北京清華長庚醫(yī)院6月1日電（通訊員 馬超）清華大學附屬北京清華長庚醫(yī)院神經中心主任王貴懷團隊在膠質瘤分級及分子標記物術前無創(chuàng)預測研究中取得進展，該研究表明，通過基于術前磁共振的人工智能方法，可在無創(chuàng)的情況下，準確地預測脊髓膠質瘤的分級以及分子標記的突變狀態(tài)。這一發(fā)現(xiàn)或改變脊髓膠質瘤的診斷和治療方式，將深度學習技術的應用推向新的領域。
脊髓膠質瘤是脊髓最常見的原發(fā)性脊髓腫瘤，目前主要依賴于創(chuàng)傷性的活檢來確定其病理類型。然而，創(chuàng)傷性的活檢具有較高的組織損傷風險，尤其是對脊髓的損傷，這給患者的治療和康復帶來了巨大的困難。因此，開發(fā)一種無創(chuàng)性的策略來確定髓內膠質瘤的病理類型尤為重要。
在研究中，王貴懷團隊運用了一種基于多模態(tài)特征的深度學習模型，以無創(chuàng)方式預測髓內膠質瘤的等級和分子標記的突變狀態(tài)。這一策略包括對來自兩個機構、包含461例患者的大規(guī)模數(shù)據(jù)集進行深度學習，且均是在手術前獲取的橫斷面和矢狀面的T2加權磁共振成像掃描圖像和臨床數(shù)據(jù)。通過這種深度學習模型，研究者們可以自動分割出腫瘤并提取其放射性特征。這些特征的表現(xiàn)形式，被輸入到提出的神經網(wǎng)絡中，與其他主流模型進行比較。
研究過程的插圖。第一階段包括原始圖像采集 （a）、手動 ROI 分割 （b） 和自動 ROI 分割 （c）。第二階段包括特征提取和選擇。從SAG和TRA圖像中提取影像特征（d）。ICC篩選所有提取的特征，以選擇穩(wěn)定的特征（e）。使用LASSO選擇關鍵特征（f）。第三階段包括模型構建和驗證。將選定的臨床和放射學特征輸入深度神經網(wǎng)絡以預測不同的任務（g），并在外部驗證隊列（h）中進一步測試模型性能。
研究結果表明，研究團隊提出的基于多模態(tài)融合特征的神經網(wǎng)絡在預測髓內膠質瘤的分級、分子標記突變狀態(tài)等方面的性能，優(yōu)于其他主流模型。在外部驗證隊列中，預測分級（WHO I-II 或 WHO III-IV）、突變狀態(tài)的受試者工作特性曲線下面積分別為0.8431、0.7622、和0.7954。
模型的外部驗證結果：a 分別在核磁共振的SAG和TRA圖像使用自動分割模型對病變分割進行可視化。b 不同任務模型在外部驗證隊列中的效果。c–e 預測任務中每個模型的 ROC 曲線。
通過這項研究，研究者們首次基于多模態(tài)特征預測了ATRX和P53突變狀態(tài)以及脊髓膠質瘤的等級，這或將無創(chuàng)地提供更多腫瘤特異性病理信息，以確定脊髓膠質瘤的治療和預后。
相關研究成果以《基于多模態(tài)的機器學習策略實現(xiàn)精準無創(chuàng)預測脊髓膠質瘤分子標記物狀態(tài)和分級》（Multimodal-based machine learning strategy for accurate and non-invasive prediction of intramedullary glioma grade and mutation status of molecular markers: a retrospective study）為題，發(fā)表在頂級醫(yī)學期刊《BMC Medicine》上。論文共同第一作者為2021級清華大學臨床醫(yī)學院博士生馬超和2021級醫(yī)工交叉碩士生王立揚，第一通訊作者為王貴懷。該研究展示了清華大學臨床醫(yī)學院在培養(yǎng)醫(yī)工交叉創(chuàng)新人才方面的獨特優(yōu)勢和最新成果，突顯了學院在推動科研成果深度臨床應用的顯著能力。
北京清華長庚醫(yī)院APP
快速掛號
