01
文献学习
今天分享的文献是由浙江大学医学院附属第二医院等团队于2026年3月在《Journal of Translational Medicine》（中科院2区，IF=7.5）上发表的研究"Radiomics in glioblastoma recurrence: advances in prediction, localization, and differentiation from treatment-related effects"即放射组学在胶质母细胞瘤复发中的应用：复发预测、定位及与治疗相关效应鉴别研究进展，该综述系统总结了影像组学在胶质母细胞瘤（GBM）复发管理中的最新进展，涵盖复发模式表征、术前与术后复发风险预测、复发空间定位，以及真性复发与治疗相关效应（假性进展、放射性坏死）的鉴别。文章还讨论了当前技术挑战（数据异质性、泛化性差、生物学可解释性不足）和未来方向（多中心验证、标准化成像、深度学习整合）。影像组学作为一种非侵入性定量分析方法，在改善GBM复发评估中展现出显著的转化潜力。
创新点：①多维度复发预测模型 ：整合术前/术后影像、分子标志物（IDH、MGMT）及临床变量，构建可解释决策树模型 实现复发风险分层。②空间复发定位技术 ：采用体素级机器学习 （如SVMPE）预测复发高危区域，突破传统均匀放疗边界，支持个性化靶区勾画。③治疗效应精准鉴别 ：结合多模态MRI（DWI、DCE、PET）与放射组学，高精度区分真性复发与假性进展/放射性坏死。
临床价值：①指导个体化治疗 ：术前预测复发风险，帮助选择手术范围、辅助治疗强度 及随访频率，改善患者预后。②优化放疗计划 ：通过复发概率图谱 指导剂量雕刻 ，精准覆盖浸润区，减少正常组织损伤。③减少有创活检 ：无创鉴别复发与治疗后改变，避免误诊导致过度治疗或延误治疗，降低医疗风险。
图 2：标准化放射组学工作流程示意图
02
研究背景
胶质母细胞瘤（GBM）是最具侵袭性的原发性脑肿瘤，尽管采用最大安全手术切除 联合放疗和替莫唑胺化疗 的标准治疗方案，患者的中位生存期仍仅为约15个月，且几乎所有患者均在治疗后6-9个月内出现肿瘤复发 。复发的管理高度依赖影像学评估，然而常规MRI在区分真性肿瘤复发 与治疗相关效应 （包括假性进展和放射性坏死）方面存在严重缺陷------两者均可表现为新发或扩大的对比强化病灶，导致影像学特征高度重叠。假性进展通常发生于放化疗后3个月内，本质为炎症和血脑屏障破坏，可自行缓解；放射性坏死则多见于治疗后3-12个月，为不可逆的辐射性损伤。然而，两者的治疗策略与真性复发截然不同：复发需积极干预（再手术、靶向治疗等），而治疗相关效应多采取保守观察。误诊不仅可能导致对假性进展的不必要有创干预 ，更会延误复发患者的有效治疗时机 ，严重影响预后。此外，GBM的复发模式复杂多样（局部、远处、多灶、弥漫性），进一步增加了影像判读的难度。因此，迫切需要开发非侵入性、可量化的影像标志物，以精准预测复发风险、定位复发部位并鉴别复发与治疗相关效应，从而指导个性化治疗决策。
图 1：GBM复发模式示意图
局部复发
位置：原肿瘤边缘/手术残腔≤2cm范围内
影像特征：对比增强T1WI呈结节状/厚壁不规则强化
临床占比：>80%，最常见复发类型
边界：清晰/较清晰
远处复发
位置：手术残腔>2cm的远隔部位
影像特征：线性/结节状强化，边界清晰
临床意义：提示肿瘤远距离侵袭
多灶性复发
数量：≥2个独立强化病灶
边界：病灶边界大部分/完全清晰，病灶间为正常脑信号
机制：肿瘤广泛浸润/室管膜下播散
弥漫性复发
位置：原发灶中心/距残腔>3cm
核心特征：≥50%的病灶边界模糊不清
影像特征：弥漫性浸润样强化，无明确边界
03
放射组学在GBM复发中的应用
①复发风险预测
术前：通过PET/MRI代谢、灌注特征，识别易早期复发的高危病灶。
术后：结合多模态MRI+临床/分子标志物（年龄、KPS评分、MGMT甲基化等）构建模型，预测复发风险，AUC多在0.75-0.85。
②复发部位精准定位
80%以上GBM为术腔2cm内的局部复发，放射组学可通过体素/区域分析，绘制复发风险图谱，指导手术切缘与放疗靶区规划。
③区分复发与治疗相关效应（PsP、RN）
✅复发 vs. 放射性坏死（RN）
结合常规MRI、DWI、PWI、PET等，构建模型区分术后复发与放射性坏死。
✅复发 vs. 假性进展（PsP）
利用灌注和扩散异质性特征，区分早期治疗后出现的假性进展与真性复发。
✅复发 vs. 广义治疗相关效应（TrE）
结合增强区和瘤周水肿区的多区域特征，提升鉴别能力。
④其他临床价值
无创预测GBM患者总生存期、无进展生存期；
预判关键分子标志物（IDH突变、MGMT启动子甲基化），辅助分子分型。
图 3：放射组学在GBM中作用的示意图
04
当前挑战与未来方向
当前挑战：①数据异质性与过拟合 ：多为单中心、小样本回顾性研究，特征维度远超样本量，易捕捉噪声而非真实信号。② 缺乏外部验证 ：缺少多中心前瞻性验证，模型在外部队列中性能显著下降，临床可靠性不足。③影像标准化不足 ：MRI采集参数、预处理及分割方法差异大，导致特征不稳定，跨中心可重复性差。④生物学可解释性差：影像特征与肿瘤分子机制关联弱，临床决策可信度低，难以指导个体化治疗。
未来方向：①多中心标准化协议 ：统一MRI采集与后处理流程，采用ComBat等协调策略，提升模型泛化能力。② 深度学习与动态分析 ：引入delta-radiomics捕捉治疗前后影像演变，结合自监督学习减少手工特征依赖。③影像-基因组学整合 ：联合分子标志物（IDH、MGMT）与临床变量，构建生物学可解释的多模态模型。④液体活检协同：整合ctDNA等动态监测技术，实现复发风险实时分层与适应性治疗决策。
参考文献：Zhang T, Zhu H, Sun H, Chen Y, Sun X, Wu Y, Wang B, Zhu Y, Zhang A, Wang K, Pan Y. Radiomics in glioblastoma recurrence: advances in prediction, localization, and differentiation from treatment-related effects. J Transl Med. 2026 Mar 10;24(1):516. doi: 10.1186/s12967-026-07971-z.
文献分享 · 目录
上一篇NPJ Digit Med（IF=15.1）美国威尔康奈尔医学院等团队：基于可解释多模态深度学习预测肌层浸润性膀胱癌对新辅助化疗的应答下一篇Insights Imaging（IF=4.5）上海市肺科医院王茵等团队：基于灰度超声放射组学表征胸膜下肺病变
阅读原文
阅读 452
脑胶质瘤的治疗新进展