护理研究

机器学习在脑胶质瘤病人中的应用进展

李江 , 陈胜利 ^*^,^*

护理研究 | 科研综述 2026,40(4): 700-704

收起

护理研究 |科研综述 2026 , 40 (4) : 700 -704

机器学习在脑胶质瘤病人中的应用进展

全屏

[Author(id=1322530306272379181, tenantId=1146029695717560320, journalId=1220038315760373764, articleId=1322168083750437312, orderNo=0, firstName=null, middleName=null, lastName=null, nameCn=null, orcid=null, stid=null, country=null, authorPic=null, dead=0, email=null, emailSecond=null, emailThird=null, correspondingAuthor=0, authorType=1, ext={EN=AuthorExt(id=1322530306582757679, tenantId=1146029695717560320, journalId=1220038315760373764, articleId=1322168083750437312, authorId=1322530306272379181, language=EN, stringName=Jiang LI, firstName=Jiang, middleName=null, lastName=LI, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=null, address=¹Shanxi Provincial People's Hospital Affiliated to Shanxi Medical University, Shanxi 030012 China, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null), CN=AuthorExt(id=1322530306666643760, tenantId=1146029695717560320, journalId=1220038315760373764, articleId=1322168083750437312, authorId=1322530306272379181, language=CN, stringName=李江, firstName=null, middleName=null, lastName=null, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=null, address=¹山西医科大学附属山西省人民医院，山西 030012, bio={"content":"

李江，医师，硕士研究生在读

"}, bioImg=null, bioContent=

李江，医师，硕士研究生在读

, aboutCorrespAuthor=null)}, companyList=[AuthorCompany(id=1322530306171715881, tenantId=1146029695717560320, journalId=1220038315760373764, articleId=1322168083750437312, xref=1, ext=[AuthorCompanyExt(id=1322530306184298794, tenantId=1146029695717560320, journalId=1220038315760373764, articleId=1322168083750437312, companyId=1322530306171715881, language=EN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=¹Shanxi Provincial People's Hospital Affiliated to Shanxi Medical University, Shanxi 030012 China), AuthorCompanyExt(id=1322530306192687403, tenantId=1146029695717560320, journalId=1220038315760373764, articleId=1322168083750437312, companyId=1322530306171715881, language=CN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=¹山西医科大学附属山西省人民医院，山西 030012)])]), Author(id=1322530307035742514, tenantId=1146029695717560320, journalId=1220038315760373764, articleId=1322168083750437312, orderNo=1, firstName=null, middleName=null, lastName=null, nameCn=null, orcid=null, stid=null, country=null, authorPic=null, dead=0, email=shenglic@163.com, emailSecond=null, emailThird=null, correspondingAuthor=1, authorType=1, ext={EN=AuthorExt(id=1322530308507943220, tenantId=1146029695717560320, journalId=1220038315760373764, articleId=1322168083750437312, authorId=1322530307035742514, language=EN, stringName=Shengli CHEN, firstName=Shengli, middleName=null, lastName=CHEN, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=null, address=¹Shanxi Provincial People's Hospital Affiliated to Shanxi Medical University, Shanxi 030012 China, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null), CN=AuthorExt(id=1322530308579246389, tenantId=1146029695717560320, journalId=1220038315760373764, articleId=1322168083750437312, authorId=1322530307035742514, language=CN, stringName=陈胜利, firstName=null, middleName=null, lastName=null, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=^*^,^*, address=¹山西医科大学附属山西省人民医院，山西 030012, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null)}, companyList=[AuthorCompany(id=1322530306171715881, tenantId=1146029695717560320, journalId=1220038315760373764, articleId=1322168083750437312, xref=1, ext=[AuthorCompanyExt(id=1322530306184298794, tenantId=1146029695717560320, journalId=1220038315760373764, articleId=1322168083750437312, companyId=1322530306171715881, language=EN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=¹Shanxi Provincial People's Hospital Affiliated to Shanxi Medical University, Shanxi 030012 China), AuthorCompanyExt(id=1322530306192687403, tenantId=1146029695717560320, journalId=1220038315760373764, articleId=1322168083750437312, companyId=1322530306171715881, language=CN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=¹山西医科大学附属山西省人民医院，山西 030012)])])]

