找回密码
 注册

Sign in with Twitter

It's what's happening?

微信登录

微信扫一扫,快速登录

查看: 131|回复: 0

柳叶刀系列 |儿童脑肿瘤评估进入 AI 时代:AI-RAPNO 最新权威综述发布!

[复制链接]
发表于 2025-12-2 15:46 | 显示全部楼层 |阅读模式

马上注册,结交更多好友,享用更多功能,让你轻松玩转社区。

您需要 登录 才可以下载或查看,没有账号?注册 微信登录

×
作者:微信文章
The Lancet Oncology

w1.jpg

要点速览

▶研究类型:方法学综述| IF:35.9 | JCR Q1

▶临床问题:儿童脑肿瘤影像评估高度依赖专家判读,但主观性强、一致性差、跨中心差异显著。AI 能否提升儿童神经肿瘤的诊断、反应评估与随访质量?

▶核心发现:

儿童并非“缩小版”成人:儿童脑肿瘤在组织病理学、分子特征及发育中的大脑背景下具有独特性,需要专门的AI工具。

从2D向3D的跨越:AI实现了肿瘤体积的自动分割与量化(3D),相比传统的二维(2D)测量更精准、更具重复性。

无创分子分型:影像组学(Radiomics)展现出预测肿瘤分子亚型(如髓母细胞瘤亚型、胶质瘤H3 K27M突变)的巨大潜力,有望辅助活检决策。

全生命周期关注:AI不仅关注肿瘤本身,还能监测治疗毒性(如脑萎缩、肌肉减少症),对儿童幸存者的长期生存质量至关重要。

w2.jpg

图片来源: RDNE Stock project on pexels

知识卡片

AI-RAPNO:AI-RAPNO是由国际儿童神经肿瘤疗效评估(Response Assessment in Pediatric Neuro-Oncology,RAPNO)工作组发起的,专注于推动 AI 在儿童神经肿瘤影像评估落地的全球性合作平台。

儿童神经肿瘤(Pediatric Neuro-Oncology)包括髓母细胞瘤、胶质瘤、弥漫性中线胶质瘤(Diffuse Midline Glioma,DMG)、室管膜瘤等,是儿童肿瘤相关死亡的主要原因之一。

为什么影像评估是核心:儿童脑肿瘤诊疗高度依赖 MRI以判断肿瘤大小、评估疗效和复发、估计预后、指导手术/放疗方案。

  这项研究为什么重要?

儿童中枢神经系统肿瘤是儿童最常见的实体瘤,尽管五年生存率有所提高,但治疗带来的长期神经认知缺陷和毒性反应严重影响患儿的一生。

传统的影像评估(如MRI手动测量)耗时、主观性强,且难以捕捉微小的体积变化或复杂的治疗反应(如区分伪进展)。此外,儿童肿瘤的分子异质性极高,反复活检风险大。

这项发表在顶级肿瘤学期刊《The Lancet Oncology》的综述,是国际RAPNO工作组首次系统性地定义了AI在儿童神经肿瘤中的应用版图。 它不仅总结了AI在自动分割、分子预测和毒性监测方面的最新突破,更强调了“儿童特异性”AI工具的重要性,为未来实现更精准、更安全的个性化诊疗奠定了基础。

  这项研究的设计有哪些亮点?

本研究由国际顶尖的神经肿瘤学、放射学及计算机科学家组成的AI-RAPNO工作组联合撰写。文章没有止步于单纯的技术罗列,而是以临床护理路径(Clinical Care Pathway)为轴线,系统梳理了AI在诊断、治疗决策、疗效评估及生存期监测全流程中的应用场景。

此外,研究特别针对儿童大脑“正在发育”这一核心特征,提出了区别于成人的评估维度,如脑龄预测和发育迟缓监测。

这项研究有哪些值得关注的结果?

