基于多模态数据的图卷积网络用于预测接受新辅助化疗的卵巢癌患者结局

这项研究对患者的重要性

对于面临晚期卵巢癌的女性来说，选择合适的治疗路径可能决定生死。许多患者在手术前先接受化疗以缩小肿瘤、降低手术风险，但医生仍难以准确预测谁将获益最多、谁可能需要不同的策略。本研究提出了一种新的、更精准的方法来预测生存期和手术成功率，所需信息多为医院已常规收集的资料，可能使更个性化的护理在日常临床中更易实现。

看到完整的患者，而不只是单一指标

传统上，医生常依赖若干单一测量值来指导术前治疗。其中一个常用例子是称为KELIM的血液学评分，通过跟踪早期化疗期间肿瘤标志物CA‑125下降的速度来评估反应。其他工具则关注影像学发现或诸如白细胞计数之类的简单实验室比值。尽管这些方法有用，但每一种只反映患者病情的一部分。新的方法认识到真实患者更为复杂：血液检测、影像细节、年龄和肿瘤特征等因素以微妙方式相互作用，共同影响治疗反应。

将相似患者联结成学习网络

研究者分析了来自三家医院的853例晚期卵巢癌女性的资料，这些患者均在间隔手术前接受了化疗。对每位患者，他们使用了常规实验室结果和从术前CT影像提取的详细特征，例如可见肿瘤的形状和纹理。研究并非将每位患者视为孤立个体，而是构建了一个“人群图”，其中每位患者是一个节点，连接表示在实验室指标上相似的患者。一个特殊形式的人工智能——图卷积网络——在这个网络中学习模式，利用基于CT的特征作为每个节点的主要描述符，而链接则传递患者相似性的相关信息。

优于现有预测工具

研究团队要求他们的模型完成两项对患者和外科医生都非常重要的任务：预测数年范围内的总体生存率，以及估计实现无可见肿瘤切除（称为R0切除）的概率。他们将该模型的表现与四种既有方法比较：仅基于临床数据、仅基于影像特征、临床与影像结合以及KELIM评分，另外还比较了常用的外科评分系统。在主中心及两家独立验证医院中，基于图的模型在生存预测方面始终更准确。它在区分哪些患者更可能以无残留肿瘤结束手术方面也优于其他方法，即使传统模型显示的分离度较低时亦然。

在旧评分显示高风险处发现希望

最引人注目的发现之一是，新模型识别出一大群患者——约占总数的16%——她们的KELIM评分偏低（通常意味着反应不佳），但实际上其生存期与KELIM有利组相当。换言之，旧工具会将她们归为高风险，而基于图的方法正确识别出她们的良好预后。模型还显示出其评分与结局之间的平滑、逐步关系：随着评分升高，生存时间和完全切除肿瘤的概率稳步上升，从最低评分几乎没有R0切除到最高评分时几乎所有患者都能达到R0。KELIM单独并未表现出这种稳定模式，这表明新评分捕捉到了更清晰的生物学信号。

为真实医院环境而设计

许多先进的人工智能工具需要昂贵的图形处理器，而这类硬件在普通医院计算机中并不常见。相比之下，该基于图的模型被设计为完全运行在普通中央处理器上，使其在日常临床中更具可行性。它依赖的是已经成为常规护理一部分的实验室检查和CT扫描，作者还表明在校正年龄、肿瘤分期、类型和KELIM评分后，该模型的预测价值仍然强大。尽管该研究为回顾性，且尚未包含BRCA等遗传标志物，其多中心验证表明该方法在不同医院和患者群体间具有稳健性。

这可能对未来护理意味着什么

对患者而言，核心信息很直白：通过从许多相似个体的模式中学习，这一新工具可以更准确识别谁更有可能在术前化疗中获益，谁可能需要不同的方案。高评分意味着更长的生存和成功切除肿瘤的较高概率，而低评分则可能促使医生重新考虑手术时机或探索替代疗法，而不是坚持可能无益的策略。随着进一步的前瞻性测试和与医院软件的整合，类似的基于图模型有望推动卵巢癌治疗从一刀切的决策走向更精确匹配每位女性独特情况的护理。

引用: Zhang, S., Liu, Y., Liu, Z. et al. Multimodal data-based graph convolutional networks for predicting outcomes in ovarian cancer receiving neoadjuvant chemotherapy. npj Precis. Onc. 10, 157 (2026). https://doi.org/10.1038/s41698-026-01346-9

关键词: 卵巢癌, 新辅助化疗, 图神经网络, 影像组学, 治疗预测