李江, 陈胜利^*^,^*

作者信息

¹山西医科大学附属山西省人民医院，山西 030012

通讯作者:

陈胜利，E-mail：shenglic@163.com

CHEN Shengli， E-mail： shenglic@163.com

作者简介:

李江，医师，硕士研究生在读

Application progress of machine learning in patients with brain glioma

Jiang LI, Shengli CHEN

Affiliations

¹Shanxi Provincial People's Hospital Affiliated to Shanxi Medical University, Shanxi 030012 China

Corresponding Author:

CHEN Shengli， E-mail： shenglic@163.com

出版时间: 2026-02-25 doi: 10.12102/j.issn.1009-6493.2026.04.027

文章导航

摘要

收起

阐述机器学习在脑胶质瘤病人术前分级、分子分型预测、预后预测、高级别脑胶质瘤和孤立性脑转移瘤鉴别中的应用，旨在为脑胶质瘤病人临床诊断、治疗方面提供科学指导。

关键词

脑胶质瘤 / 机器学习 / 临床护理 / 综述

Abstract

收起

This paper expounded the application of machine learning in preoperative grading of patients with brain glioma,molecular typing prediction of patients with brain glioma,prognosis prediction,and differentiation between high-grade brain glioma and solitary brain metastases,so as to provide scientific guidance for the clinical diagnosis and treatment of patients with brain glioma.

Key words

brain glioma / machine learning / clinical nursing / review

引用本文

李江, 陈胜利. 机器学习在脑胶质瘤病人中的应用进展. 护理研究, 2026 , 40 (4) : 700 -704 . DOI: 10.12102/j.issn.1009-6493.2026.04.027

Jiang LI, Shengli CHEN. Application progress of machine learning in patients with brain glioma[J]. Chinese Nursing Research, 2026 , 40 (4) : 700 -704 . DOI: 10.12102/j.issn.1009-6493.2026.04.027

正文

收起

脑胶质瘤是中枢神经系统中最为常见的原发性脑肿瘤，其发病率高、治愈率低，病人的生存质量普遍较低。脑胶质瘤高低级别评估的金标准是病理检测^[1]，然而肿瘤类型多且同一肿瘤内的不同部位可能处于不同的恶性度级别，即使是简单的取病理也常常需要开颅手术。因此，选择一种无创的精准诊断方法非常重要。磁共振成像（MRI）影像组学是一种利用人工智能各种算法、模型解读传统医学影像的科学，已在医学影像分析和精准医学领域更多地帮助进行临床决策。现阶段利用影像数据预测分子表型可以无创地实现脑胶质瘤的精准诊断和治疗^[2]。目前，病理诊断已经进入分子水平，分子病理与影像学存在密切的联系，但由于脑胶质瘤磁共振影像数据量极大，且缺少直接评估的异常影像特征，需通过机器学习对其进行数据驱动分析。目前国内外主要采取影像科医师人工阅片的方式^[3]，依据疾病的影像学诊断指南和自身的临床经验进行诊断，但人工阅片有其自身的缺点，不同阅片者的主观判断可导致诊断结果不一致。随着影像学的发展，越来越细致的影像学检查增加了影像科医师的工作量，进而会导致医师阅片效率和准确度下降^[4]。此外，关于机器学习在临床护理中的应用方面，我国的相关指导文献较少。

1　概述

收起

1.1　机器学习的定义

机器学习是人工智能领域的重要组成部分，机器学习的基本做法是计算机通过分析和学习训练数据，自动地发现数据中的规律和模式，最终根据这些规律和模式对新输入的信息做出决策和预测。机器学习的目标是让计算机具有类似人类的能力，能够自主地学习和适应新的任务和环境^[5]。目前，机器学习在医学中的应用涉及许多方面，特别是利用深度学习（deep learning,DL）^[6]执行图像分类任务，深度学习是机器学习领域的一个热点。深度学习的基本框架是神经网络^[7]，它通过多层非线性神经网络将低层次特征组合形成抽象的高层次特征，自动学习更复杂、更高维度的特征信息，提取相关特征，最终实现图像自动分析。深度学习在糖尿病视网膜病变中的识别具有很大的作用^[8]。此外，机器学习在急诊医学领域可帮助进行疾病诊断预测、协助制定临床决策^[9]。机器学习还可以应用于现代化的影像学中，可提升医学影像学的精度并且有助于后续的精准治疗。

