DeepGBM-Recure：融合自动分割、风险分层与复发空间定位的胶质母细胞瘤智能术后管理系统

　　本文提出并验证了DeepGBM-Recure系统，该系统基于术后常规FLAIR序列，通过三维nnU-Net实现术腔周围高信号区域的自动分割，结合影像组学与随机森林进行患者层面早期复发预测（AUC=0.76），并采用超体素分析实现体素级空间风险映射（AUC=0.80），为胶质母细胞瘤（GBM）的精准放疗靶区勾画和个体化随访提供了可临床应用的AI整合解决方案。

　　

研究亮点

DeepGBM-Recure作为首个集成自动化分割、患者层级风险分层与体素级空间定位的人工智能系统，为胶质母细胞瘤（GBM）术后管理提供全面解决方案。该系统通过三维nnU-Net框架实现术后FLAIR图像高信号区域的精准分割（平均Dice系数0.85±0.09），基于放射组学特征与随机森林分类器预测早期复发（受试者工作特征曲线下面积AUC=0.76），并采用超体素分析技术生成体素级复发风险热图（AUC=0.80），显著提升复发空间定位的准确性。该系统无需人工干预即可实现从常规MRI数据到临床可操作指导的无缝转换，为精准放疗靶区勾画和个体化随访策略制定提供重要依据。

研究人群

本多中心回顾性研究经四川大学华西医院伦理委员会批准（批号20251449），免签知情同意书。GBM数据来源于四个中心：一个内部队列（华西医院，WCH）和三个癌症影像档案馆（TCIA）公共数据集，包括常春藤胶质母细胞瘤图谱项目（Ivy GAP）、布尔登科胶质母细胞瘤进展数据集（BGPD）以及里奥霍尔特加大学医院数据集（RHUH-GBM）。

结果

本研究共纳入184例患者（男性118例，占64%；平均年龄55±12岁），其中110例来自WCH队列，35例来自RHUH-GBM数据集，22例来自Ivy GAP，17例来自BGPD。WCH和RHUH-GBM队列患者按8:2分层抽样随机分为训练集（n=116；男性84例，占72%；平均年龄56±11岁）和验证集（n=29；男性15例，占52%；平均年龄52±14岁）。独立测试集包含来自Ivy GAP和BGPD的39例患者（男性26例，占67%；平均年龄57±13岁）。所有患者均接受术后放疗并完成标准随访方案。

讨论

本研究开发并评估了DeepGBM-Recure——首个将自动化分割、患者层级复发预测和体素级空间定位融为一体的鲁棒性人工智能系统，用于GBM术后综合管理。这种协同三联架构建立了高效的临床工作流程：基于nnU-Net的分割提供标准化解剖结构输入，患者层级风险分层支持个性化随访计划制定，而体素级复发热图则指导精准放疗剂量绘制。与传统方法相比，我们的系统表现出三大核心优势：首先，通过完全自动化管道消除手动勾画的主观性和变异性；其次，利用常规FLAIR序列确保临床广泛适用性；第三，通过空间风险映射提供直观的视觉指导，助力临床决策。

结论

本研究建立了DeepGBM-Recure，这是首个完全集成的深度学习系统，统一了术后解剖结构自动分割、患者层级复发预测和体素级空间映射功能，用于胶质母细胞瘤管理。通过消除手动勾画并将复发风险分层与复发热点空间定位协同整合，我们的方法为精准神经肿瘤学提供了全面解决方案。未来研究方向将包括前瞻性多中心验证、放疗计划整合探索以及扩展到其他神经肿瘤适应症。