Мультимодальный

BMC Medicine, том 21, Номер статьи: 198 (2023) Цитировать эту статью

391 Доступов

1 Альтметрика

Подробности о метриках

Определение степени и статуса молекулярных маркеров интрамедуллярных глиом важно для оценки результатов лечения и прогноза. Инвазивная биопсия при патологии обычно сопряжена с высоким риском повреждения тканей, особенно спинного мозга, и в настоящее время не существует неинвазивных стратегий выявления патологического типа интрамедуллярных глиом. Таким образом, это исследование было направлено на разработку неинвазивной модели машинного обучения, которая поможет врачам определить степень интрамедуллярной глиомы и статус мутации молекулярных маркеров.

В общей сложности был включен 461 пациент из двух учреждений, и их сагиттальные (SAG) и поперечные (TRA) Т2-взвешенные магнитно-резонансные томографии и клинические данные были получены до операции. Мы использовали модель глубокого обучения на основе трансформатора для автоматического сегментирования поражений на фазах SAG и TRA и извлечения их радиомикротических характеристик. Различные представления функций были загружены в предложенные нейронные сети и сравнены с представлениями других основных моделей.

Коэффициенты подобия кубиков преобразователя Swin в фазах SAG и TRA составили 0,8697 и 0,8738 соответственно. Результаты показали, что наилучшая производительность была получена в предложенных нами нейронных сетях, основанных на функциях мультимодального слияния (SAG-TRA-клинические). В когорте внешней валидации – площади под рабочей характеристической кривой приемника для дифференцированного (ВОЗ I–II или ВОЗ III–IV), альфа-талассемии/синдрома умственной отсталости, Х-связанного (ATRX) статуса и статуса опухолевого белка p53 (P53). задачи прогнозирования составили 0,8431, 0,7622 и 0,7954 соответственно.

В этом исследовании сообщается о новой стратегии машинного обучения, которая впервые основана на мультимодальных функциях для прогнозирования статуса мутаций ATRX и P53 и степени интрамедуллярных глиом. Обобщенное применение этих моделей могло бы неинвазивно предоставить больше опухолеспецифической патологической информации для определения лечения и прогноза интрамедуллярных глиом.

Отчеты экспертной оценки

Интрамедуллярные глиомы (ИМГ) являются наиболее распространенными первичными новообразованиями спинного мозга, на их долю приходится около 80% опухолей спинного мозга и 2–4% опухолей центральной нервной системы [1]. Считается, что степень опухоли, а также генетические и гистологические характеристики глиом влияют на их прогноз и реакцию на лечение. Пятое издание Классификации опухолей центральной нервной системы ВОЗ (CNS5 ВОЗ) способствует использованию молекулярных характеристик для диагностики и классификации. В целом, для анализа молекулярных биомаркеров опухоли необходимы патологоанатомическое исследование и иммуногистохимия (ИГХ) во время операции или биопсии [2, 3]. Без патологоанатомического руководства терапевтические возможности для пациентов, которым не подходит хирургическое вмешательство, или для тех, кто выбирает консервативное лечение, могут быть ограничены. Хотя эти инвазивные исследования относительно безопасны, они могут повредить нормальную ткань головного или спинного мозга. Из-за очень плотной нервной структуры спинного мозга любая незначительная травма может привести к необратимому нарушению функций организма [4]. Следовательно, биопсия не подходит для IMG, и, таким образом, спрос на альтернативные неинвазивные подходы, которые могут предоставить генетические и гистологические доказательства IMG, резко возрос [5].

Точная классификация IMG до операции имеет решающее значение для врачей при разработке соответствующего плана лечения. Предоперационная магнитно-резонансная томография (МРТ) остается наиболее широко используемым и эффективным методом выявления поражений спинного мозга в клинической практике. Все больше данных свидетельствует о возможности использования МРТ для прогнозирования типа глиомы и молекулярных биомаркеров, таких как IDH1, Ki67 и H3-K27M, с помощью метода машинного обучения или глубокого обучения [6,7,8]. Однако лишь ограниченное количество исследований пытались предсказать маркеры и классифицировать IMG на основе МРТ из-за отсутствия достаточного обучения таким редким опухолям [9, 10].