50岁以下乳腺癌患者样本少，预后模型难以训练，LSAT-EN把年长患者队列当作源域，在六个组学层上分别调节向源模型系数靠拢的强度，同时用弹性网做变量选择。在TCGA-BRCA数据上，以60岁及以上为源、50岁以下为目标，四年二分类生存预测的AUC为0.819，高于合并建模的0.774、仅用目标队列的0.757、glmtrans的0.728和GAS-EN的0.780。模拟中源目标差异越大、目标训练样本越少，分层借力的优势越明显。
儿童髓母细胞瘤与室管膜瘤的治疗要在复发风险与放疗长期副作用之间取舍，而现有临床指标和分子亚型只能给出群体层面的风险。MANTIS以全基因组DNA甲基化芯片数据和基因级拷贝数变化为输入，用神经网络输出诊断后10年的个体化生存概率曲线，在独立临床试验队列中c-index最高达到0.80 ± 0.07，高于现有临床指标和仅用亚型的模型。同一框架扩展出的治疗效应模型进一步标出约60%的平均风险髓母细胞瘤患者，在接受较低剂量颅脊髓照射时未检测到显著生存劣势（P = 0.683）。
把癌细胞系的药物敏感性迁移到患者肿瘤，难点在于对齐两个数据域时容易抹掉肿瘤谱系结构。MODAE+在共享隐空间里同时优化域对齐、去混杂、药敏预测、生存预测和谱系分类，并用自适应多任务优化平衡这些目标。在可配对的TCGA治疗子集上，其预测敏感性与总生存的Cox显著率为41.5%，对照方法CODE-AE-ADV为4.9%。
肺腺癌的分子数据维度高、事件少，直接拼接进生存模型容易过拟合，特征选择也不稳定。CAISL把预测风险写成临床Cox风险加上一项稀疏的分子校正，并用重采样一致性惩罚约束校正的波动。在TCGA-LUAD的470名患者、119例死亡上，五次独立交叉验证的平均C-index为0.7246，临床Cox为0.6970，配对提升0.0276（95%置信区间0.005–0.050）；这一结果来自内部验证，尚需独立队列确认。
面向肿瘤患者胸腹盆CT的视觉语言基础模型CAPTOR在25,512对CT与报告上完成预训练，并在目标场景中超过现有CT基础模型。在胸腹盆全覆盖子集上，其疾病分类AUC为0.767，高于次优模型的0.695；在肿瘤子集上为0.784，高于0.734。该模型把整段胸腹盆检查按器官分区裁剪后编码，但只做检查级判断，不定位病灶。
在按结局抽样的队列里，协变量只对部分受试者采集，直接套用常规生存模型会让预测偏离目标人群。一种带抽样权重的梯度提升机把权重并入训练与调参，用加权积分Brier分数选择迭代次数，并证明该经验风险收敛到对应的积分Brier风险。模拟中它在高维与非线性设定下优于Cox模型，在铀矿工癌症数据上测试集C指数为0.803，与Cox模型的0.801接近。
作者提出SpaCEy（Spatial Clinical Explainability），一种可解释图神经网络：把每个组织样本按Delaunay三角剖分建成空间图，节点为单细胞蛋白标志物丰度、不使用预定义细胞类型或解剖区域作为输入，用GNN学习预测嵌入并配GNNExplainer式解释器输出边掩码、再聚合k跳邻域得到节点重要性，从而定位与临床结局相关的连续空间区域和关键蛋白；在416例肺腺癌队列预测进展（准确率0.68、F1 0.68、AUC 0.62，优于Ali等0.61/0.59/0.57与SPACE-GM 0.55/0.52/0.52），在720样本JacksonFischer与460样本METAB
该叙述性综述检索了PubMed、Scopus和Web of Science（2012—2024年）的文献，梳理影像组学与人工智能在神经肿瘤学中的诊断、预后和治疗潜力，指出影像组学可从MRI、CT和PET/CT中自动提取人眼难以察觉的定量特征，已显示在胶质瘤术前分类、生存预测以及区分肿瘤进展与假性进展方面具有价值，与深度学习结合可能提升诊断准确性并支持基于IDH、MGMT等分子标志物的患者分层，影像基因组学则将影像表型与基因改变相联系以促进个体化医疗，但方案缺乏标准化、分割变异以及经过验证的多中心研究稀缺等局限仍然存在，因此在最终融入临床实践之前仍需前瞻性验证与方法学标准化。
已读完全部报道