1.2　机器学习的应用及其常用算法

机器学习已经应用在人脸检测、链接预测、语音识别等^[10-11]领域，其在医疗图像领域的研究也在快速发展，常见的机器学习算法包括随机森林(random forest，RF)^[12]、梯度提升(gradient boost，GB)^[13]、神经网络(neural network，NN)算法^[14]等。

1.3　影像组学的定义

影像组学是通过高通量计算，从放射影像中提取大量特征的过程，以创建具有数百个特征的大型数据集，从而引入机器学习模型以改进疾病的诊断、治疗及预后，是连接医学影像与机器学习的纽带^[15-16]。影像组学可以从影像图像中提取到肉眼无法观测的图像信息并量化以辅助医师诊断，以减少误诊、漏诊，提高诊断的准确性，为临床决策提供有价值的信息。

1.4　影像组学的特征及流程

影像组学的特征包括形态学特征、一阶灰度直方图特征、二阶和高阶纹理特征用于描绘图像中灰度值的空间分布关系、基于滤波和变换的其他特征^[17]。影像组学流程包括图像获取、进行分割、特征提取、数据整合及分析、建立诊断及预测预后的模型。

2　机器学习在脑胶质瘤病人术前分级中的应用

收起

脑胶质瘤是一种原发性脑肿瘤，根据病理分级标准可将脑胶质瘤分为低级别和高级别。按照世界卫生组织(WHO)标准^[18]进一步分类，低级别包含1级、2级，高级别包含3级、4级，同时在组织学分级的基础上引入分子特征^[19]，当肿瘤组织形态表现为低级别但具有特定分子变异时，可将该肿瘤定位高级别。临床上对于不同分级的脑胶质瘤病人的治疗方案不同，但是通过病理检查进行肿瘤分级需要活检，这是一项耗时的侵袭性技术，并可能存在取样不准确和观察者间差异，所以如何无创地对脑胶质瘤进行术前分级具有重要的临床意义。基于机器学习的MRI影像组学可以有效地帮助脑胶质瘤进行术前分级。Cho等^[20]回顾性研究285例脑胶质瘤病人，其中高级别病人210例，低级别病人75例，分别从T1加权、T1对比增强、T2加权、FLAIR 4种序列中提取影像特征，随后使用所选特征分别训练逻辑回归分类器、支持向量机和随机森林3种分类模型，最终得到其受试者工作特征曲线下面积分（AUC）别为0.901，0.887，0.921，结果表明使用机器学习以及特征选择技术与影像组学方法相结合可以准确地确定脑胶质瘤分级。Tian等^[21]回顾性研究了153例胶质瘤病人，之后从弥散张量成像（DWI）、灌注加权成像（PWI）序列等中提取纹理特征，将提取的特征训练支持向量机模型并且建立多模态影像组学诊断模型，结果表明从多模态MRI中提取出的纹理特征提高了影像组学的分级能力。此外，Zhuge等^[22]基于深度卷积神经网络开发了两种对常规的脑胶质瘤MRI 图像进行分级的方法，这两种方法是完全自动化的，这在为病人选择有效的治疗方案方面起了很大的作用。最近一种被称为深度学习的机器学习算法已经成为提高现有机器学习技术性能的首选方法^[6]。深度学习方法在脑胶质瘤分级方面有很好的应用前景，因此，基于机器学习的MRI影像组学可以高效地帮助临床医生术前预测脑胶质瘤分级，从而为病人提供更加精准有效的治疗。

