髓母细胞瘤（Medulloblastoma）是儿童和青少年中 常见的恶性中枢神经系统肿瘤。与许多其他肿瘤一样，髓母细胞瘤也有恶性等级之分，对应着不同的风险。分子亚型测试（Molecular Subgrouping）是目前经过世界卫生组织（WHO）认证的髓母细胞瘤风险分级的 有效方法。然而，目前的分子亚型测试方法，比如RNA测序和DNA甲基化分析，面临着流程复杂，成本高昂，完全依赖于手术后对肿瘤组织进行分析的问题。这些阻碍呼唤着新方法的出现。

新的证据表明，病人的磁共振成像（MRI）具有可通过机器学习（ML）挖掘的人类视觉认知之外的微妙信息，他们往往与不同癌症类型的结果有着关联性。然而，少数几项在髓母细胞瘤中试验影像数据和机器学习方法的研究由于样本量小以及磁共振成像特征识别有限，结果大多并不明确。

近日，斯坦福大学 王嫣然 博士、北京天坛医院 宫剑 教授等人在 Cancer Cell 期刊上发表了一篇题为 Advancing presurgical non-invasive molecular subgroup prediction in medulloblastoma using artificial intelligence and MRI signatures 的研究论文。该研究提出了一种全新的基于人工智能的手术前核磁共振分子亚型诊断方法，该方法提供了无创低成本的分子亚型预测方案。这一突破性进展为肿瘤无创分子亚型诊断，以及髓母细胞瘤的精准医疗开辟了新途径。

该文章的研究结果有：

一、分子亚型分类结果

在所有的分类任务中，都达到了不错的性能，AUC指标均超过80%， F1-score指标均超过70%。其中WNT, SHH, non-WNT/non-SHH的三分类任务上，内部交叉验证数据集、外部验证测试集、连续验证测试集的AUC分别为0.851, 0.808, 0.900, F1-score的指标分别为0.722, 0.711, 0.850。而在Group 3 和Group 4（合并称为non-WNT/non-SHH）的二分类任务上，三个数据集的AUC指标分别为0.822, 0.859, 0.852, F1-score分别为0.837, 0.838, 0.833。

研究团队通过综合分析计算机和手动MR影像特征，提升了分子亚型预测的诊断性能。作者评估了三类输入方案：放射组学特征、手动MR影像特征，以及两者结合。结果显示，纯放射组学方案在三类分类器中取得了平均AUC 0.821，而手动特征为0.771，结合方案则 高，达0.853。同样，二分类器中结合方案表现 佳，平均AUC 0.844。

二、特征重要性分析和放射组学-分子特征的关联

作者通过Shapley分析深入评估了各输入特征对机器学习模型预测准确性的贡献。结果显示，肿瘤内部特征在三分类器和二分类器中的相对重要性分别为68.0%和78.7%。机器生成的特征在三分类器和二分类器中的贡献分别为74.9%和80.0%。在三分类器中，主要特征来源于T1E和T2 MRI图像（机器自动提取特征），而来自人类提取的特征的贡献占比25.1%。在二分类器中，特征在T1E和T2 MRI图像中均衡分布，且来自肿瘤内部和周围区域，来自人类提取的特征的贡献占比20.0%。热图显示两个分类器使用的放射组学特征均与NanoString基因特征显著相关。

同时作者还得到了以下三个结论：1. 肿瘤位置与分子亚型高度相关， 2. 诊断时的颅内实体转移具有高度的亚型特异性， 3. 原发性肿瘤增强模式在不同分子亚型中具有显著差异。

三、影像表型和血管密度分析

研究团队通过对16个随机固定标本进行3D免疫染色，评估髓母细胞瘤分子亚型的影像表型与血管密度。利用抗CD31抗体染色靶向内皮细胞，分析血管密度。结果显示，WNT亚型的血管密度 高，平均为10.3%，其次是第3组（5.5%）、第4组（4.7%）和SHH（4.2%）。WNT亚型在T1增强MRI上表现出 显著的增强。SHH和第4组亚型的增强显著低于第3组，可能是由于血脑屏障的完整性限制了对比剂进入肿瘤。

