01文献学习今天分享的文献是由陆军军医大学新桥医院神经外科等团队于2026年2月在《PLOS Digital Health》IF7.7上发表的研究“Development and validation of interpretable multimodal clinical-radiomics models for predicting epileptogenic foci and surgical outcomes in tuberous sclerosis complex——A multicenter study”即结节性硬化症致痫灶识别与手术预后预测的可解释多模态临床-放射组学模型构建与验证一项多中心研究该研究开发并验证了一种基于多模态临床-放射组学特征的机器学习模型用于预测结节性硬化复合症TSC患者中的致痫灶及手术结局。研究纳入了来自四个中心的665个皮质结节构建了19个个体模型和3个集成模型其中Super-learnerSL模型表现最佳在预测致痫灶方面AUC达0.92并能有效预测术后1、3、5年以上的手术结局。此外研究还开发了一个Web工具显著提升了初级医生的诊断准确率。该模型具有非侵入性、高可解释性、临床可推广性等优点。创新点①首创多模态临床-放射组学集成模型融合CT、MRI、PET及临床特征超学习器SL模型预测致痫灶AUC达0.92显著优于单模态模型。②揭示非致痫灶异质性通过K-means聚类发现具致痫转化潜能的亚群阐明术后复发机制实现长期结局预测AUC 0.91–0.93。③开发可解释AI网页工具结合SHAP特征归因与Docker部署提升临床透明度解决“黑箱”顾虑并促进多中心应用。临床价值①替代有创颅内脑电图无创预测致痫灶避免颅内电极植入风险降低医疗成本适用广泛TSC患者术前评估。②提升基层医生诊断水平网页工具使初级医生准确率从0.61升至0.78接近高级医生0.80弥合经验差距。③指导个体化手术策略术前预测1-5年手术结局AUC≈0.92识别高转化风险非致痫灶优化切除范围与长期癫痫控制。图 1研究整体工作流程图a.数据收集与预处理展示数据来源4个研究队列Cohort1–4→提取临床特征多模态影像特征CT/MRI/¹⁸F-FDGPET→特征筛选→划分训练集/验证集/测试集。b.致痫灶预测模型性能展示模型构建19种单机器学习模型3种集成模型→用ROC、SHAP评估性能。c.手术预后预测模型性能展示预后评估术后1/3/5年随访→模型性能指标AUC、准确率等→K-means聚类探索复发机制。d.网页工具临床应用展示转化应用开发Web工具→提升低/高年资医师诊断准确率。02研究背景和目的研究背景结节性硬化症是一种常染色体显性遗传病约80-90%的患者伴有癫痫其中近三分之二会发展为药物难治性癫痫。TSC的典型神经病理特征为大脑中存在多个皮质结节这些结节是潜在的癫痫发作起源区。然而并非所有结节都具有致痫性只有其中一部分是真正的致痫灶。因此在多个结节中精准识别Epi foci是TSC患者术前评估的关键。目前颅内脑电图虽然是识别致痫灶的金标准但其侵入性强、费用高限制了其广泛应用。非侵入性影像技术如CT、MRI和¹⁸F-FDG PET虽能提供丰富信息但传统的视觉评估方法在个体化精准预测方面仍存在局限。近年来放射组学与机器学习的发展为从医学影像中提取高通量定量特征、构建预测模型提供了新途径。尽管已有研究尝试将这些技术用于癫痫灶识别但在TSC这一特殊病种中多模态影像与临床特征融合的预测模型尚未得到系统开发与验证。此外如何解释模型的决策过程、如何预测术后长期疗效以及如何在不同经验的临床医生中推广应用仍是当前研究的重要挑战。研究目的本研究旨在开发并验证一种基于多模态临床-放射组学特征的可解释机器学习模型用于无创预测TSC患者的致痫灶及术后远期手术结局。研究整合了来自四个中心三个回顾性队列、一个前瞻性队列的665个皮质结节数据提取了包括CT、MRI、¹⁸F-FDG PET在内的多模态影像放射组学特征并结合患者临床特征如结节体积、SUV值、TLG等构建了19种个体机器学习模型与3种集成学习模型投票、平均、超级学习器。其中超级学习器模型在多队列中表现最优AUC最高达0.92显著优于单模态模型及已有报道的其他预测模型。研究还验证了该模型在1年、3年及5年以上术后结局预测中的有效性AUC均超过0.91。此外通过SHAP分析提升模型可解释性k-means聚类揭示了非致痫结节中存在的潜在致痫亚型。最终研究开发了一个基于Web的临床辅助工具显著提升了初级医生的诊断准确率从0.61提升至0.78接近高级医生水平0.80。该模型为TSC患者提供了一种非侵入性、可解释、个体化的术前评估新策略具有重要的临床转化潜力。03数据和方法研究数据Data总样本665个皮质结节161个致痫灶504个非致痫灶来源队列1训练验证57名患者347个结节队列2前瞻性测试8名患者63个结节队列3回顾性测试35名患者218个结节队列4回顾性测试6名患者37个结节影像模态CT、MRIT1/T2/T2 FLAIR、¹⁸F-FDG PET临床特征病灶体积、SUVmean、SUVmax、TLG、钙化、囊肿等图 2患者筛选流程图技术方法Methods特征提取PyRadiomics提取1316个放射组学特征特征筛选LASSO回归 ICC一致性评估模型构建19个个体ML模型LR、RF、DT、GNB等3个集成模型Voting、Averaging、Super-learner模型评估AUC、准确率、灵敏度、特异性、F1、DCA、校准曲线解释性分析SHAP值可视化聚类分析K-means识别非致痫灶中的潜在致痫灶Web工具开发Flask框架 Docker部署04实验结果多模态临床-放射组学SL模型表现最佳队列1 AUC0.92队列2 AUC0.92队列3 AUC0.91队列4 AUC0.87优于单一模态模型及已有报道模型手术结局预测1年AUC0.933年AUC0.915年AUC0.92K-means聚类发现2类非致痫灶其中一类具有潜在致痫性Web工具初级医生准确率从0.61提升至0.78高级医生从0.80提升至0.87图 3多模态联合影像放射组学模型的性能该图展示了基于CT、T1、T2、T2 FLAIR和PET五模态联合影像构建的19个个体模型和3个集成模型在四个队列中的预测表现。