3　机器学习在预测脑胶质瘤病人分子分型中的应用

收起

脑胶质瘤有许多分子分型，例如IDH、1p/19q、MGMT启动子等，根据分子分型可以将脑胶质瘤分成不同亚型，以便于及时地为病人制订最佳的诊疗方案^[23]。Park等^[24]回顾性研究了168例低级别脑胶质瘤病人，分别从扩散张量成像（DTI）和MRI常规序列中提取了影像组学特征，然后用提取出的特征训练用于预测IDH状态的随机森林模型，最终发现由DTI和常规影像组学组成的模型预测能力明显优于仅基于常规序列的影像组学模型，与传统的影像组学模型相比，DTI影像组学与机器学习可以更有效地帮助预测低级别胶质瘤病人的IDH状态。Akkus等^[25]根据CE-T1WI和T2WI图像，将卷积神经网络经过训练建立1p/19q共缺失预测模型，其预测敏感度、特异度、准确度分别为93.30%、82.22%、87.70%。除此之外，Casale等^[26]基于CE-T1WI及T2WI图像，利用随机森林分类器建立1p/19q共缺失预测模型，其准确度为81%。Huang等^[27]基于CE-T1WI、T2WI及T2-FLAIR图像，运用多因素逻辑回归建立MGMT启动子甲基化预测模型，其AUC、敏感度、特异度分别为0.833、70.2%、90.6%。由此可知，基于机器学习的MRI影像组学在预测脑胶质瘤分子分型方面有很大作用。

4　机器学习在脑胶质瘤病人预后预测中的应用

收起

Wang等^[28]回顾研究了64例接受了手术并复发的2级脑胶质瘤病人，从T1WI、T2WI和T1CE序列中提取影像特征，之后通过Logistic回归分析建立多参数影像组学模型预测2级脑胶质瘤首次切除后早期复发（<1年）的情况，最终得到其敏感度、特异度、准确率分别为100%、80%、90%。沙永建^[29]回顾性分析了364例脑胶质瘤病人，基于常规MRI的影像组学方法建立一个用于术前预测脑胶质瘤IDH突变合并MGMT meth分子亚型的影像组学模型，进而预测病人的预后情况。Wang等^[30]研究表明，CD₄₄和CD₁₃₃高表达水平与脑胶质瘤病人的预后较差有关，并且他们还建立了一个基于MRI影像组学特征的影像组学模型，这个影像组学模型可以有效地预测CD₄₄和CD₁₃₃的表达水平，间接地预测脑胶质瘤病人的预后。基于机器学习的MRI影像组学可以有效地预测脑胶质瘤预后。

5　机器学习在鉴别高级别脑胶质瘤和孤立性脑转移瘤中的应用

收起

高级别脑胶质瘤与脑转移瘤具有不同的治疗方法，但两种肿瘤根据MRI影像学特征难以鉴别，所以如何高效且无创地鉴别这两种肿瘤具有重要的临床意义^[31-32]。段俊艳^[33]回顾性收集了55例高级别脑胶质瘤和40例孤立性脑转移瘤病人的资料，从他们的CE-T1WI和T2WI序列中提取影像组学特征，之后通过Logistic回归建立5个模型，最终得到预测性能最佳的模型是临床影像组学联合模型。徐向东等^[34]回顾性研究了61例高级别脑胶质瘤病人和60例孤立性脑转移瘤病人，从T1WI、CE-T1WI、T2WI和T2-FLAIR序列中提取影像组学特征，之后通过多序列特征融合、特征选择及模型训练构建15个模型，最终发现从T1WI和T2-FLAIR序列中提取的图像特征的融合预测性能优于其他单一序列或组合的特征。朱雪超^[35]研究表明，影像组学模型对于鉴别高级别脑胶质瘤和孤立性脑转移瘤具有较高的作用，来自多序列和组合特征的影像学特征可能更有助于肿瘤的鉴别诊断。因此，基于机器学习的MRI影像组学可以帮助鉴别高级别脑胶质瘤和孤立性脑转移瘤。

6　机器学习对临床护理工作的启示

收起

6.1　利用机器学习为病人进行精准护理

精准护理是根据病人的自身情况对病人进行个性化的护理，使临床决策聚焦个体而不是人群。引入机器学习可以高效地为不同类别的病人制订精准的护理计划，提升护理质量^[36]。研究表明，引入机器学习的MRI影像组学可以高效地预测脑胶质瘤的分子表面标记物^[37]，而部分分子标记物又可以有效地预测疾病的预后^[38]。所以这项技术有望应用在临床护理中进行脑胶质瘤分类。Davis^[39]分析了已发表的文献和教科书，发现临床护理中需要更好地了解与预后相关的分子表面标记物，以便对脑胶质瘤进行分类，这样才有机会进行个性化的护理，提高病人的生存率和生存质量。此外，国外研究发现，临床护理可根据脑胶质瘤的分子分型对不同的病人进行个体化护理，进而实现对脑胶质瘤病人的精准护理^[40]。除此之外，此项技术还可以有效地应用在脑胶质瘤的术前分级^[41]及其与孤立性脑转移瘤的鉴别^[42]方面，可以对不同的病人进行个体化的护理。针对除脑胶质瘤外的其他疾病，也可以引入机器学习对疾病进行高效地、快速地分类，根据此分类制订护理计划。

