测术后早期R/P。结果显示，联合模型预测效能最佳（AUC约0.88~0.91），其中影像组学评分为独立高危因素[风险比（hazard ratio, HR）=15.73]。此外，次全切除、低ADC值及高影像组学评分与较短无进展生存期显著相关。

       目前关于影像组学联合免疫微环境预测胶质瘤复发的研究中，已有多项研究^{[47, 48, 49]}将MRI影像组学特征与免疫浸润（如CD8⁺TILs、CD4⁺TILs及肿瘤相关巨噬细胞等）联合并构建R/P预测模型，并取得了较好的预测性能。然而，针对脑膜瘤R/P的相关研究仍相对有限。HAN等^[50]基于术前MRI直方图特征并联合CD8⁺TILs、CD4⁺TILs及PD-L1表达水平构建免疫评分，进一步建立脑膜瘤术后复发预测列线图模型。结果显示，免疫评分、熵值、肿瘤分级及硬膜尾征均为独立预测因素，其联合模型在12、24及36个月复发预测中的C指数分别达到0.780、0.794及0.747，说明影像组学联合肿瘤免疫微环境分析在术后风险分层中具有一定应用潜力。然而，该研究主要采用基于直方图的一阶特征，仅能够反映体素灰度强度的整体分布，对肿瘤内部空间异质性及复杂纹理结构的刻画仍存在一定局限。相比之下，高阶纹理特征能够进一步量化肿瘤内部微环境复杂性、细胞排列差异及潜在侵袭性，因此，未来结合高阶影像组学特征与免疫微环境信息的多维分析，可能进一步提高脑膜瘤R/P预测性能。

       尽管传统影像组学模型在脑膜瘤R/P预测中表现出较好的诊断效能，但大多数研究仍基于整体肿瘤的特征提取方式，难以充分反映肿瘤内部复杂的空间异质性及区域生物学差异。脑膜瘤内部不同区域在细胞密度、血供状态、坏死程度及免疫微环境等方面存在明显差异，而这些差异可能与肿瘤侵袭性及术后R/P密切相关^{[10, 51, 52]}。近年来生境分析（habitat analysis, HA）已广泛应用于胶质瘤等脑肿瘤的复发预测及预后评估^{[53, 54]}，并显示出较好的应用价值，而其在脑膜瘤R/P预测中的研究仍相对较少。CAI等^[55]基于多序列MRI HA构建脑膜瘤术前分级预测模型，通过对肿瘤内部不同影像亚区进行聚类划分并提取亚区域影像组学特征，最终模型在测试集中的AUC达到0.80以上，明显优于传统整体肿瘤分析模型。但该研究以肿瘤分级而非术后R/P为终点，因此目前HA在脑膜瘤R/P预测中的价值仍主要基于侵袭性及空间异质性相关的间接证据。鉴于脑膜瘤R/P与增殖活性、微环境复杂性及空间异质性增加密切相关，HA未来有望作为传统影像组学的补充，用于脑膜瘤术后R/P风险分层及个体化随访。深度学习（deep learning, DL）作为机器学习的重要分支，近年来已逐渐应用于脑膜瘤的自动分割、WHO分级预测及一致性评估等研究^{[56, 57, 58]}。其中，以卷积神经网络（convolutional neural network, CNN）为代表的DL模型，可自动学习MRI高维特征，捕获传统人工特征难以识别的肿瘤边缘、内部信号及空间异质性信息。与传统影像组学依赖人工勾画感兴趣区及手动筛选特征不同，DL模型能够直接从原始影像中完成特征学习，减少人为干预对结果稳定性的影响^[59]。不过，目前深度学习在脑膜瘤术后R/P预测中的应用仍相对有限。脑膜瘤R/P相关研究普遍存在样本量不足、随访周期较长、多中心MRI数据异质性大及模型可解释不足等问题。

       总之，影像组学已成为脑膜瘤术后R/P预测的重要研究方向，其核心价值在于从多模态MRI中提取高维定量特征，并联合临床病理、免疫微环境等构建综合风险分层模型。生境分析可进一步刻画肿瘤空间异质性，DL则有望实现影像特征的自动学习与多维融合，为R/P预测提供新的技术路径。然而，二者在脑膜瘤术后R/P预测中的直接证据仍不足。未来应在标准化影像采集、长期随访和多中心外部验证基础上，探索影像组学、HA、DL与病理分子特征的融合建模，以提高模型的可重复性、可解释性及临床转化价值。

点击查看表格

表1  MRI影像组学预测脑膜瘤术后R/P相关文献汇总
Tab. 1  Summary of studies on MRI radiomics for predicting postoperative recurrence/progression in meningiomas

5 小结与展望

       综上，多模态MRI与影像组学通过定量提取脑膜瘤形态、扩散、灌注、代谢及空间异质性信息，突破了传统MRI主要依赖视觉评估的局限性，进一步提升了脑膜瘤术后R/P风险评估效能，弥补单一影像征象或临床病理指标在预测精度和个体化分层方面的不足。

       然而，现有研究仍面临临床转化不足的问题。多数研究为单中心回顾性设计，样本量及R/P数量有限，外部验证不足，模型稳定性和泛化能力仍待确认。同时，现有模型多基于静态术前影像建模，尚未充分整合术后残余体积、分子分型及免疫微环境等信息，难以反映脑膜瘤术后R/P的动态演变过程。HA和DL虽可用于刻画肿瘤空间异质性和自动学习高维影像特征，但其在脑膜瘤术后R/P预测中的直接证据仍不足。

       未来研究可聚焦于两个维度：其一，建立大样本、多中心、标准化的长期随访队列，统一MRI采集、ROI分割、特征提取及R/P终点定义，以提高模型的可重复性和泛化能力；其二，整合术后残余体积、WHO 2021分子特征及免疫微环境信息，构建可区分全切后新发复发、次全切后残余进展及放疗后放射性坏死/假性进展的纵向预测模型。结合HA、DL及可解释性AI，有望进一步揭示关键影像表型与复发机制之间的关系，推动脑膜瘤R/P预测模型向临床转化。