胶质瘤的分子分型在诊断、治疗决策及预后评估中具有关键作用。近年来，随着第五版世界卫生组织中枢神经系统肿瘤分类的更新，IDH突变、1p/19共缺失、TERT启动子突变以及7号染色体获得伴10号染色体缺失（+7/-10）等关键分子事件，已成为胶质瘤精准诊断的重要依据。然而，目前分子分型检测严重依赖于耗时且昂贵的基因测序、荧光原位杂交及免疫组化等技术，在资源有限的环境中往往难以实施。因此，如何从常规组织病理切片中实现快速、准确、低成本的分子变异预测，成为病理AI研究的重要方向。

该研究共纳入来自14个独立队列的4024名脑胶质瘤患者、6298张H&E全视野病理切片，涵盖TCGA、EBRAINS数据库及国内12家医疗机构。研究团队基于病理基础模型UNI及GLTrans架构构建了GMAP模型，通过弱监督深度学习方法，实现对IDH突变、1p/19q共缺失、TERT启动子突变及染色体+7/-10改变的预测。同时，研究还进一步在细胞级、组织级和切片级三个不同层面进行了全面的多尺度可解释性分析。

结果显示，GMAP在内部测试集中性能优越：预测IDH的受试者工作曲线下面积（Area Under Curve，AUC）达0.939（95% CI：0.865–0.993），1p/19q共缺失达0.955（95% CI：0.898–0.992），TERT启动子突变达0.944（0.849–1.000），+7/-10改变达0.886（0.802–0.955）。在来自12家医疗机构及公共数据集的外部验证中，IDH及1p/19q共缺失预测仍保持较高性能，AUC分别达到0.870（95% CI 0.857–0.883）和0.885（0.865–0.905），展现出良好的跨中心泛化能力。可解释性分析显示，GMAP关注的形态特征既包括已知的分子变异相关的特征，也包括先前未被识别的特征。此外，模型的注意力热图与对应免疫组化染色结果高度一致，进一步增强了模型预测的可信度。

总之，本研究研发并多中心验证了脑胶质瘤分子分型智能诊断模型GMAP，提供了一种技术上可行的方案，能够在资源受限的环境中实现准确、快速且可能具有成本效益的分子变异识别，同时，可解释性揭示了模型所关注的特征，增加了模型在临床应用中的可信度，为AI病理的临床推广与转化应用奠定了重要基础。