《Scientific Reports》：FA-DeepMSM: a few-shot adapted interpretable multimodal survival model for improved prognostic prediction in glioblastoma
编辑推荐：
语
本研究针对IDH野生型胶质母细胞瘤（GBM）预后预测中存在的跨中心泛化性差、多模态数据对齐困难及可解释性不足等问题，提出FA-DeepMSM框架。该模型融合自监督MRI特征与临床分子数据，通过少样本学习（5~40样本）显著提升外部验证C指数（从0.643至0.680），并引入时间解析可解释性模块，揭示切除范围（EOR）早期主导、MGMT甲基化（mMGMT）后期关键的动态风险规律，为神经肿瘤AI提供临床可推广范式。
胶质母细胞瘤（Glioblastoma, GBM）作为最具侵袭性的原发性脑肿瘤，即使根据2021年WHO中枢神经系统肿瘤分类进行了分子分型，其预后仍然极差，患者中位生存期通常不足15个月。目前临床预后评估主要依赖年龄、体能状态（KPS）、切除范围（EOR）以及分子标志物如O6-甲基鸟嘌呤-DNA甲基转移酶（MGMT）启动子甲基化状态和异柠檬酸脱氢酶（IDH）突变状态。尽管多参数磁共振成像（MRI）能非侵入性反映肿瘤生物学特征，但现有深度学习模型常因过度依赖高维影像特征、忽略临床分子信息，以及跨中心数据分布差异而导致泛化性能下降。此外，传统统计模型如Cox比例风险模型（CoxPH）无法捕捉非线性、时变的生存规律，而复杂多模态融合架构又易在数据稀缺场景下过拟合。更重要的是，罕见肿瘤亚型标记样本匮乏，严重制约模型在新临床环境中的适应性。
为解决上述挑战，韩国大学与首尔国立大学医院团队在《Scientific Reports》发表研究，提出FA-DeepMSM（Few-shot Adapted Deep Multimodal Survival Model），首次将自监督MRI特征与临床分子变量整合于少样本学习框架，实现胶质母细胞瘤个体化生存预测的精准化与可解释化。
关键方法概述
研究纳入1,871例成人型弥漫性胶质瘤患者（内部队列：SNUH、Severance、UCSF-PDGM，n=1,359；外部验证队列：UPenn-GBM，n=452），提取T1、T1CE、T2、FLAIR序列MRI。通过DINOv2（Distillation with NO labels）预训练视觉Transformer（ViT）提取图像深度表型标识（DPI），与临床变量（年龄、KPS、EOR、IDH状态等）拼接后输入轻量级神经网络风险预测头。模型先在内部队列训练，再于外部GBM队列进行0/5/10/20/40样本少样本微调（仅优化最后一层），并以时间依赖性C指数和Brier分数评估性能。
研究结果
内部验证中多模态模型显著优于传统方法
在内部测试集上，多模态DeepMSM的平均C指数达0.788（95% CI: 0.782–0.793），优于临床单模态（0.749）和影像单模态模型（0.697），也显著超越CoxPH（0.760）和随机生存森林（RSF, 0.771）。
少样本适应有效提升外部泛化能力
在零样本外部验证中，多模态模型C指数降至0.643，但经过40样本微调后（FA-DeepMSM）升至0.680，且影像特征贡献度从负转正。传统机器学习模型（CoxPH、RSF）在少样本场景下表现不稳定，而FA-DeepMSM在3–24个月时间点均保持最优判别性能。
时间解析可解释性揭示动态预后因素
基于置换重要性分析发现，早期生存（3–6个月）风险主要由EOR驱动，而MGMT甲基化在后期（12–24个月）作用凸显。影像特征重要性随少样本数量增加而持续上升，表明模型成功对齐多模态信息。
患者级可视化验证临床合理性
Grad-CAM热图显示模型关注区域与肿瘤边界高度一致。例如，一名IDH野生型GBM患者（KPS=90，EOR=次全切除）在22个月时死亡，模型预测死亡点生存概率为10.9%；而IDH突变型星形细胞瘤患者（KPS=100，EOR=全切除）生存期达95个月，死亡点概率为5.7%，生存曲线分化明显符合临床预期。
多模态模型提升风险分层校准性
风险评分分布显示，多模态模型呈现更宽广且连续的区分度，Kaplan-Meier曲线高低风险组差异显著大于单模态模型，证明其兼具判别力与校准可靠性。
结论与意义
本研究通过自监督影像表征与少样本学习策略，突破了多模态生存预测中的泛化瓶颈。FA-DeepMSM不仅显著提升IDH野生型GBM的预后准确性，还通过时间解析模块动态揭示临床因子权重变化，为个体化治疗决策提供依据。此外，模型仅需少量样本即可适应新中心数据，极大提升临床部署可行性。未来通过扩展预训练数据规模、优化缺失值插补策略，有望进一步发展为神经肿瘤领域的基础模型。
