作者：唐熙媛，王远传，川北医学院附属医院神经外科；邓学云，达州市第一人民医院神经外科

听神经瘤(acoustic neuroma，AN)又名前庭神经鞘瘤(vestibular schwannoma，VS)，是一种起源自第8 对颅神经鞘膜Schwann 细胞的良性肿瘤。其发病率为(2 ~ 5) /10 万，是桥小脑角区(cerebellopontine angle，CPA)最常见的肿瘤类型，约占90%。尽管AN 为良性肿瘤，但因其生长位置空间狭窄，易压迫周围神经、血管、脑干及小脑组织，可能导致颅神经功能受损、颅内高压甚至脑疝等严重症状。

在其诊断及鉴别诊断中，磁共振成像(magnetic resonance imaging，MRI)是最常用且有效的检查方法，通过T1 增强图像可以较为清晰地找到强化病灶。现AN 的治疗方式多种多样，包括随访观察、手术治疗以及立体定向放射治疗。治疗重点从降低死亡率、全切肿瘤转到了保留术后面听神经功能、提高患者生活质量等方面。对于AN 采用不同的治疗方式而产生相应的预后也是不相同的，因此预后预测对实现个体化治疗的意义重大。

近年来，人工智能(artificial intelligence，AI) 在临床领域的重要性日益凸显，尤其是在风险建模、个性化筛查、诊断分类、治疗结果预测及预后评估等方面展现出巨大潜力。AI 技术凭借其能高效处理多源数据(临床、影像及生物数据等)的能力，并从中提取关键信息特征，辅助临床决策，推动着精准医学发展。

影像组学作为一种新兴且客观的影像学分析方法，以高通量的方式高效地从大量医学图像中精准提取难以肉眼识别的特征(一阶特征、形状特征和纹理特征等)，反映出肿瘤的纹理特征和异质性，有效降低了人为判断的主观差异和不确定性。

MRI 技术因其高分辨率、无辐射、多参数成像等优势，已成为AN 临床诊断的首选方法，现又因其无创、可重复性的特点而被广泛应用，使得AN 的检出率得到显著提升，同时这也使得对临床诊疗的及时性与准确性提出了更高的要求。在此背景下，本文旨在回顾AI 影像组学在AN 诊断、治疗、预后中的相关研究成果与最新进展，并探讨其在临床实际应用中的价值与局限性，以进一步推动AN 精准诊疗目标的实现。

1.　人工智能影像组学在AN 诊断中的应用

1. 1　早期筛查诊断：AN 的早期症状主要为听力减退和耳鸣，但因缺乏特异性而诊断困难。目前，有研究通过测听结合临床数据，基于深度学习的分析未能产生具有足够敏感度和特异度的模型来筛查诊断AN 患者。Carey 等对767 例AN 患者和2000 例对照者的听力图进行了分析，人工神经网络模型的预测准确率为86.2%，优于随机森林(RF)和逻辑回归(LR)模型。上述研究表明仅依据听力测试结果和临床症状(耳鸣、头晕等)来识别AN 患者是不够的，未来的研究应考虑整合影像数据特征，这将有助于提高AI 在早期筛查AN 方面的准确性。

1. 2　基于MRI 建立影像组学模型在AN 诊断与鉴别诊断中的应用：CPA 肿瘤占比约为颅内占位性病变的10%。该区域组织结构错综复杂，且病变的组织来源多样化，常见的有AN、脑膜瘤、表皮样囊肿、三叉神经瘤等，但由于各种占位性病变影像学表现缺乏特异性，同时临床表现也趋于相似，导致了对该区域病变进行精准诊断的难度增加。因此，对患者实施迅速且精确的诊断，并据此制定恰当的治疗方案就显得尤为重要。

有研究采用了三维卷积神经网络(CNN)架构共描绘了6 种颅内肿瘤类型(AN、高级别胶质瘤、低级别胶质瘤、脑转移瘤、脑膜瘤和垂体腺瘤)以及健康组织类型的MRI-T1 增强图像，内部和外部测试准确率分别为93. 35%和91. 95%。另一研究也表明训练神经网络区分AN、胶质母细胞瘤和无肿瘤的MRI 切片构建的诊断模型，其诊断准确率达93%。

此外，刘颖等采用结合特征金字塔网络算法改进的掩膜区域卷积神经网络，对89 例脑膜瘤和218 例AN 患者的T1WI-SE 增强扫描图像进行网络训练，取得自动分类定位效果。由于AN 和脑膜瘤在CPA 的MRI 表现相似，胡小洋等运用改进的s-VGG 网络分类模型，在T1 增强和T2 图像上应用的准确率分别为93. 7% 和92. 5%。该团队还构建了蒸馏技术- 深度学习模型(DL-MDT)辅助诊断模型，该模型仿照多学科诊疗模式，在10 例肿瘤诊断中准确率为100%。