6.2　以跨学科合作模式构建护理相关的机器学习模型

临床护理学科可以加强与临床医学、医学影像学、计算机科学与技术之间的联系，使各学科之间深度交叉融合，培养跨学科人才，将机器学习成熟地应用在临床护理方面^[43]。

6.3　加强人工智能在护理领域中的应用

目前，我国越来越重视人工智能的发展，人工智能领域发展迅速，并且广泛地运用在各行各业，护理工作人员也可以利用此项技术提升自己的工作效率，改善病人的预后，减轻自己的工作负担^[44]。

7　小结与展望

收起

机器学习在脑胶质瘤病人的术前分级预测、分子分型预测、预后预测、肿瘤鉴别预测方面具有很好的临床应用价值，并对临床护理方面有很大的启示。随着大数据、人工智能等新兴技术的发展，影像组学在医学成像上的应用将具有广阔的学术和临床应用前景，病人所接受的诊疗随之也会越来越精确，更多的病人会因此受益；与此同时，还可以帮助临床医生进行脑胶质瘤的早期精准诊断、制定个体化的治疗方案、预测病人预后和制订随访计划，帮助临床护理工作者制订精确的护理计划。但是，机器学习在脑胶质瘤中的应用也具有一定的局限性，第一，对于脑胶质瘤影像感兴趣区^[45]的分割可能受阅片者主观性影响导致选择偏倚，进而无法提取到完全有效的影像组学特征；第二，目前大多数研究使用的是传统机器学习方法，随着脑胶质瘤医学影像数据量越来越大，传统的机器学习方法难以满足现如今的要求；第三，不同仪器生产商的图像存在差异，难以构建脑胶质瘤大样本数据集，进而难以构建标准化更高的脑胶质瘤影像模型。此外，将机器学习应用在临床护理工作中也有诸多的困难，第一，此项技术在临床护理中应用较少，护理工作者对其了解、学习不多；第二，国内与此相关的团队较少，团队之间难以构成联系；第三，计算机科学与技术等学科与护理学科建立的相关联系较少，学科间难以形成融合。未来可以引入一些新的机器学习方法，将这些机器学习方法应用于脑胶质瘤影像感兴趣区的分割，尽可能消除阅片者的主观性影响并且帮助阅片者提高分割效率；同时，新的机器学习方法可以帮助处理数据量更大的脑胶质瘤影像，满足如今的模型要求；此外，对于脑胶质瘤影像的采集进行质控及标准化，以构建来源不同地区、不同国家、不同人种的脑胶质瘤影像数据库；并且，可以加强其他学科与临床护理之间的联系，构建研究团队，将机器学习应用到临床护理工作中，实现对于病人的精准护理，从而改善病人的生存质量。总之，将机器学习应用在脑胶质瘤、临床护理方面还需要多学科协作，共同构建实用性高的模型，这样才有望在临床诊断、预测预后、个体化临床护理等方面起到巨大的作用。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

张艳文,邢伟,卢海涛,等.动态对比增强磁共振成像定量分析在术前胶质瘤分级中的临床价值[J].临床放射学杂志,2020,39(10):1926-1930.

柯晓艾,周俊林.磁共振功能成像预测胶质瘤分子表型的研究进展[J].磁共振成像,2019,10(8):611-614.

李星宇,雷禹,黄晓旗,等.基于AI与人工阅片对肋骨骨折性质诊断价值的比较[J].中国医疗设备,2022,37(8):32-36.

FOGEL

B L

.Intersecting genomics and imaging for precision care in prenatal counseling[J].Developmental Medicine & Child Neurology,2025,67(4):422-423.

DIDI

,PALLATHADKA

,ABDULLAEV

,et al.Probing the impact of process variables in laser-welded aluminum alloys:a machine learning study[J].Materials Today Communications,2024,38:107660.

LIU

,HE

L L

,WANG

J Z

,et al.Deep learning analysis of urban growth boundaries:an evaluation of effectiveness in mitigating urban sprawl in China[J].Journal of Urban Planning and Development,2024,150(1):04023058.

