本研究由Dan Cheng、Zhizheng Zhuo、Jiang Du等作者共同完成，主要来自北京天坛医院、北京神经外科研究所、Neusoft集团等机构，发表在《Clinical Cancer Research》期刊上。研究旨在开发并验证一种基于深度学习的全自动模型，用于预测后颅窝室管膜瘤（posterior fossa ependymomas, PF-EPNs）的分子亚型（PFA和PFB），仅使用T2加权磁共振成像（T2-weighted MRI, T2W MRI）图像。
后颅窝室管膜瘤（PF-EPNs）是儿童第三常见的后颅窝肿瘤，但也可能发生在任何年龄段。根据2021年世界卫生组织（WHO）的中枢神经系统肿瘤分类，PF-EPNs被分为两种分子亚型：PFA和PFB。这两种亚型在遗传、表观遗传和转录组特征上存在显著差异，直接影响临床治疗策略和预后。目前，确定分子亚型的唯一可靠方法是通过侵入性脑活检或手术切除获取肿瘤组织，但这种方法昂贵且不易普及。因此，开发一种非侵入性的方法来预测PFA和PFB亚型对临床决策和预后预测具有重要意义。
研究流程包括数据收集、模型开发、内部测试、外部验证和前瞻性验证。具体步骤如下：
数据收集：研究回顾性纳入了227例PF-EPNs患者（开发集和内部测试集），所有患者均具有术前T2W MRI图像和分子亚型信息。此外，研究还纳入了来自Sanbo脑医院和约翰霍普金斯大学的40例外部独立测试集（Subset-1和Subset-2）以及27例前瞻性验证集。
模型开发：研究基于3D nnU-Net框架开发了一种名为T2-nnU-Net的深度学习模型，用于肿瘤分割和分子亚型预测。模型输入为T2W MRI图像，输出为肿瘤分割和分子亚型（PFA或PFB）的预测结果。模型训练目标为Dice系数和交叉熵损失函数的组合，训练过程使用随机梯度下降法，初始学习率为0.01，训练200个epoch。
内部测试：在内部测试集中，T2-nnU-Net的肿瘤分割Dice系数为0.94±0.02，分子亚型预测的AUC为0.93，准确率为88.9%。
外部验证：在外部测试集中，模型的AUC为0.99，准确率为92.5%。在前瞻性验证集中，模型的AUC为0.93，准确率为89.3%。
数据分析：研究使用Dice系数评估肿瘤分割性能，使用受试者工作特征曲线（ROC）分析分子亚型预测性能。此外，研究还比较了T2-nnU-Net与基于人口统计学和影像学特征的预测模型的性能。
肿瘤分割：T2-nnU-Net在内部测试集中的肿瘤分割Dice系数为0.94±0.02，表明模型在肿瘤分割方面表现优异。
分子亚型预测：在内部测试集中，T2-nnU-Net的分子亚型预测AUC为0.93，准确率为88.9%。在外部测试集中，模型的AUC为0.99，准确率为92.5%。在前瞻性验证集中，模型的AUC为0.93，准确率为89.3%。
模型比较：T2-nnU-Net的预测性能优于或与基于人口统计学和影像学特征的预测模型相当（AUC范围为0.87至0.95）。此外，模型的性能并未因加入年龄信息而显著提升，表明T2-nnU-Net提取的MRI特征可能已包含年龄信息。
研究成功开发并验证了一种全自动深度学习模型，能够仅使用T2W MRI图像准确分割PF-EPNs并预测其分子亚型。该模型在多个数据集上表现优异，具有较高的临床转化潜力，能够作为非侵入性工具辅助临床决策和指导患者管理。
研究还探讨了模型的潜在临床应用，例如通过调整投票阈值来适应不同的临床需求。此外，研究指出，尽管DNA甲基化分析的结果支持了模型的预测能力，但由于样本量有限，仍需进一步验证。
总体而言，本研究为PF-EPNs的分子亚型预测提供了一种高效、非侵入性的解决方案，具有重要的科学价值和临床应用前景。