3月9日，美国耶鲁大学医学院官方网站刊载了一则新闻报道《机器学习助力临床医生诊断脑肿瘤严重程度》，详细介绍了耶鲁大学神经外科冈奈尔教授与中南大学湘雅医院神经外科李学军教授联合科研团队共同发表在《欧洲放射学学报》的原创性研究文章《A quantitative model based on clinically relevant MRI features differentiates lower grade gliomas and glioblastoma》，第一作者为湘雅医学院2012级临床医学八年制学生曹航。

该报道指出：“全美在2020年预计约有18000名患者将因脑及脊髓相关肿瘤死亡。研究团队使用机器学习技术建模学习不同种类脑肿瘤影像学特征，助力临床医生更快、更好诊断分型脑肿瘤病例”。同时，该研究的共同作者耶鲁大学神经外科神经肿瘤亚专科负责人冈奈尔·莫利特诺副教授也指出：“这一工作对理解脑肿瘤具有非常重要的意义，也是一例通过多部门合作与国际协作实现对脑肿瘤患者更佳照护的良好示范。”

一直以来，脑胶质瘤作为中枢神经系统最常见的肿瘤之一备受关注，但其遗传背景复杂及病理表现多样，使相关诊疗较为困难。其中，较低级别的脑胶质瘤如少突胶质细胞瘤等较最高级别的胶质母细胞瘤具有相对较好预后及病理特征。基于这一特性，如能在手术前即对肿瘤级别进行预判，则能实现因病施治，一病一治。既往研究提示，术前核磁共振阅片技术已能基于肿瘤强化特征对级别进行估计，但这一技术有赖于阅片经验并存在主观差异。在报道研究中，研究者则另辟蹊径通过使用算法自动量化肿瘤解剖占比及肿瘤亚组分体积特征，并使用机器学习算法分析特征模式建立预测模型。在方法学上，这项研究采用了自动提取的数字量化特征，使得对肿瘤位置和亚组分比例的估计更加便捷。对于过去难以给出具体位置比例的大肿瘤、多叶肿瘤，该技术能够将其“拆分”并“挨个“登记。而所得的数字量化特征，对后续建模使用的机器学习算法也更加友好，算法“看得懂”从而“算得准“。此外，由于最终产生模型基于数字特征并给出了判别函数，这一研究也对不同级别脑胶质瘤的生物学行为进行了刻画，可能在未来为相关基础研究提供方向。

此外，这项研究即有创新也有传承。2019年1月，李学军教授团队曾在《欧洲放射学学报》上发表原创性研究文章《Gliosarcoma: A Clinical and Radiological Analysis of 48 Cases》，这一研究主要针对术前鉴别诊断较困难的胶质母细胞瘤及其特殊亚型胶质肉瘤进行影像学区分。在这一研究中，研究团队即采用了VASARI定量标准化阅片方法，将传统神经肿瘤影像学表现中肿瘤位置、强化、弥散特征、毗邻结构、功能区受累等特征进行量化分析，从而归纳差别。前述工作正是在这一工作基础上，立足经典影像学特征并结合随机森林、支持向量机等机器学习算法获得可靠模型。

2016至2018年期间，在李学军教授的指导下，曹航同学先后对神经外科学及神经肿瘤学基本原理进行了学习和了解。随后，跟随李学军教授科研团队思路，在脑胶质瘤的生物信息学特征、影像学特征进行了方法学及实践探索，并于2018年9月经湘雅医学院八年制海外交流项目派出在美国耶鲁大学神经外科冈奈尔实验室进行科研训练。据悉，湘雅医学院每年选派八年制医学生赴国（境）外大学医学院学习，包括耶鲁大学、Emory大学、密歇根大学、德州大学（UTHSCSA）、匹兹堡大学等进行科研及临床联合培养。在此合作框架下，派出访问学生已取得一系列科学研究成果，并在包括《Nature Communications》等国际知名期刊上发表研究文章。

(声明：文字内容来源于湘雅医院https://www.xiangya.com.cn/web/Content.aspx?chn=284&id=47555，内容略有修改，图片来源于耶鲁大学医学院官方网站，版权归原作者所有)