四、临床病理特征和生存分析

此外，作者还探讨了不同地区和治疗方式对生存率的影响。研究发现，东亚患者接受了更积极的肿瘤切除，56.82%的患者进行了全切除（GTR），37.96%的患者进行了近全切除（NTR），而在北美，51.85%的患者进行了全切除，24.69%的患者进行了近全切除。然而，不同切除程度对整体生存率无显著影响（p = 0.7）。在特定分子亚型中，WNT亚型患者中，次全切除（STR）表现出 差的预后效果（p = 0.00072），但在SHH、第3组和第4组亚型中，切除程度对生存率没有显著影响。

尽管没有发现东亚和北美患者在总体生存率上有显著差异，但东亚患者在术前出现脑积水的比例显著高于北美患者，分别为81.32%和43.51%（p < 0.0001）。这可能反映了诊断时间的差异，北美患者可能在肿瘤尚未发展到阻塞脑脊液循环之前就得到了及时诊断。

进一步的分析表明，不同分子亚型的患者在临床病理特征和预后方面存在显著差异。WNT亚型患者的预后 好，三年生存率为91.7%，五年生存率为88.3%。SHH亚型在4-16岁范围内，TP53突变的患者预后显著差于TP53野生型患者。第3组亚型的患者预后较差，与第4组相比，显示出更高的恶性和更低的生存率（p = 0.0089）。

总之，作者开发了一种结合机器学习和术前MRI图像的人工智能诊断流程，用于非侵入性预测髓母细胞瘤的分子亚型。通过对689名患者的全面验证，结果显示该方法在术前准确预测分子亚型方面表现出色（AUC ≥ 0.8，F1-score ≥ 0.7）。同时，研究发现，东亚患者接受了更积极的肿瘤切除，56.82%的患者进行了全切除（GTR），而北美为51.85%，但不同切除程度对整体生存率无显著影响。在特定分子亚型中，WNT亚型患者中，次全切除（STR）表现出 差的预后效果。这些结果表明，本文的AI方法有助于减少健康差异，提前风险分层，并推进个性化治疗。

本文的研究展示了基于MRI数据的机器学习方法增强现有的分子亚型的预测的潜力，并为术前非侵入性分子诊断髓母细胞瘤提供一种可能的途径。如果在临床环境中得到确认，这可以显著推进髓母细胞瘤患者的诊断和治疗策略。此外，本研究的基础开放数据集可以用于推进全球髓母细胞瘤的研究，帮助更好地理解、识别髓母细胞瘤的风险分层和提高全球患者的生存率。

王嫣然博士表示：“我们希望通过人工智能技术的应用， 诊断癌症的分子亚型。让医疗资源能够在全球范围内实现更均衡、更高效的分配，尤其是那些虽拥有MRI成像设备，却缺乏高端分子诊断技术的国家与地区。”

原文摘要（Abstract）

Global investigation of medulloblastoma has been hindered by the widespread inaccessibility of molecular subgroup testing and paucity of data. To bridge this gap, we established an international molecularly characterized database encompassing 934 medulloblastoma patients from thirteen centers across China and the United States. We demonstrate how image-based machine learning strategies have the potential to create an alternative pathway for non-invasive, presurgical, and low-cost molecular subgroup prediction in the clinical management of medulloblastoma. Our robust validation strategies—including cross-validation, external validation, and consecutive validation—demonstrate the model’s efficacy as a generalizable molecular diagnosis classifier. The detailed analysis of MRI characteristics replenishes the understanding of medulloblastoma through a nuanced radiographic lens. Additionally, comparisons between East Asia and North America subsets highlight critical management implications. We made this comprehensive dataset, which includes MRI signatures, clinicopathological features, treatment variables, and survival data, publicly available to advance global medulloblastoma research.

​