整体而言，AI 影像组学在CPA 对AN 与脑膜瘤的识别展现出卓越的分类效能，为临床诊断及靶区精准勾画提供了有力支持，显著提升了医疗工作的效率与准确性。未来研究应致力于扩大数据规模及来源的多样性，以进一步增强模型的普遍适用性与可靠性。在研究中收集更多疾病的种类以及数据量，使用更优异的卷积神经网络算法，使得模型能涵盖更多疾病的影像识别以及提高诊断准确率将是今后研究的方向与目标。

2.　人工智能影像组学在AN 治疗决策制定中的应用

AN 的治疗策略选择取决于患者的具体状况，通常包括随访观察、手术治疗和立体定向放射治疗等选择。对于小型AN 患者，随访观察更为常见，大型AN 首选手术治疗。关于标准治疗方法尚未有具体定义，但是每种治疗方法各有利弊，需要结合患者进行个体化评估。

2. 1　AI 影像组学在AN 随访观察决策中的应用：由于MRI 的普及使用，AN 的早期检出率提高，许多早期患者症状轻微或无症状，因此随访观察往往是首选治疗方式。已有研究表明，对于小型AN 患者，大多数肿瘤在长期随访中不会显著生长，且可维持较好的听力水平。另一方面，一些AN 肿瘤增长迅速，可能导致不可逆的感音神经性听力损失。因此，Itoyama 等基于临床因素以及纹理特征构建了一个预测VS 是否快速增长的混合模型，为治疗策略的选择提供帮助。

2. 2　AI 影像组学在AN 手术治疗决策中的应用：对比随访观察的AN 患者，手术治疗能够有效去除肿瘤，同时尽可能保留患者的面听神经功能，提高患者的生活质量。一项研究筛选了188 例AN 患者，收集了患者的临床信息和影像资料，如肿瘤形状、肿瘤切除情况、术后面神经功能和MRI 图像等。通过单变量分析筛选出影响手术结局的潜在预测因子，并将其纳入传统机器学习模型和深度神经网络中。结果显示，深度神经网络在预测手术预后方面的曲线下面积(area underthe curve，AUC)和准确率均优于传统机器学习模型，能够实现术前自动评估。

2. 3　AI 影像组学在AN 立体定向放射治疗决策中的应用：立体定向放射治疗是治疗AN 的安全有效方法，长期肿瘤控制率超过90%。然而，部分患者术后6 ~18 个月内可能会出现短暂的假性进展，因此预测这种可能出现的假性进展有利于临床决策，并减少患者在随访期间的焦虑。Yang 等回顾性分析了336 例仅接受立体定向放射治疗的VS 患者的术前和术后MRI影像资料，将患者分为肿瘤消退组(无假性进展和有假性进展)和无反应组，构建两级二元分类机器学习模型，分别预测立体定向放射治疗后的长期预后和假性进展，准确率分别为88. 4%和85%。

总的来说，AN 的治疗应基于个体化选择，在选择随访观察、手术切除和立体定向放射手术治疗时，应用AI 综合评估每种治疗的风险与益处，以制定最佳的治疗方案。

3.　人工智能影像组学在AN 预后预测中的应用

3. 1　AI 预测AN 术后复发：在当前的临床诊疗中，对于AN 的治疗不仅追求肿瘤全切，更加重视术后患者的生活质量以及确保患者获得良好的预后。这一转变对临床医生提出了更高的要求，早期预测术后复发可能有助于优化其治疗策略和改善预后。一项研究通过综合问卷调查收集患者临床信息，单变量分析中得出复发的潜在预测因子，结果显示人工神经网络预测模型的预测性能优于传统回归模型，具有更高的敏感度和特异度，显示出AI 在复发预测中的潜在应用优势。

3. 2　AI 预测术后面听神经功能保留：在采用先进的手术显微镜、神经导航、电生理监测技术后，AN 切除术的并发症与死亡率均显著下降。当前AN 手术目标已逐渐从全切肿瘤、降低死亡率转向完整保留颅神经功能、提升患者生活质量。为帮助医生在术前评估面、听神经功能的保留情况，建立科学、准确的预测模型显得尤为重要。

