论文标题：Predicting Neuroblastoma Patient Risk Groups, Outcomes, and Treatment Response Using Machine Learning Methods: A Review

论文链接：https://www.mdpi.com/2076-3271/12/1/5

期刊名：Medical Sciences

期刊主页：https://www.mdpi.com/journal/medsci

神经母细胞瘤作为婴幼儿最常见的颅外实体恶性肿瘤，其高度异质性和复杂临床表现一直是临床治疗的重大挑战。近日，英国诺丁汉特伦特大学科学与技术学院与剑桥大学阿登布鲁克斯医院细胞与分子病理学部门的Leila Jahangiri博士在 Medical Sciences 期刊上发表了一篇题为《利用机器学习方法预测神经母细胞瘤患者风险组别、预后及治疗反应：一项综述》的重要论文，系统梳理了机器学习在这一儿童恶性肿瘤精准医疗中的应用前景。

一·机器学习：解锁多组学数据的临床价值

Jahangiri博士的综述全面梳理了利用机器学习和统计方法分析神经母细胞瘤患者多组学数据、组织切片及医学影像的研究进展。研究表明，支持向量机、人工神经网络、决策树、随机森林及深度学习等算法在患者风险分层、预后预测及治疗反应评估中展现出卓越性能。

在基因表达层面，研究人员已开发出多种多基因预测模型。例如，一项基于579例患者样本的研究建立了59基因特征模型，其预测患者预后的灵敏度达84.4%，特异度达86.5%。高风险特征患者的总体生存风险比高达19.32，无进展生存风险比为3.96，充分证明了基因表达特征在预后判断中的价值。

另一项突破性研究利用深度学习（深度神经网络）分析基因表达与患者INSS分期信息，构建了能够预测肿瘤分期的模型。尽管目前对2、3和4S期患者的区分仍存在挑战，但该方法为基于基因表达谱的精准分期开辟了新途径。

二·DNA甲基化：揭示MYCN扩增状态的新视角

MYCN扩增是神经母细胞瘤最重要的预后标志之一。研究发现，通过分析DNA甲基化数据，机器学习模型能够精准预测患者的MYCN扩增状态。一项研究从126例样本中筛选出663个差异甲基化CpG位点，进一步通过递归特征消除筛选出25个关键特征，构建的支持向量机模型对MYCN扩增状态的分类准确率达100%。

更令人振奋的是，其中8个CpG位点与总体生存显著相关，5个与无事件生存相关。这些发现不仅有助于早期诊断，还为开发针对MYCN扩增的新型靶向治疗提供了潜在生物标志物。

三·组织病理学与影像学：人工智能辅助诊断的新前沿

在组织病理学领域，研究人员已开发出基于深度学习的神经母细胞瘤组织学图像分类系统。通过对H&E染色全切片图像的分析，结合尺度不变特征变换算法与支持向量机分类器，研究实现了对未分化、低分化、分化型神经母细胞瘤及神经节细胞瘤等不同亚型的自动识别，分类精度、召回率和F值分别达83.81%、86.61%和85.19%。

放射组学方面，基于CT影像的机器学习模型能够预测包括转移、分化程度、MYCN状态、图像定义风险因子等多个临床关键指标。人工神经网络在预测死亡率、转移状态等方面表现最佳，受试者工作特征曲线下面积分别达0.79和0.83。

四·精准医疗的未来：从风险分层到个体化治疗

通过整合多组学数据，研究者已能够在传统高风险组内进一步划分出"超高危"亚组，为更加精准的治疗方案选择提供依据。基于深度学习的自动编码器技术成功将高风险患者分为两个预后显著不同的亚组，为减少过度治疗或治疗不足提供了可能。

在治疗反应预测方面，基于诊断性MIBG扫描的卷积神经网络模型与临床数据相结合，可有效预测患者对诱导化疗的反应，预测模型的AUC达0.73，为个体化治疗方案制定提供了重要参考。

五·展望：人工智能与临床实践的深度融合

尽管机器学习在神经母细胞瘤研究中展现出巨大潜力，但该领域仍面临样本量小、数据异质性高、模型可解释性不足等挑战。Jahangiri博士指出，未来需要通过多中心合作积累更大规模的标准化数据集，开发更具可解释性的算法模型，并将人工智能系统无缝整合到临床工作流程中。

Medical Sciences 期刊介绍

主编：Prof. Dr. Antoni Torres, Universidad de Barcelona; Instituto de Salud Carlos III, Spain

期刊旨在发表基础、转化和临床医学各方向的研究，主要刊发疾病发病机理、转化研究、实验室和动物研究、药理学、临床医学、流行病学和健康改善策略等领域的最新研究成果。目前已被 PubMed、PMC、MEDLINE、DOAJ 等重要数据库收录。