术前精准评估颅内肿瘤的良恶性，是神经外科临床决策中长期面临的关键难题。当前，颅内肿瘤良恶性判断仍主要依赖手术切除或活检后的组织病理学结果。然而，有创取材不仅伴随出血、感染及神经功能损伤等风险，对于深部、功能区或手术高风险病灶，病理组织获取更具挑战，可能造成诊断延迟，并影响手术规划、治疗策略制定及患者预后管理。

基于上述临床痛点，首都医科大学宣武医院神经外科赵国光/肖新如/程也团队基于血浆游离DNA（cfDNA）片段组学特征，整合三类互补性分子信息，构建了用于术前无创鉴别胶质瘤与脑膜瘤良恶性的集成学习模型，为神经外科的精准术前决策提供了新工具。发表于国际期刊 Genes & Diseases（IF=14.6， JCR1）。该研究得到国家临床重点专科项目（肿瘤科）、国自然面上项目等资助，与南京世和基因生物公司合作完成，并得到神经外科护理团队关欣、张晓蕾等大力支持。

研究纳入训练队列、验证队列及独立验证队列，基于血浆cfDNA全基因组测序，系统提取片段大小比例（FSR）、拷贝数变异（CNV）及Griffin核小体足迹特征。团队进一步整合GLM、GBM、XGBoost、XRT及深度学习等多种算法，构建H2O堆叠集成学习模型，实现颅内肿瘤良恶性术前无创判别。

集成模型在训练集、验证集和独立验证集中均表现出稳定的判别能力，AUC分别达到0.908、0.895和0.880，优于单一片段组学特征模型。模型预测评分可显著区分良性与恶性肿瘤（均P < 0.001），并在三组队列中保持较高敏感性（95.74%、93.55%、91.11%），提示其有望作为术前无创筛查、风险分层和个体化手术决策的辅助工具。

该模型为脑肿瘤术前无创评估提供了新的研究思路，但距离临床常规应用仍需进一步验证和优化。研究团队也指出，当前模型的特异性仍有提升空间，未来需纳入更大规模、病种构成更丰富的良性病变队列，并与灌注MRI、PET-CT等先进影像学方法开展头对头比较，以进一步评估其临床增益。团队提出的“液体活检初筛+影像复核”序贯诊断策略，也为后续前瞻性临床研究提供了可参考的设计框架。