首页 > 文章详情

人工智能重塑弥漫大B细胞淋巴瘤风险分层：多维度模型引领精准预后新时代

02月09日

整理：肿瘤资讯

来源：肿瘤资讯

弥漫大B细胞淋巴瘤（DLBCL）作为最常见的非霍奇金淋巴瘤亚型，具有显著的生物学异质性和临床预后差异。国际预后指数（IPI）等传统预后工具虽广泛应用于临床，但受限于临床参数的单一性，难以精准捕捉疾病的分子异质性和个体差异，无法满足个体化治疗决策的需求。近年来，人工智能（AI）技术，尤其是机器学习（ML）和深度学习（DL）的兴起，为破解DLBCL预后难题提供了新的思路。AI算法能够整合临床、影像、病理、基因组学等多维度复杂数据，挖掘传统方法难以识别的预后规律，为疾病风险分层和治疗方案优化提供更精准的支撑。近日，发表于Medical Sciences杂志的一项系统性综述，全面梳理了AI/ML技术在DLBCL风险分层中的应用现状，涵盖91项相关研究，详细分析了不同数据模态下AI模型的性能与临床价值，为该领域的临床转化和未来研究指明了方向。

图片6.png
本研究为系统性综述，研究团队检索了PubMed/MEDLINE、Scopus和Cochrane Library数据库截至2025年7月的相关文献，检索关键词涵盖“弥漫大B细胞淋巴瘤”“预后”“人工智能”“机器学习”等。纳入标准为：原创性研究；应用AI/ML技术预测DLBCL患者的生存结局[如总生存期（OS）、无进展生存期（PFS）]、风险分层或分子亚型分类；纳入患者为初诊或复发难治DLBCL；明确报告模型性能指标（如AUC、C指数、准确率等）。

研究主要评价指标包括模型的预测性能（AUC、C指数、准确率、灵敏度、特异性）、外部验证情况、可解释性及临床转化潜力。其中，AUC≥0.80被视为具有良好的预测性能，外部验证是评估模型泛化能力的关键标准。
图片7.png

图1. PRISMA-SCR流程图概述了AI/ML影响范围审查的研究选择过程，以揭示DLBCL的预后和预测因素

文献筛选与总体特征

初步检索共获得215篇文献，经去重和筛选后，最终纳入91项符合条件的研究，发表时间跨度为2003~2025年，反映了AI技术在DLBCL预后领域的快速发展趋势。纳入研究的输入数据模态分布为：PET/CT影像（30项）、转录组学（19项）、特异性基因突变（18项）、临床特征与风险评分（8项）、多组学整合（5项）、数字病理（3项）、ctDNA（3项）、传统病理（2项）、miRNA（2项）、CT影像（1项）。主流算法包括集成学习（如XGBoost、随机森林）、卷积神经网络（CNNs）、LASSO-Cox模型等。

不同数据模态下AI模型的性能与核心发现

临床特征与风险评分模型这类模型基于年龄、LDH、ECOG体能状态、疾病分期等常规临床数据构建，算法以随机生存森林、 penalized Cox回归、XGBoost为主。结果显示，AI模型的预测性能显著优于传统IPI评分：例如，基于北欧淋巴瘤登记库的研究中，随机生存森林模型预测OS的C指数达0.756，显著高于IPI的0.70；针对儿童DLBCL的研究中，XGBoost模型的AUC达0.892，远优于传统Cox回归。核心预后指标包括年龄、ECOG体能状态、LDH水平、结外受累情况等。

表1. 临床特征评分表

图片8.png PET/CT影像组学模型作为最受关注的数据模态，PET/CT影像组学模型通过提取代谢肿瘤体积（TMTV）、病灶分布特征、纹理特征等，实现预后预测。研究证实，AI模型的预测性能普遍优于传统影像指标（如SUVmax）和IPI评分：例如，基于多中心数据的CNN模型预测2年PFS率的AUC达0.85，显著高于IPI的0.60；整合脾脏相对病灶距离等空间特征的模型，可使C指数较单纯TMTV模型提升0.05-0.07。核心预后特征包括TMTV、病灶dissemination指标（如Dmax）、代谢体积率（MTVrate）等。