Rampp 等在200 例接受AN 手术的患者中发现，基于术前功能状态面神经瘫痪分级(House-Brackmann，HB)、训练时间和肿瘤大小等结果参数构建的神经前馈系统能够很好地预测术后的HB 分级结果，并有望在手术过程中实时应用于面神经监测。Wang等纳入共110 例通过乙状窦后入路手术的AN 患者的临床数据和多序列影像学特征，基于术后第7 天的HB 分级结果，使用多种机器学习模型和CNN 模型预测术后面神经功能恢复情况。结果显示，基于多序列MRI 特征的CNN 模型表现最佳，可能是预测AN 术后面神经功能恢复的可靠工具。

此外，另一项研究收集和量化临床数据，并使用合成少数类过采样技术- 编辑最近邻算法(SMOTE-ENN)矫正平衡数据后得到在预测术后面神经功能恢复表现最好的XGBoost 模型，AUC 值为0. 9。Cha 等首次将机器学习方法纳入AN 患者术后听力保留的预测中，比较了多种机器学习模型，结果显示深度神经网络在AN 术后听力保留预测中具有潜在优势。然而，由于该研究样本量较小，仅纳入了50 例患者，可能存在过拟合风险。为此，Yang提出了SMOTE-XGBoost 模型，通过结合SMOTE 方法处理数据不平衡问题，改善了对小样本数据的分类效果，进一步提升了机器学习在AN 领域的可行性。

综上所述，通过增加样本量并结合多序列影像学特征与临床信息，优化算法以提供神经外科医生有价值的决策支持是可行的。AI 影像组学模型不仅能帮助医生更好地制定治疗计划，还能帮助减少患者对术后社会生活质量降低的担忧。

4.　当前的挑战和未来的展望

从早期筛查诊断、肿瘤体积估计、分割、肿瘤类型鉴别到个性化诊疗提升患者生活质量等，AI 影像组学算法在AN 诊疗过程中的应用经历了不断的迭代。早期，医学影像技术如CT 和MRI 是诊断AN 的主要手段。随着科技进步，AI 算法的加入进一步推动了AN诊疗技术的发展，其中主要依靠机器学习、深度学习和深度神经网络算法模型，从基于简单的机器学习算法如RF、决策树等来进行疾病的辅助诊断与鉴别，到如今CNN、视觉几何组(VGG)、U 型网络(U-Net)等深度神经网络学习算法开始被应用于AN 的识别分割诊断、治疗决策制定及预后预测等方面。这些进展表明，AI 影像组学算法在AN 的诊疗环节中的应用正在不断精进，让患者得到更精准、高效的医疗服务。

作为一种新兴诊断方法，AI 影像组学在AN 的诊治研究中展现出了可观的应用价值，但仍存在一些问题和挑战阻碍了其最终临床应用：①共享大型数据库的建立：在AI 影像组学的分析中，获取大量高质量、标注完善的训练数据集是确保分类或预测结果高准确性的关键，然而这在临床实践中往往难以实现。面临的挑战包括人力资源的匮乏、数据整合的耗时耗力、数据存储方式的不统一以及数据隐私性和安全性的考量等。

为此，需构建多中心、国际化的AN 共享影像数据库，推动AI 影像组学在AN 诊治中的应用与发展。②统一标准的制定：虽然影像组学可以量化医学图像特征，但其分析流程缺乏统一标准，从而影响了数据库共享和多中心研究合作。因此，有必要针对影像组学流程中的关键环节制定统一的标准规范，以此提高研究结果的可重复性和泛化能力。③图像分割方法的优化：在影像组学处理过程中，图像分割和特征提取现主要依靠人工实现，技术难度大、耗时长，且易受主观因素影响。尽管机器分割技术在提高效率方面取得了一定进展，但手动分割仍占主导地位。因此，开发更高效、准确的自动分割识别技术将是未来的发展方向。④模型的可解释性：现有的AI 模型存在“黑匣子”性质，缺乏透明性，中间过程难以解释。这与医学的严谨相悖。提升模型的“可解释性”是增强医生对AI 技术的信任、推动其应用的关键。

5.　结　论

从筛查诊断到个性化诊疗，AI 影像组学在临床或临床前研究中已经显示出巨大的应用潜力，是一种有价值的无创工具。尽管已取得重大进展，但未来在实现其最终临床应用之前，仍存在一些必须克服的关键问题，但随着技术的进步和临床研究的深入，AI 影像组学在AN 中的应用有望从实验室走向临床应用，进而推动精准医疗的长足发展。

来源：唐熙媛，邓学云，王远传.人工智能影像组学在听神经瘤诊断、治疗及预后中的应用进展[J].四川医学，2025，46(11)：1302-1305.DOI：10.16252/j.cnki.issn1004-0501-2025.11.019.