研究背景与临床需求 - 垂体腺瘤约占所有颅内肿瘤的10%～20%，患病率为每10万人中70~100例 [1] - 超过40%的垂体腺瘤病例在病程中会表现出肿瘤侵袭性，导致难以完全切除和快速复发 [1] - 世界卫生组织与欧洲内分泌学会提出的“进袭性垂体腺瘤”概念缺乏公认的标准化评估工具，精准评估面临挑战 [2] 研究成果核心 - 联合团队研发了基于头部磁共振成像（MRI）结合弱监督学习方法的深度学习模型，用于术前无创评估垂体腺瘤进袭性行为 [1] - 该模型首次提出基于侵袭特征的弱监督标签深度学习模型，通过多维度、多任务验证系统考察效能 [2] - 模型能为每位患者生成个体化评分，评分与进袭性呈密切正相关，能显著反映肿瘤侵袭状态，并可辅助评估肿瘤复发、病理标志物异常及恶性肿瘤相关生物学通路 [2] 模型验证与应用 - 模型结果已在全国多家医院多中心得到验证，证实了其在复杂多变临床环境下的稳定性与可靠性 [2] - 研究已将复杂的多步骤MRI图像处理及相关算法整合至在线平台，临床医生仅需上传MRI数据即可快速获取智能评估结果，降低了人工智能技术的应用门槛 [3] 行业影响与未来方向 - 该研究成果为垂体腺瘤精准治疗提供了重要指导依据，相关论文已在《自然》旗下期刊《NPJ数字医学》发表 [1] - 研发团队将持续推进模型与平台的迭代优化，以助力提升垂体腺瘤临床诊治的精准化水平 [3]