超级学习器模型在四个队列中AUC分别达到0.91、0.84、0.86和0.83显著优于个体模型。ROC曲线图3b、d、f、h显示曲线下面积大混淆矩阵图3c、e、g、i证实了高准确率。值得注意的是多模态联合模型比任何单模态模型见补充图2-6表现更优验证了多模态信息融合对致痫灶预测的关键价值。图 4多模态联合影像放射组学模型的SHAP分析该图通过SHAP算法揭示了19个选定的放射组学特征对预测的贡献程度。(a)蜂群图beeswarm plot展示了每个特征在所有样本中的SHAP值分布红色表示特征值高蓝色表示特征值低位于顶部和底部的特征重要性最高。(b)条形图按平均|SHAP值|排序显示来自PET和T2 FLAIR影像的纹理特征如GLCM、GLRLM、GLSZM家族是最重要的预测因子。这一分析增强了模型的可解释性让临床医生理解哪些影像学特征驱动了预测决策。图 5临床-放射组学超级学习器模型的性能该图展示了融合三维临床特征体积、SUVmean、TLG与十九个放射组学特征的超级学习器模型在四个队列中的预测表现。与图3相比临床-放射组学模型的AUC进一步提升队列1为0.92、队列2为0.92、队列3为0.91、队列4为0.87。ROC曲线显示灵敏度与特异度均衡良好尤其在队列3中灵敏度达0.69、特异度达0.97。该模型优于单纯基于临床特征补充图7或单纯基于放射组学特征的模型验证了多模态数据整合的临床增益价值。图 6决策曲线与校准曲线该图评估了临床-放射组学超级学习器模型的临床实用性和校准度。(a)决策曲线显示当预测阈值大于0.05时模型相对于“全干预”和“无干预”策略提供了正向净获益且在较宽阈值范围内获益稳定表明模型具有良好的临床决策支持价值。(b)校准曲线展示了预测概率与实际观察结果之间的一致性校准曲线接近45度对角线说明模型的预测概率与真实致痫灶发生率高度吻合校准度优良保证了模型预测的可靠性。图 7非致痫灶的K-means聚类分析该图探索了非致痫灶向致痫灶转化的潜在机制。(a)肘部图显示拐点在k2处确定将非致痫灶分为两个聚类。(b)二维聚类散点图展示了两个聚类的空间分布差异聚类2橙色与聚类1蓝色在临床-放射组学特征空间上分离明显。(c)随访确认图显示术后转化为致痫灶的非致痫主要来自聚类218/30例而聚类1几乎无转化。结果表明聚类2具有潜在致痫性为预测手术复发风险提供了依据。图 8网页工具示意图及临床应用该图展示了基于临床-放射组学模型的网页工具CR-ML的操作界面和临床辅助效果。(a)操作界面显示用户需上传Excel或文本格式的临床与放射组学特征选择目标模型个体或集成运行后输出致痫/非致痫预测结果。(b)临床应用示例以具体病例演示输入特征和输出结果。下方表格显示初级医师独立诊断准确率仅0.61使用工具后提升至0.78接近高级医师的0.80高级医师借助工具从0.80提升至0.87。该工具显著缩小了经验差距具有良好的临床转化价值。05研究结论该多中心研究通过整合临床特征如结节体积、SUVmean、TLG与多模态影像组学数据CT、MRI、¹⁸F-FDG PET开发并验证了用于预测结节性硬化症TSC患者致痫灶及手术预后的机器学习模型。研究显示集成Super-LearnerSL模型在预测致痫灶方面表现最优在回顾性和前瞻性队列中的AUC分别达0.87–0.91和0.92显著优于单模态模型及既往报道的预测模型。同时该模型还能有效预测术后1年、3年及5年以上的癫痫控制结局AUC分别为0.93、0.91、0.92。通过k-means聚类研究进一步识别出具有潜在致痫转化能力的非致痫结节亚群验证了模型的生物学合理性。此外研究团队开发了基于网页的临床辅助工具CR-ML显著提升了初级医师的致痫灶识别准确率从0.61提升至0.78接近高级医师水平0.80。研究结论表明该非侵入性、人工智能驱动的多模态临床-影像组学模型不仅可替代部分有创颅内脑电图功能指导个体化手术策略还能缩小不同经验水平医师间的诊断差异具有重要的临床转化价值和推广潜力。参考文献Li Y, Liu X, Li J, Xie M, Li S, Huang K, Zhao J, Chen X, He Z, He J, Sun L, Jiang R, Cui C, Wang L, Liu Z, Zhang S, Shu H, Lv S, Zhang C, Zhang D, Wang D, Yang H, Guo Q, Tan H, Yang X, Liu S, Wang Z. Development and validation of interpretable multimodal clinical-radiomics models for predicting epileptogenic foci and surgical outcomes in tuberous sclerosis complex: A multicenter study. PLOS Digit Health. 2026 Feb 26;5(2):e0001259. doi: 10.1371/journal.pdig.0001259.