AI赋能弥漫大B细胞淋巴瘤预后预测:系统综述揭示新趋势 | MDPI Medical Sciences

点击左上角"MDPI医药学"关注我们，为您推送更多最新资讯。

弥漫大B细胞淋巴瘤 (DLBCL) 是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侵袭性。尽管R-CHOP或pola-R-CHP等标准免疫化疗方案可使约60%的患者获得治愈，但仍有相当比例的患者面临原发耐药或早期复发，此类患者预后较差，且后续治疗选择复杂。传统的预后评估工具如国际预后指数 (IPI) 虽然广泛应用，但在个体化预测方面存在明显不足，难以满足精准分层和治疗决策的需求。近年来，人工智能 (AI) 和机器学习 (ML) 技术凭借其处理高维复杂数据的能力，为改善DLBCL预后建模提供了新的可能性。针对现有证据分散、缺乏系统性梳理的问题，来自罗马尼亚Carol Davila医药大学的Dragoș-Claudiu Popescu及其合作团队在Medical Sciences 期刊发表了一项范围综述，系统性地描绘了AI/ML技术在DLBCL结局预测与风险分层中的应用现状与发展方向。

该综述严格遵循PRISMA-ScR指南，对PubMed/MEDLINE、Scopus和Cochrane Library三大数据库进行了系统性检索，最终纳入2003年至2025年间发表的91项原创研究，并根据数据模态和计算方法进行了系统分类。纳入的研究涵盖了十大类别，包括临床特征与风险评分 (8项)、PET/CT影像 (30项)、常规CT影像 (1项)、数字病理 (3项)、传统组织病理 (2项)、转录组与基因表达谱 (19项)、特定基因突变 (18项)、循环肿瘤DNA (3项)、微小RNA (2项) 以及多组学整合 (5项)。其中PET/CT影像学研究和转录组学/基因突变相关研究合计占比超过七成，反映出影像组学与分子组学是目前AI应用最为活跃的两大领域。

图1. AI在DLBCL风险分层中的91项研究分类图谱

在方法学层面，各研究采用的技术手段呈现高度多样性，常见的算法包括基于LASSO的Cox回归、集成学习方法 (如XGBoost、随机森林)、支持向量机以及卷积神经网络 (CNN) 等深度学习架构。基于转录组或多组学数据的模型往往取得最高的预测精度，例如基于自编码器的SurvIAE模型和基于癌症相关成纤维细胞 (CAF) 的13基因签名等，其C-index或AUC值可达0.78–0.87，明显优于传统IPI (通常为0.60–0.70)。在PET/CT领域，基于CNN和最大密度投影 (MIP) 图像的模型在预测无进展生存期 (PFS) 时AUC可超过0.80，脾脏参考扩散指标等空间生物标志物也展现出较强的风险区分能力。临床变量 (如年龄、LDH、ECOG评分和结外受累) 在各类模型中持续保留为重要的预后因子，提示临床基础参数与高级计算特征的融合是未来模型优化的可行路径。

该范围综述系统整合了AI/ML在DLBCL预后预测领域的最新证据，表明AI模型在预测总生存期 (OS) 和无进展生存期 (PFS) 方面普遍优于传统IPI评分，且多组学整合模型和ctDNA-based预测器展现出较强的临床转化潜力。然而，当前研究仍面临若干关键挑战：模型可解释性不足、缺乏外部验证、数据模态和样本量高度异质，以及多数研究依赖回顾性队列。此外，尽管SHAP和LIME等可解释AI工具已逐渐普及，其在DLBCL预后模型中的应用尚不充分。未来研究应聚焦于前瞻性外部验证、标准化报告流程的建立、模型透明度的提升，以及可解释AI框架的开发，以增强临床信任并促进AI工具融入真实世界工作流程。随着AI技术的不断成熟，其与现有预后体系形成互补，有望推动DLBCL精准医学从研究走向临床实践。

MDPI招聘官方公众号，最新招聘资讯等你来。

版权声明：

*本文由MDPI中国办公室翻译撰写，文中涉及到的论文翻译部分，为译者在个人理解之上的概述与转达，论文详情及准确信息请参考英文原文。本文遵守 CC BY 4.0 许可 (https://creativecommons.org/licenses/by/4.0/)。如需转载，请于公众号后台留言咨询。

由于微信订阅号推送规则更新，您可以将“MDPI医药学”设为星标，便可在消息栏中便捷地找到我们，及时了解最新开放出版动态资讯！

点击左下方“阅读原文”，阅读英文原文。

喜欢今天的内容？不如来个“三连击”☞【分享，点赞，转发】