柳叶刀系列 |儿童脑肿瘤评估进入 AI 时代:AI-RAPNO 最新权威综述发布!

多客科技

作者：微信文章
The Lancet Oncology



要点速览

▶研究类型：方法学综述| IF：35.9 | JCR Q1

▶临床问题：儿童脑肿瘤影像评估高度依赖专家判读，但主观性强、一致性差、跨中心差异显著。AI 能否提升儿童神经肿瘤的诊断、反应评估与随访质量？

▶核心发现：

儿童并非“缩小版”成人：儿童脑肿瘤在组织病理学、分子特征及发育中的大脑背景下具有独特性，需要专门的AI工具。

从2D向3D的跨越：AI实现了肿瘤体积的自动分割与量化（3D），相比传统的二维（2D）测量更精准、更具重复性。

无创分子分型：影像组学（Radiomics）展现出预测肿瘤分子亚型（如髓母细胞瘤亚型、胶质瘤H3 K27M突变）的巨大潜力，有望辅助活检决策。

全生命周期关注：AI不仅关注肿瘤本身，还能监测治疗毒性（如脑萎缩、肌肉减少症），对儿童幸存者的长期生存质量至关重要。



图片来源： RDNE Stock project on pexels

知识卡片

AI-RAPNO：AI-RAPNO是由国际儿童神经肿瘤疗效评估（Response Assessment in Pediatric Neuro-Oncology，RAPNO）工作组发起的，专注于推动 AI 在儿童神经肿瘤影像评估落地的全球性合作平台。

儿童神经肿瘤（Pediatric Neuro-Oncology）包括髓母细胞瘤、胶质瘤、弥漫性中线胶质瘤（Diffuse Midline Glioma，DMG）、室管膜瘤等，是儿童肿瘤相关死亡的主要原因之一。

为什么影像评估是核心：儿童脑肿瘤诊疗高度依赖 MRI以判断肿瘤大小、评估疗效和复发、估计预后、指导手术/放疗方案。

  这项研究为什么重要？

儿童中枢神经系统肿瘤是儿童最常见的实体瘤，尽管五年生存率有所提高，但治疗带来的长期神经认知缺陷和毒性反应严重影响患儿的一生。

传统的影像评估（如MRI手动测量）耗时、主观性强，且难以捕捉微小的体积变化或复杂的治疗反应（如区分伪进展）。此外，儿童肿瘤的分子异质性极高，反复活检风险大。

这项发表在顶级肿瘤学期刊《The Lancet Oncology》的综述，是国际RAPNO工作组首次系统性地定义了AI在儿童神经肿瘤中的应用版图。 它不仅总结了AI在自动分割、分子预测和毒性监测方面的最新突破，更强调了“儿童特异性”AI工具的重要性，为未来实现更精准、更安全的个性化诊疗奠定了基础。

  这项研究的设计有哪些亮点?

本研究由国际顶尖的神经肿瘤学、放射学及计算机科学家组成的AI-RAPNO工作组联合撰写。文章没有止步于单纯的技术罗列，而是以临床护理路径（Clinical Care Pathway）为轴线，系统梳理了AI在诊断、治疗决策、疗效评估及生存期监测全流程中的应用场景。

此外，研究特别针对儿童大脑“正在发育”这一核心特征，提出了区别于成人的评估维度，如脑龄预测和发育迟缓监测。

这项研究有哪些值得关注的结果?

1. 诊疗精度的飞跃：从2D到3D的自动化变革

AI技术突破了传统手动二维测量的局限，实现了肿瘤体积的全自动3D分割与量化。对于形状不规则或多灶性的儿童脑肿瘤，基于深度学习的模型（如nnU-Net）能更敏感地捕捉治疗后的微小体积变化，大大提升了疗效评估的一致性和准确性，减少了人为误差。

2. 诊断模式的创新：影像组学实现“虚拟活检”

AI展现了无创分子分型的巨大潜力。通过深度挖掘人眼无法识别的影像特征，AI不仅能高精度区分后颅窝肿瘤类型（如髓母细胞瘤与室管膜瘤），还能预测关键的分子亚型（如WNT/SHH型）及基因突变（如H3 K27M）。这意味着未来医生可能通过MRI就能预判肿瘤生物学行为，从而优化手术策略，减少不必要的侵入性活检。

3. 关注患儿全周期：独有的毒性与发育监测

与成人不同，AI-RAPNO特别强调对发育中大脑的保护。研究指出，AI工具可以量化正常脑组织的结构变化来预测“脑龄”，从而评估放化疗对神经认知的损伤；同时，还能自动测量颞肌厚度来监测患儿的营养和肌肉状况（恶病质），为幸存者的长期生存质量提供数据支持。

研究优势和局限性

优势

权威性与前瞻性： 由RAPNO官方认可，整合了全球跨学科专家的共识。

聚焦未满足需求： 弥补了儿童脑肿瘤领域在AI辅助评估标准上的缺失，强调了发育因素和长期生存质量。

全流程覆盖： 不仅关注肿瘤本身，还覆盖了从诊断分型到远期毒性监测的完整生命周期。

挑战与局限性

数据稀缺与孤岛：相比成人肿瘤，儿童脑肿瘤罕见，单一机构数据量小，限制了深度学习模型的训练与泛化能力。

模型可解释性差： “黑盒”性质使得临床医生难以完全信任AI做出的分子分型预测。

缺乏标准化：目前各类AI工具的训练数据、成像协议和验证方法千差万别，难以直接在临床普及。

伦理与责任：既然AI预测并非100%准确，若导致误诊或治疗延误，责任归属尚不明确。

总结与展望

AI-RAPNO的第一部分综述明确指出，人工智能正从纯科研工具转变为儿童神经肿瘤临床实践的潜在助手。AI不仅能让肿瘤测量更准、更快，更有望通过“挖掘”肉眼不可见的影像特征，实现无创的分子诊断和预后分层。

对于临床医生： 应开始关注AI辅助工具在提升阅片效率和量化评估中的价值，特别是3D体积测量和毒性监测工具的应用潜力。

对于科研同道： 未来的方向在于打破数据孤岛，建立多中心、标准化的儿童脑肿瘤影像数据库；同时开发具有“可解释性”的AI模型，并将其与基因组学等多组学数据结合。

对于患儿家庭： 虽然AI不能完全替代医生，但它带来的精准医疗技术（如更准确的药物反应评估、更早期的副作用发现）将为孩子争取更好的生存机会和生活质量。

原文引用

Kann BH, Vossough A, Brüningk SC, et al. Artificial Intelligence for Response Assessment in Pediatric Neuro-Oncology (AI-RAPNO), part 1: review of the current state of the art. Lancet Oncol. 2025;26(11):e597-e606. doi:10.1016/S1470-2045(25)00484-X                                                                                

文字｜赵俊钢

审核｜王俊波

排版｜王  凡



Better Evidence for Better Child Health

长按二维码关注我们