共计 1454 个字符，预计需要花费 4 分钟才能阅读完成。
人工智能（AI）在医学影像分析领域的应用正日益深入，特别是在识别人类观察者可能遗漏的模式方面。2025 年 4 月 24 日，一项发表在《新英格兰医学杂志 AI》上的研究表明，AI 辅助的脑部扫描解读可能为儿童胶质瘤患者提供更精准的护理。
胶质瘤虽然通常可以治疗，但复发的风险各不相同。来自麻省总医院布里格姆的研究人员与波士顿儿童医院和丹娜 - 法伯 / 波士顿儿童癌症和血液疾病中心的合作者共同训练了一种深度学习算法，该算法能够分析治疗后的连续脑部扫描，并标记出有癌症复发风险的患者。
“许多儿童胶质瘤仅通过手术即可治愈，但当复发时，可能会造成毁灭性后果，”麻省总医院布里格姆人工智能医学（AIM）项目及布里格姆妇女医院放射肿瘤科的通讯作者 Benjamin Kann 博士表示，“预测哪些患者可能面临复发风险非常困难，因此患者需要频繁进行磁共振（MR）成像随访多年，这一过程对儿童和家庭来说可能压力巨大且负担沉重。我们需要更好的工具来早期识别哪些患者复发风险最高。”
相对罕见的疾病，如儿童癌症的研究，往往因数据有限而受到挑战。这项研究由美国国立卫生研究院部分资助，利用全国范围内的机构合作伙伴关系，收集了 715 名儿科患者的近 4,000 次 MR 扫描。为了最大化 AI 从患者脑部扫描中“学习”的能力，并更准确地预测复发，研究人员采用了一种称为时间学习的技术。该技术训练模型综合手术后几个月内多次脑部扫描的结果，以提高预测的准确性。
通常，用于医学成像的 AI 模型被训练从单次扫描中得出结论；而时间学习以前从未用于医学成像 AI 研究。随着时间的推移获取的图像为算法预测癌症复发提供了更多信息。为了开发时间学习模型，研究人员首先训练模型按时间顺序排列患者术后的 MR 扫描，以便模型能够识别细微的变化。在此基础上，研究人员对模型进行了微调，以正确地将变化与随后的癌症复发关联起来。
最终，研究人员发现，时间学习模型在治疗后一年内预测低级别或高级别胶质瘤复发的准确率为 75-89%，远高于基于单次图像的预测准确率，后者约为 50%（不比随机猜测更好）。为 AI 提供治疗后更多时间点的图像提高了模型的预测准确性，但仅需四到六张图像即可达到这一改善的平稳期。
研究人员警告说，在临床应用之前，需要在更多环境中进行进一步验证。最终，他们希望启动临床试验，以了解 AI 提供的风险预测是否能够改善护理——无论是通过降低最低风险患者的成像频率，还是通过针对高风险患者进行靶向辅助治疗。
“我们已经证明，AI 能够有效地分析多张图像并做出预测，而不仅仅是单次扫描，”第一作者 Divyanshu Tak 硕士表示，他来自麻省总医院布里格姆的 AIM 项目及布里格姆放射肿瘤科。“这种技术可以应用于许多患者进行连续纵向成像的场景，我们很高兴看到这个项目将激发什么。”
来源：
[麻省总医院布里格姆](https://www.massgeneralbrigham.org/en/about/newsroom/press-releases/artificial-intelligence-predicts-pediatric-brain-cancer-relapse)
期刊参考：
Tak, D., _et al_. (2025) Longitudinal Risk Prediction for Pediatric Glioma with Temporal Deep Learning. _NEJM AI_. [doi.org/10.1056/AIoa2400703](http://doi.org/10.1056/AIoa2400703).
