武明花团队开发全自动胶质瘤多参数MRI分层诊断与预后评估系统
刘艺灏，柳学渊 2026年06月22日 09:28 浏览次数:
近日，肉漫屋 肿瘤研究所武明花课题组、湘雅医院神经外科刘庆教授团队在国际学术期刊Medicine Advances 上在线发表了题为“GMMAS: Glioma Multiparametric MRI Analysis System for Fully-Automated Layered Tumor Diagnosis and Prognostic Evaluation”（胶质瘤多参数MRI分析系统：用于全自动分层肿瘤诊断与预后评估）的原创性研究。该研究开发了一款基于多参数核磁共振影像（mpMRI）的全自动分析系统（GMMAS），实现了胶质瘤病灶的精准分割、组织学分型及关键分子标志物的同步预测，并结合大语言模型实现了个性化的预后评估与治疗建议生成，获软件著作权1项。武明花、刘庆以及博士后王祥宇为本论文的通讯作者，硕士研究生刘艺灏为第一作者。本研究受国家自然科学基金等项目支持。
GMMAS全自动胶质瘤分层诊断及预后评估系统架构及临床应用示意图
胶质瘤是中枢神经系统最常见的原发性肿瘤，占成人原发性颅内恶性肿瘤的75%。2021年世界卫生组织（WHO）发布的最新分类指南引入了分层诊断（layered diagnosis）概念，要求将组织学分析与分子诊断相结合，从而对胶质瘤进行更精准的四级分层诊断。其中，异柠檬酸脱氢酶（IDH）突变、1p/19q染色体联合缺失等关键分子标志物对于胶质瘤亚型鉴定及指导化疗、放疗等临床决策至关重要。目前临床主要依赖手术干预和影像学分析，但现有的医疗AI影像系统大多聚焦于单一任务（如仅分割或仅单一基因预测），且容易受到临床中常见的多模态影像缺失、数据标注不平衡等问题的干扰，限制了其临床落地与泛化应用。
为了克服上述瓶颈，研究团队首次开发了统一的多任务半监督学习系统——GMMAS。该系统利用基于不确定性的半监督多任务学习架构，能够仅通过单次模型推理同时输出肿瘤区域分割、组织学亚型、IDH突变基因型以及1p/19q染色体状态等。针对临床中由于设施限制或患者耐受度导致的MRI序列缺失的临床问题，团队创新性地引入了基于对比学习的跨模态自适应模块（adaptation module），显著增强了模型在不完整影像数据下的鲁棒性，在单模态缺失场景下使平均分类AUC提升了8.125%。此外，团队还基于GMMAS的分析结果构建了直观的可视化平台，并通过检索增强生成（RAG）技术将胶质瘤临床指南和UMLS知识图谱融入大语言模型，推出了GMMAS-GPT智能体，可为医患双方自动生成结构化的预后报告与诊疗建议。作为辅助诊断工具，该平台有望减轻神经外科和放射科医生的工作负荷，并以无创、低风险的方式提升胶质瘤患者的临床诊疗效率。
文章链接：//onlinelibrary.wiley.com/doi/10.1002/med4.70064
（一审：柳学渊 二审：黄河 三审：王宽松）