基因组学与转录组学模型这类模型整合基因表达谱、基因突变、拷贝数变异等分子数据，算法以LASSO-Cox、自编码器、随机森林为主。结果显示，基于肿瘤相关成纤维细胞（CAF）的13基因签名模型预测5年OS率的AUC达0.795；整合线粒体相关基因的模型在外部验证中AUC达0.768；针对TP53突变患者的AI模型，可进一步区分真正的高危亚群，为个体化治疗提供依据。核心分子特征包括TP53突变状态、MYC/BCL2重排、免疫微环境相关基因签名等。

数字病理与ctDNA模型数字病理模型基于H&E染色切片或免疫组化图像，通过CNNs等算法识别MYC重排、Ki-67增殖指数等预后相关特征，其中预测MYC重排的灵敏度达0.90-0.95，可减少不必要的FISH检测。ctDNA模型则利用突变特征、片段化模式等预测复发风险和OS，例如，基于ctDNA的正则化逻辑回归模型预测2年OS率的AUROC达0.86，为动态监测和早期干预提供了可能。

多组学整合模型这类模型结合临床、影像、基因组学等多维度数据，预测性能最优：例如，整合PET/CT深度特征与NCCN-IPI的AutoML模型，预测OS的C指数达0.831（训练集）和0.782（验证集）；整合基因表达与临床数据的分层模型，在≤70岁患者中预测5年OS率的AUC达0.82，显著优于单一数据模态模型。

AI模型与传统预后工具的比较

综合分析显示，AI模型在预后预测准确性上具有显著优势：多数AI模型的AUC或C指数在0.75-0.87之间，而传统IPI评分的性能普遍在0.60-0.70之间。尤其是在高危患者识别方面，AI模型能更精准地筛选出真正的不良预后亚群，例如，基于基因突变的AI模型可区分TP53突变患者中的极高危人群，这类患者的PFS显著缩短（HR=2.17）。此外，AI模型还能挖掘出传统方法未识别的预后指标，如脾脏相对病灶距离、线粒体相关基因签名等。

模型可解释性与临床转化潜力

目前，部分AI模型已具备一定的可解释性，例如LASSO-Cox模型可明确关键预后特征的权重，XGBoost模型能输出特征重要性排序，SHAP（SHapley Additive exPlanations）等工具可增强深度学习模型的透明度。临床转化方面，基于临床数据和PET/CT影像的AI模型因数据易获取性，转化潜力最大，部分模型已开发为在线工具或列线图，可直接应用于临床实践；ctDNA和多组学模型虽性能优异，但受限于检测成本和技术门槛，目前仍以科研应用为主。

总结

本系统性综述通过整合91项研究证据，全面展现了AI技术在DLBCL风险分层中的应用现状与巨大潜力。研究证实，AI模型能够整合多维度数据，实现更精准的预后预测和风险分层，其性能显著优于传统IPI评分等预后工具，为DLBCL的个体化治疗提供了重要支撑。不同数据模态的AI模型各有优势：临床数据模型易推广、成本低；PET/CT影像组学模型可无创获取预后信息；基因组学模型能揭示疾病的分子机制；多组学整合模型则实现了预测性能的最大化。

总之，AI技术为DLBCL的精准预后和风险分层提供了革命性的解决方案，有望成为临床决策的重要辅助工具。随着技术的不断进步和临床转化的深入，AI将在DLBCL的个体化治疗中发挥越来越重要的作用，为患者带来更长的生存时间和更高的生活质量。临床医生应积极拥抱这一技术变革，参与AI模型的开发与验证，推动其规范化应用于临床实践。

参考文献

Popescu D C, Găman M A. Artificial Intelligence for Risk Stratification in Diffuse Large B-Cell Lymphoma: A Systematic Review of Classification Models and Predictive Performances[J]. Medical Sciences, 2025, 13(4): 280.

责任编辑：Mathilda
排版编辑：Mathilda