本文报告了一项关于利用GPT-4的Advanced Data Analysis (ADA)功能自主开发机器学习模型（MLMs）以预测胶质瘤分子类型的研究。该研究由Martha Foltyn-Dumitru、Aditya Rastogi、Jaeyoung Cho等作者共同完成，发表于2025年的《Neuro-Oncology Advances》期刊。研究的主要目的是探索GPT-4在基于MRI影像组学（radiomics）的胶质瘤分子类型预测中的潜力，并与手工构建的机器学习模型进行性能对比。

研究背景

胶质瘤是中枢神经系统中最常见的原发性恶性肿瘤，其分子类型（如IDH突变状态和1p/19q共缺失状态）对患者的治疗和预后具有重要影响。传统的分子分型方法依赖于侵入性的组织活检，而基于影像组学的机器学习模型提供了一种非侵入性的替代方案。影像组学通过从医学影像中提取高维定量特征（如形状、纹理和强度指标），能够提供超越视觉评估的疾病特征信息。然而，现有的影像组学模型通常需要大量的技术知识和手工调优，限制了其在临床中的广泛应用。GPT-4作为一种大型语言模型（LLM），具备自主开发机器学习模型的能力，可能为这一领域带来新的突破。

研究流程

研究分为以下几个步骤：

1. 数据收集与预处理：研究纳入了615名新诊断的胶质瘤患者，所有患者均接受了术前MRI扫描，并根据IDH和1p/19q状态分为三类：IDH野生型（IDH-wt）、IDH突变且1p/19q共缺失（IDH-mut codel）和IDH突变但1p/19q非共缺失（IDH-mut non-codel）。MRI图像经过预处理，包括脑组织提取、图像配准和肿瘤区域分割。

2. 影像组学特征提取：使用Python的PyRadiomics库从MRI图像中提取了377个影像组学特征，涵盖形状、一阶统计量、灰度共生矩阵（GLCM）等多个类别。

3. 机器学习模型开发：研究将数据集分为训练集和测试集，使用GPT-4的ADA功能自主开发了一个随机森林分类器，并与手工构建的支持向量机（SVM）模型进行对比。GPT-4模型通过文本提示进行训练和测试，最终生成分类概率。

4. 外部验证：研究还使用了两个公开的胶质瘤数据集（D2和D3）进行外部验证，以评估模型的泛化能力。

主要结果

研究结果显示，GPT-4在D3数据集上达到了最高的准确率（0.820，95% CI = 0.819-0.821），显著优于手工构建的SVM模型（准确率为0.678，95% CI = 0.677-0.680）。然而，GPT-4在不同胶质瘤类型中的表现存在差异。在IDH野生型组中，GPT-4的召回率（recall）达到了0.997，显著高于SVM模型的0.742。但在IDH突变且1p/19q非共缺失组中，GPT-4的召回率仅为0.275，低于SVM模型的0.426。在IDH突变且1p/19q共缺失组中，GPT-4的表现也较差。

结论

研究表明，GPT-4能够自主开发基于影像组学的机器学习模型，并在某些情况下达到与手工构建模型相当的性能。然而，由于数据集的不平衡性，GPT-4在处理某些胶质瘤类型时表现较差，表明其在处理端到端机器学习流程时仍存在局限性。尽管如此，GPT-4的自动化能力为临床医生提供了便捷的工具，降低了机器学习模型开发的技术门槛。

研究亮点

1. 自动化建模：GPT-4能够自主开发影像组学模型，减少了对手工调优的依赖。
2. 性能对比：GPT-4在整体准确率上与手工构建的SVM模型相当，但在处理不平衡数据集时表现较差。
3. 临床应用潜力：该研究展示了GPT-4在医学影像分析中的潜力，为临床医生提供了新的工具。

研究意义

该研究为胶质瘤的分子分型提供了一种非侵入性的预测方法，展示了GPT-4在医学影像分析中的应用前景。尽管GPT-4在处理不平衡数据集时存在局限性，但其自动化能力为未来的医学研究提供了新的方向。通过进一步优化模型和数据集，GPT-4有望在临床实践中发挥更大的作用。

其他有价值的内容

研究还讨论了GPT-4在临床应用中面临的挑战，包括数据隐私、模型可解释性和伦理问题。未来的研究需要进一步探索如何在不影响数据安全的前提下，充分利用GPT-4的自动化能力。