《Science Advances》：术中一分钟成像加AI，预测胶质母细胞瘤会在哪里复发

《Science Advances》：术中AI画出胶质瘤复发风险地图

数据视角 × 医院信息化·临床医生 ｜ 事实报道 × AI技术供应商·创业者 ｜ 深度研报

9月25日，《Science Advances》在线发表加州大学旧金山分校（UCSF）与密歇根大学团队的研究：把受激拉曼组织学（SRH）与名为FastGlioma的视觉基础模型组合起来，在手术中预测胶质母细胞瘤（GBM）的局灶复发位置。UCSF官方新闻稿于9月28日跟进发布。

开场：GBM的复发几乎注定，问题只是在哪里

胶质母细胞瘤是最棘手的原发脑肿瘤之一。即使完成最大限度的安全切除，加上放疗与化疗，患者的中位生存期也只有17个月。更棘手的是它的复发模式：四分之三的复发发生在切除腔边缘，本研究队列的中位复发时间仅5.5个月。

这意味着复发在很大程度上是一个空间问题。肿瘤细胞早已浸润到影像学上看似正常的脑组织里，手术切缘之外几毫米处就可能埋着下一次复发的种子。神经外科医生在手术台上面临的抉择，从来不是切不切，而是在保护神经功能的前提下，往哪个方向多切一点、多切多少。脑组织不像肝脏或肺部那样留有宽裕的切除余量，每一毫米的激进都要用功能去换。过去，这个决策主要依赖术中病理与术者经验，时间成本高，空间分辨率也有限，切除边界最终落在哪个位置，很大程度上取决于医生个人的判断习惯。

复发不是随机事件，它有地图。问题在于，过去没有人能在手术结束之前把这张地图画出来。

一分钟成像：不等病理科，手术台上直接看肿瘤浸润

这项研究的技术底座是受激拉曼组织学。SRH利用激光与组织分子化学键的相互作用成像，新鲜、未处理的手术组织取样后直接上机，不足一分钟即可得到类似病理切片的显微图像，完全绕过常规病理的固定、包埋与染色流程。对术中场景而言，这个速度是决定性的：手术还在进行，医生就能基于新鲜图像做下一步决策，而不是等术后病理报告回来再复盘。

这套组合的逻辑分工很清晰：SRH负责把组织变成图像，而且变得足够快；模型负责把图像变成数字，而且变得足够稳定。两者缺一不可——没有快速成像，模型再好也只能在术后工作；没有模型，快速成像仍要依赖稀缺的人类读片者。

在SRH图像之上，研究团队接入了FastGlioma——一个基于超11000例脑肿瘤标本训练的视觉基础模型。所谓基础模型，是指在大规模数据上预训练、可迁移到多种下游任务的通用表征模型：它先在海量标本上学会脑肿瘤组织的通用视觉规律，再被具体任务调用。在这里，它的任务被收敛为输出一个肿瘤浸润评分，量化每一份取样组织被肿瘤浸润的程度，把病理医生眼中需要多年训练的形态学判断，压缩成一个可以即时读取、跨设备复现的数值。

在手术室里，时间就是最贵的试剂。把读片从数小时压缩到一分钟，改变的不只是速度，而是病理信息第一次有资格进入术中决策。

11000例标本训出的评分，比分子特征更能预测复发

研究采用多国队列共84例IDH野生型GBM患者，其中UCSF 60例、维也纳医科大学24例。UCSF的60例贡献约300份样本用于建模，另有20例的约100份样本用于前瞻性内部验证。研究者在切除腔边缘多个位点取样，记录图像与浸润评分，并随访各取样点邻近区域日后是否出现复发。

结果分三个层次，层层递进。第一，单独使用AI浸润评分预测复发部位，表现约等于常规病理——一台仪器加一个模型，追平了病理科的标准流程。第二，当浸润评分与临床、影像、分子数据结合，模型区分会与不会复发部位的能力显著提升。第三，也是最具冲击力的一条：在研究者比较的六个机器学习模型中，浸润评分是其中五个的最强单一预测因子，信息量超过肿瘤的分子特征。

这一点值得临床读者停下来想一想。过去十年，GBM的预后判断越来越依赖分子分型，而这项研究提示：在预测局部复发这个具体问题上，一张术中新鲜组织的图像所携带的信息，比分子检测更直接，也更贴近手术正在发生的那个时刻。原因不难理解——分子特征描述的是肿瘤的平均属性，浸润评分描述的是肿瘤与特定脑区交界处的真实状态，后者才是复发的发生地。

5到10毫米的定位精度，能改变什么

模型可以把复发定位于取样点周围5至10毫米的范围内。这个数字的临床含义，必须结合具体治疗手段来看。

对手术而言，它提示哪些方位值得在神经功能允许的前提下安全扩大切除；对放疗而言，它提供了聚焦加量的空间坐标，而不是对整个切除腔均匀覆盖；对局部治疗而言，瘤内给药等正在探索的手段，第一次有了基于复发风险分布的投放依据。三者的共同点在于，它们都是空间精度敏感型干预：给对位置，收益放大；给错位置，徒增损伤。它把术后随访时才发现复发的被动模式，推向术中即干预的主动模式。

预测的价值不在预测本身，而在于它把复发从一个术后才发现的结局，变成一个术中就可以下注的变量。

冷静观察：预测复发位置只是第一步，延长生存的证据还在路上

这项研究的边界同样清楚，而且作者没有回避。模型在单中心数据上训练，样本量小，分析以回顾性为主，前瞻验证的20例也只是同一中心的内部验证。维也纳的24例提供了跨中心信号，但距离真正的外部独立验证还有距离。更关键的是，研究尚未证明这种预测能延长生存——知道复发会在哪里发生，与通过干预改变结局，之间隔着一整条证据链。

从9月25日论文在线发表，到9月28日UCSF新闻稿跟进，这条传播路径也提示其仍处在学术成果阶段，而非可采购的临床产品。对医院与AI供应商而言，FastGlioma展示的是一条可行的技术路线：术中快速成像加基础模型评分，把原本属于病理科的信息前置到手术台上。但路线的可行性不等于适应症的成立，单中心训练出的评分能否在不同人群、不同设备、不同术者手中保持稳定，需要更大规模的多中心前瞻研究来回答。更根本的问题只有一个：基于风险地图调整切除范围或放疗计划的患者，是否真的活得更久。在那之前，这张地图是导航，不是判决书。

---

原文链接：source

千方医数集编辑部 出品