DELIJANI

Y M

,CHENG

S H

,GHERIB

.Sequential neural network model for the identification of magnetorheological damper parameters[J].Smart Materials and Structures,2024,33(1):015002.

王康,孔晓路.阿柏西普、雷珠单抗分别联合卵磷脂络合碘胶囊治疗增殖性糖尿病视网膜病变出血的临床疗效比较[J].临床研究,2023,31(4):48-50.

任珍,李姝,赵静静,等.机器学习在急诊医学中应用的研究进展及展望[J].中国急救医学,2021,41(3):261-265.

徐新建.基于机器学习的CT及MRI影像组学分析在预测TACE抵抗性肝癌中的价值[D].济南:山东大学,2022.

HAUG

C J

,DRAZEN

J M

.Artificial intelligence and machine learning in clinical medicine,2023[J].New England Journal of Medicine,2023,388(13):1201-1208.

LEI

,SHAO

S L

,LIANG

L X

.An evolutionary deep learning model based on EWKM,random forest algorithm,SSA and BiLSTM for building energy consumption prediction[J].Energy,2024,288:129795.

HUANG

A A

,HUANG

S Y

.Covariate dependent Markov chains constructed with gradient boost modeling can effectively generate long-term predictions of obesity trends[J].BMC Research Notes,2023,16(1):346.

ZHOU

H G

,BAO

C J

,DENG

,et al.Modeling and controlling of ship general section attitude adjustment process based on RBF neural network coupled with sliding mode algorithm[J].Journal of Engineering for the Maritime Environment,2024,238(4):778-791.

王晓琳,韩珺琪,刘晶晶,等.基于MRI影像组学预测乳癌NAC病理完全缓解价值[J].青岛大学学报(医学版),2023,59(5):651-657.

ZHAO

H Z

.Negative poisson's ratios of layered materials by first-principles high-throughput calculations[J].Chinese Physics Letters,2023,40(12):91-101.

, YI

, LIU

,等.基于MRI影像组学特征识别结核性脑膜炎基底池肉眼不可见改变:一项多中心初步研究[J].国际医学放射学杂志,2023,46(1):123-124.

哈热勒哈什·安曼太,王辉,古力吉热·太来提,等.磁共振SWI序列联合血清CXCL5、UBE2C在脑胶质瘤术前分级中的诊断价值[J].中国CT和MRI杂志,2023,21(11):1-3.

杨靖.常规MRI影像组学在预测脑胶质瘤分子特征中的应用研究[D].重庆:中国人民解放军陆军军医大学,2022.

CHO

H H

,LEE

S H

,KIM

,et al.Classification of the glioma grading using radiomics analysis[J].Peer J,2018,6:e5982.

TIAN

,YAN

L F

,ZHANG

,et al.Radiomics strategy for glioma grading using texture features from multiparametric MRI[J].Journal of Magnetic Resonance Imaging,2018,48(6):1518-1528.

ZHUGE

,NING

,MATHEN

,et al.Automated glioma grading on conventional MRI images using deep convolutional neural networks[J].Medical Physics,2020,47(7):3044-3053.

陈瑞宏,谭艳.较低级别脑胶质瘤分子分型的磁共振影像组学研究进展[J].磁共振成像,2023,14(3):159-164.

PARK

C J

,CHOI

Y S

,PARK

Y W

,et al.Diffusion tensor imaging radiomics in lower-grade glioma:improving subtyping of isocitrate dehydrogenase mutation status[J].Neuroradiology,2020,62(3):319-326.

AKKUS

,ALI I,SEDLÁŘ

,et al.Predicting deletion of chromosomal arms 1p/19q in low-grade gliomas from MR images using machine intelligence[J].Journal of Digital Imaging,2017,30(4):469-476.

CASALE

,LAVROVA

,SANDULEANU

,et al.Development and external validation of a non-invasive molecular status predictor of chromosome 1p/19q co-deletion based on MRI radiomics analysis of low grade glioma patients[J].European Journal of Radiology,2021,139:109678.

HUANG

W Y

,WEN

L H

,WU

,et al.Radiological model based on the standard magnetic resonance sequences for detecting methylguanine methyltransferase methylation in glioma using texture analysis[J].Cancer Science,2021,112(7):2835-2844.