1. 诊疗精度的飞跃:从2D到3D的自动化变革

AI技术突破了传统手动二维测量的局限,实现了肿瘤体积的全自动3D分割与量化。对于形状不规则或多灶性的儿童脑肿瘤,基于深度学习的模型(如nnU-Net)能更敏感地捕捉治疗后的微小体积变化,大大提升了疗效评估的一致性和准确性,减少了人为误差。

2. 诊断模式的创新:影像组学实现“虚拟活检”

AI展现了无创分子分型的巨大潜力。通过深度挖掘人眼无法识别的影像特征,AI不仅能高精度区分后颅窝肿瘤类型(如髓母细胞瘤与室管膜瘤),还能预测关键的分子亚型(如WNT/SHH型)及基因突变(如H3 K27M)。这意味着未来医生可能通过MRI就能预判肿瘤生物学行为,从而优化手术策略,减少不必要的侵入性活检。

3. 关注患儿全周期:独有的毒性与发育监测

与成人不同,AI-RAPNO特别强调对发育中大脑的保护。研究指出,AI工具可以量化正常脑组织的结构变化来预测“脑龄”,从而评估放化疗对神经认知的损伤;同时,还能自动测量颞肌厚度来监测患儿的营养和肌肉状况(恶病质),为幸存者的长期生存质量提供数据支持。

研究优势和局限性

优势

权威性与前瞻性: 由RAPNO官方认可,整合了全球跨学科专家的共识。

聚焦未满足需求: 弥补了儿童脑肿瘤领域在AI辅助评估标准上的缺失,强调了发育因素和长期生存质量。

全流程覆盖: 不仅关注肿瘤本身,还覆盖了从诊断分型到远期毒性监测的完整生命周期。

挑战与局限性

数据稀缺与孤岛:相比成人肿瘤,儿童脑肿瘤罕见,单一机构数据量小,限制了深度学习模型的训练与泛化能力。

模型可解释性差: “黑盒”性质使得临床医生难以完全信任AI做出的分子分型预测。

缺乏标准化:目前各类AI工具的训练数据、成像协议和验证方法千差万别,难以直接在临床普及。

伦理与责任:既然AI预测并非100%准确,若导致误诊或治疗延误,责任归属尚不明确。

总结与展望

AI-RAPNO的第一部分综述明确指出,人工智能正从纯科研工具转变为儿童神经肿瘤临床实践的潜在助手。AI不仅能让肿瘤测量更准、更快,更有望通过“挖掘”肉眼不可见的影像特征,实现无创的分子诊断和预后分层。

对于临床医生: 应开始关注AI辅助工具在提升阅片效率和量化评估中的价值,特别是3D体积测量和毒性监测工具的应用潜力。

对于科研同道: 未来的方向在于打破数据孤岛,建立多中心、标准化的儿童脑肿瘤影像数据库;同时开发具有“可解释性”的AI模型,并将其与基因组学等多组学数据结合。

对于患儿家庭: 虽然AI不能完全替代医生,但它带来的精准医疗技术(如更准确的药物反应评估、更早期的副作用发现)将为孩子争取更好的生存机会和生活质量。

原文引用

Kann BH, Vossough A, Brüningk SC, et al. Artificial Intelligence for Response Assessment in Pediatric Neuro-Oncology (AI-RAPNO), part 1: review of the current state of the art. Lancet Oncol. 2025;26(11):e597-e606. doi:10.1016/S1470-2045(25)00484-X                                                                                

文字|赵俊钢

审核|王俊波

排版|王  凡

w3.jpg

Better Evidence for Better Child Health

长按二维码关注我们

Die von den Nutzern eingestellten Information und Meinungen sind nicht eigene Informationen und Meinungen der DOLC GmbH.
您需要登录后才可以回帖 登录 | 注册 微信登录

本版积分规则

Archiver|手机版|AGB|Impressum|Datenschutzerklärung|萍聚社区-德国热线-德国实用信息网

GMT+1, 2025-12-10 08:53 , Processed in 0.089933 second(s), 31 queries .

Powered by Discuz! X3.5 Licensed

© 2001-2025 Discuz! Team.

快速回复 返回顶部 返回列表