脑膜瘤（Meningioma）是成年人群中最常见的原发性颅内肿瘤。由于该肿瘤的生物学行为异质性极高，部分组织学低级别脑膜瘤术后长期预后良好，而另一部分高侵袭性亚型则面临极高的术后复发风险。目前，临床上精准评估患者复发风险，直接决定了术后是否需要追加辅助放射治疗（Radiation therapy）以及术后影像学复查的窗口期。然而，传统的组织学WHO分级方法常遭遇预后预测盲区，而被视为金标准的高阶分子检测——DNA甲基化谱分析（DNA methylation profiling），因成本高昂、耗时长且依赖特定技术平台，导致其在全球多数基层医院难以常规开展。
近日，美国梅奥医学中心（Mayo Clinic）罗切斯特总部神经外科系主任 Gelareh Zadeh 教授团队领衔，联合多家科研机构在国际数字医疗知名期刊《柳叶刀-数字健康》（The Lancet Digital Health）上发表研究论文。研究团队开发出一种基于计算病理学的深度学习模型，实现了仅通过临床常规、标配的苏木精-伊红（H&E）染色全视野数字化病理切片，直接虚拟预测脑膜瘤的分子分型与复发风险，为建立高可及性的脑膜瘤精准预后分层方案提供了新路径。
为了打破分子诊断的技术与经济壁垒，研究团队依托梅奥医学中心平台（Mayo Clinic Platform）等去隐私化多中心临床数据库，系统整合了672名脑膜瘤患者的组织标本、高分辨率数字病理图像及完整随访临床数据。研究人员利用深度学习算法对H&E组织学图像进行多尺度子块（Tiles）特征提取，旨在挖掘隐藏在显微形态学表型之下的、与肿瘤分子生物学行为高度相关的空间微观病理特征。
多维度定量评估与预后生存分析显示，该深度学习模型在未引入任何实际基因测序数据的前提下，仅凭常规H&E切片图像，便实现了对脑膜瘤分子亚型的分类，并对其术后复发风险进行了风险分层。临床变量校正分析表明，在排除肿瘤WHO组织学分级、手术切除程度（Extent of resection）以及患者发病年龄等经典预后变量的干扰后，该AI模型的复发风险预测值依然具有显著的独立统计学价值，可作为新型的独立预后评估指标。
此外，该模型还展现出对抗肿瘤空间异质性的能力。通过对单张病理切片不同区域的形态学特征映射，算法能够识别肿瘤内部异质性（Tumor heterogeneity）的空间分布模式。这种肿瘤内部形态与微环境的空间差异，为解释部分在宏观上表现为低级别的脑膜瘤为何在临床中表现出强侵袭性或对放射治疗耐药，提供了关键的数字病理学线索。
论文通讯作者 Zadeh 教授表示，过去二十年间生物医学界积累了丰富的肿瘤基因组学与分子生物学认知，而计算病理学的发展能够将这些前沿的前瞻性共识固化为高效的数字化算法。该技术的终极目标是推动算法在全球范围内的开放与应用，使不具备基因测序条件的基层医疗机构，同样能够通过最基础的常规病理检查，获取具备高学术价值的精准预后分层支持。
研究团队指出，该深度学习模型在正式进入临床常规常规诊疗之前，仍需在更大规模的多中心、前瞻性临床试验（Prospective studies）队列中进行独立外部验证。该项研究不仅为脑膜瘤患者的个性化术后随访管理提供了全新工具，也为其他实体瘤开展“AI虚拟分子测序”提供了计算病理学范式。
参考文献：Alexander P Landry et al, Deep learning for H&E-based meningioma molecular classification and outcome prediction: a retrospective cohort study, The Lancet Digital Health (2026). DOI: 10.1016/j.landig.2026.100986
编辑：王洪
排版：李丽
评论 (0)