WANG

Z H

,XIAO

X L

,ZHANG

Z T

,et al.A radiomics model for predicting early recurrence in grade Ⅱ gliomas based on preoperative multiparametric magnetic resonance imaging[J].Frontiers in Oncology,2021,11:684996.

沙永建.MRI影像组学术前预测脑胶质瘤IDH突变合并MGMT启动子甲基化分子亚型[D].太原:山西医科大学,2022.

WANG

Z H

,TANG

X P

,WU

,et al.Radiomics features based on T2-weighted fluid-attenuated inversion recovery MRI predict the expression levels of CD44 and CD133 in lower grade gliomas[J].Future Oncology,2022,18(7):807-819.

李双红,陈玲,张金环,等.3D-ASL和APT成像鉴别高级别脑胶质瘤与脑转移瘤的临床应用[J].放射学实践,2023,38(8):959-963.

,LOU

H L

,ZOU

T Y

,等.基于蛋白质的酰胺质子转移MRI鉴别孤立性脑转移瘤与胶质母细胞瘤[J].国际医学放射学杂志,2018,41(1):110.

段俊艳.基于对比增强T1WI和T2WI图像的影像组学鉴别高级别胶质瘤与孤立性脑转移瘤的价值研究[D].南充:川北医学院,2022.

徐向东,梁芳蓉,韦瑞丽,等.基于多参数MRI影像组学特征融合模型鉴别高级别胶质瘤与单发性脑转移瘤[J].磁共振成像,2022,13(11):53-59;65.

朱雪超.基于常规磁共振的不同影像组学模型对高级别胶质瘤和孤立性脑转移瘤的鉴别[D].南昌:南昌大学,2022.

SMITH

J D

,EBERHARDT

G L

,ATWOOD

B I

,et al.Elements supporting translation of evidence into practice:a model for clinical nurse specialist and nurse scientist collaboration[J].Clinical Nurse Specialist,2024,38(6):263-270.

王茹,高阳.多模态MRI影像组学及深度学习在胶质瘤诊疗中的研究进展[J].磁共振成像,2024,15(7):165-172.

刘婕婷.胶质母细胞瘤诊断预后标记物筛选及其验证的实验研究[D].兰州:兰州大学,2021.

DAVIS

M E

.Epidemiology and overview of gliomas[J].Seminars in Oncology Nursing,2018,34(5):420-429.

DAVIS

M E

,BOSSERT

,MANNE

.Toward precision medicine:promising areas of research in glioma[J].Seminars in Oncology Nursing,2018,34(5):569-572.

VANISREE

A J

,THAMIZHOVIYA

,THIRUVALLUVAN

.Targeted metabolic profiling in determining the metabolic heterogeneity in human biopsies of different grades of glioma[J].Molecular Neurobiology,2024,62(4):4377-4390.

王静,宗会迁,张娅,等.多参数磁共振成像影像组学鉴别高级别胶质瘤及单发脑转移瘤的价值[J].现代肿瘤医学,2024,32(22):4338-4344.

FADUL

C E

,SHEEHAN

J P

,SILVESTRE

,et al.Defining the quality of interdisciplinary care for patients with brain metastases:modified Delphi panel recommendations[J].The Lancet Oncology,2024,25(9):e432-e440.

MADHUGIRI

V S

,PRASAD

.Early experience with an artificial intelligence-based module for brain metastasis detection and segmentation[J].Journal of Neuro-Oncology,2024,171(2):365-372.

LIU

,LUO

,YANG

Q S

,et al.Non-contact structural displacement measurement using UAV and DIC with non-coplanar fixed region of interest[J].Measurement,2024,242:115936.

2026年第40卷第4期

引用本文

BibTeX

文章信息

doi: 10.12102/j.issn.1009-6493.2026.04.027

接收时间：2024-10-31
首发时间：2026-10-28
出版时间：2026-02-25

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2024-10-31
修回日期：2026-01-28

基金

作者信息

¹山西医科大学附属山西省人民医院，山西 030012

通讯作者:

陈胜利，E-mail：shenglic@163.com

CHEN Shengli， E-mail： shenglic@163.com

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/hlyj/CN/10.12102/j.issn.1009-6493.2026.04.027

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT