AI利用PET/CT数据无需活检即可精准预测脑癌
一项基于图神经网络的多模态AI模型用于非侵入性胶质瘤诊断的研究发表在《神经放射学》期刊上。该系统分析PET/CT扫描，并以>95%的准确率预测关键突变（IDH、MGMT、1p/19q）。
分析评论：基于图的神经放射基因组学——当AI看到外科医生无法看到的东西
作者： 计算诊断与肿瘤放射学AI独立分析师
日期： 2026年6月7日
事件： 由Abdalla A.（沙特阿拉伯哈费尔巴廷大学）领导的国际团队在《神经放射学》（2026年6月5日）上发表了一项研究，该研究提出了一种多模态AI模型，仅使用CT和PET即可非侵入性预测三种关键胶质瘤标志物——IDH、MGMT和1p/19q。
当风险投资家们继续将数亿美元投入循环肿瘤DNA（ctDNA）测序用于癌症诊断时，来自沙特阿拉伯、约旦和塔伊夫大学的一个团队却反其道而行之。他们证明，神经肿瘤学最紧迫的问题——在我们用手术刀扰动肿瘤之前，其分子特征是什么——可以通过常规CT和PET扫描获得答案，其准确性与侵入性活检相当。
这一结果不仅仅是一篇论文。它标志着“放射基因组学”时代的到来，而AI在这里并非扫描仪的华丽附加功能，而是病理学家的全面替代品。该模型基于图神经网络（GNN），不仅分析像素，还分析肿瘤内部互连的拓扑结构，揭示人类和传统计算机断层扫描（无AI）根本无法检测到的纹理和代谢“指纹”。
[核心]：实际发生了什么
这不是关于“猜测”癌症。这是关于以三毫米空间分辨率术前解码肿瘤的基因护照。作者们汇集了一个前所未有的数据集——来自四个国际中心的1,472名患者。这不是初创公司通常训练的50-100例病例。这是一个工业规模的数据集，具有统计显著性。
具体如何运作？他们获取多模态CT和PET，使用小波变换进行融合——一种在不同尺度提取细节的算法，类似于Photoshop滤镜但数学上更严谨。然后他们提取了三层信息：24个临床参数（年龄、性别、症状），3,654个放射组学特征（形状、纹理、体素相关性），以及通过三种深度学习架构提取的43,776个“深度”特征：EfficientNet-B7、Swin Transformer和DINOv3。
接下来是图神经网络（GNN）的魔力。传统的卷积神经网络（CNN）将图像视为像素的矩形网格。而GNN将肿瘤视为一个图——一组节点（不同肿瘤区域）和它们之间的边（一个区域与另一个区域的代谢相似程度）。这使得模型能够捕捉异质性——胶质瘤的关键挑战，其中单个肿瘤可能包含具有不同突变的区域。结果：IDH（异柠檬酸脱氢酶）预测AUC > 0.96，MGMT（启动子甲基化——替莫唑胺反应的关键）AUC > 0.93，1p/19q（区分少突胶质细胞瘤的共缺失）AUC > 0.95。
时间线与背景
这项研究的背景可追溯到2017-2018年，当时早期的放射组学工作试图从MRI预测IDH1，准确率约为0.80 AUC。当时这似乎是一个突破。如今，MRI上85-90%的准确率被认为是基线。
关键转变发生在2024-2025年，随着DINOv3的出现——Meta开发的一种自监督学习架构，无需标注即可提取语义上有意义的特征。该研究的作者是第一个将DINOv3应用于融合CT/PET图像的人。该文章在《神经放射学》的接收日期可能是2026年3月至4月，并于6月5日发表。
与此同时，就在这篇论文发表前一个月，一篇关于HiPerfGNN（MICCAI 2026）的论文使用灌注MRI预测IDH和1p/19q，AUC分别为0.96和0.89。而在2025年11月，arXiv上的一篇论文展示了通过GPT-5进行零样本IDH预测，在不同队列中达到了92%的准确率。因此，行业正在趋同：图网络、LLM和放射组学正在融合成一个单一工具。
谁赢谁输
赢家#1：神经外科医生和患者。 胶质瘤活检存在出血（1-2%）、神经功能缺损（高达5%）以及因异质性导致的假阴性（针可能错过目标区域）风险。基于CT/PET的模型可一次性提供整个肿瘤的“虚拟活检”。这对于深部或功能关键区域尤其重要，在这些区域，外科医生在没有极端必要的情况下不愿手术。
赢家#2：氨基酸特异性PET放射性药物制造商。 该研究使用常规PET，但未指定示踪剂（FDG？MET？FET？）。如果模型的准确性关键取决于氨基酸转运的代谢特征，那么[¹⁸F]FET和[¹¹C]MET的制造商将获得新优势。这个市场每年约5亿美元，随着AI的采用可能增长到20亿美元。
赢家#3：保险公司（在基于结果的支付系统中）。 在美国，一次胶质母细胞瘤治疗（包括手术、放疗和替莫唑胺）的费用在15万至30万美元之间。如果花费500-1000美元的AI诊断可以避免一次不必要的活检（花费1.5万-2.5万美元）或将靶向治疗提前2-3周，那么系统节省的费用将是巨大的。
输家#1：活检公司（美敦力、英特格拉生命科学、波士顿科学）。 立体定向脑活检系统的市场估计为12-15亿美元。如果30-40%的活检变得不必要，该细分市场将萎缩。不是明天——监管机构将要求验证——但趋势是明确的。
输家#2：依赖胶质瘤活检测序的分子病理实验室。 单个胶质瘤样本测序（50-100基因面板）花费2000-5000美元。如果AI可以在没有组织的情况下提供相同结果，这部分市场将走向数字化。
媒体未提及的内容
现在来说说新闻稿省略的内容。
非显而易见洞察#1：该模型是在CT/PET上训练的，而非MRI，而MRI对软组织的敏感度高出10倍。
这是一个深思熟虑的选择，而且非常明智。MRI昂贵、缓慢，且有许多禁忌症。CT和PET是世界各地任何癌症中心的常规检查，包括非洲和东南亚。通过证明CT/PET可以产生分子图谱，作者创造了一项可全球扩展的技术。但他们轻描淡写的是：CT对脑组织的空间分辨率约为1-2毫米，而胶质瘤异质性可能发生在100-200微米。模型“平滑”了微观异质性，意味着它可能漏掉带有耐药突变的小克隆。这对IDH不是问题，但对MGMT可能是个问题。
非显而易见洞察#2：图网络是绕过放射组学主要问题——“盲目”特征提取的一种方式。
经典放射组学从肿瘤中提取数千个特征，但90%是依赖于扫描仪、协议和重建的噪声。通过图工作的GNN专注于体素之间的相互关系，这些关系对硬件差异更具不变性。这是一个关键的技术突破；没有它，模型将无法在不同PET扫描仪上泛化。
非显而易见洞察#3：这项工作可能需要价值超过100万美元的计算集群。
来自三种架构（EfficientNet-B7有6600万个参数，Swin Transformer约8800万个，DINOv3超过3亿个）的43,776个深度特征，在1,472名患者上训练——这需要8-16个GPU（如A100或H100）训练数周。作者未披露硬件，但云计算账单（AWS/GCP）可能仅训练就花费5万-15万美元。这不是“廉价”的AI——这是一种工业方法。
预测：未来30天和90天
未来30天（至2026年7月7日）：
预计该模型将被至少两个独立团队复现：斯坦福大学（他们有数据和计算能力，并且已经发表了关于胶质瘤多模态AI的综述）和德累斯顿工业大学（他们研究光纤自发荧光和术中诊断AI，迫切需要术前“提示”）。到6月底，将有一篇预印本出现在medRxiv上，试图在独立欧洲队列上进行验证。
同时预计西门子医疗和GE医疗将在30天内发布新闻稿，声称“他们的神经影像AI平台已经支持类似功能”。这是标准的营销——在招股说明书中添加新承诺。
未来90天（至2026年9月）：
最重要的变化将是监管方面的。作者可能已经通过哈费尔巴廷大学技术办公室（或通过工业合作伙伴——一家约旦公司？未披露）提交了专利。论文发表后90天内，将成立一家初创公司进行商业化——可能在沙特阿拉伯，与“2030愿景”计划（生物技术是优先领域）相关。种子轮：大约500-800万美元来自当地基金（沙特阿美创业中心、利雅得谷公司）。
同时，将开始与FDA就无需活检的术前胶质瘤诊断的“突破性设备”称号进行谈判。数据很强，但FDA希望进行一项前瞻性研究，比较AI预测与200多名患者的活检。到2026年9月，这样的研究方案很可能签署。
最后：台湾的AItewan（他们已经拥有FDA 510(k)许可的DeepBT Detector用于MRI肿瘤检测）将在90天内宣布与作者合作，将GNN模型集成到他们的平台中。他们当前版本检测肿瘤但不分类突变。增加这一层将使他们拥有一个没有市场等效产品的产品。
总结： 这项研究不是关于“又一个AI”。它是关于迈向一个时代，其中疑似胶质瘤的患者接受CT/PET，不仅获得图像，而且在一小时内获得完整的分子图谱，神经外科医生进入手术室时已经知道选择哪种策略——积极切除还是保守活检后放化疗。活检针目前仍是金标准。但它的日子已经屈指可数了。
— Editorial Team
