Voxel-wise Radiomics Habitat Modeling of Multiparametric Magnetic Resonance Imaging for Isocitrate Dehydrogenase Status Prediction and Survival Stratification in Diffuse Glioma
本研究开发并外部验证了一种体素级概率多参数 MRI 影像组学特征框架，该框架通过捕捉肿瘤空间异质性，能够准确预测异柠檬酸脱氢酶状态，并对弥漫性胶质瘤患者的总生存期进行分层。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
被称为弥漫性胶质瘤的脑肿瘤并非均匀的细胞团块；它们是复杂的生态系统，其中不同的区域表现出截然不同的特性。为了了解这些肿瘤，医生会寻找一种特定的遗传标记，即 IDH 状态。这个标记就像一个生物开关：如果肿瘤携带 IDH 基因突变，其生长速度通常较慢，且对治疗的反应更好。目前，了解这一状态需要外科医生切除一小块肿瘤并送往实验室进行基因检测，而由于肿瘤的遗传构成在不同部位存在差异，这一过程可能会变得复杂。因此，研究人员长期以来一直在寻求一种能够直接通过医学影像观察到这些遗传信息的方法，希望能在患者进入手术室之前，为手术和治疗提供指导。
来自中国医院和深圳一家研究机构的研究团队通过一种全新的方法应对了这一挑战，他们不再将脑部扫描视为一张单一的照片，而是将其视为数百万个微小的、独立的个体数据点。他们没有将肿瘤看作一个巨大的肿块，而是检查了肿瘤及其周围水肿区域内的每一个像素或体素（voxel）。他们要求计算机分析这五种不同类型的磁共振成像（MRI）扫描中这些微小点的纹理和模式。这些扫描包括标准的结构图像，以及显示水分如何在组织中移动以及不同区域血流量多少的图谱。通过结合这些视图，研究人员构建了一张详细的肿瘤内部环境图，识别出了组织表现出不同行为的独特“栖息地”，就像森林中可能存在茂密的林冠层、开阔的空地和潮湿的底层植被一样。
研究人员开发了一种将这些复杂图谱转化为预测工具的方法。他们利用来自 174 名患者的数据训练了一个计算机模型，以识别与 IDH 突变相关的特定模式。该模型学会了寻找组织纹理中的细微差异，密切关注不同部分肿瘤中血流和水分运动显得多么混乱或有序。随后，他们在一组来自另一家医院的 95 名患者身上测试了这一工具，以观察它在新的环境下是否有效。结果令人瞩目：该计算机模型仅使用图像数据，就能在每 100 名患者中正确识别出 92 名患者的 IDH 状态。当研究人员将年龄和肿瘤位置等简单的患者细节加入其中时，准确率上升到了 100 名患者中的 96 名。这种表现远优于仅依赖临床信息，后者的正确率仅为三分之二左右。
这项发现之所以特别重要，不仅在于其准确性，还在于计算机究竟学到了什么。分析表明，最重要的线索并非简单的亮度或大小测量，而是肿瘤内血流和水分运动的复杂性和无序性。不带 IDH 突变的肿瘤往往在这些模式中表现出高度的混乱和碎片化，而带有突变的肿瘤则显得更加均匀。研究还发现，观察肿瘤周围的水肿区域提供了额外的线索，从而提高了预测的准确性。这表明，肿瘤的遗传身份在其整个周围环境中都留下了可见的指纹，其影响范围超出了肿瘤的核心边界。
除了预测遗传类型外，研究人员还探讨了这些详细的图谱是否能告诉他们患者未来的预后情况。他们将相同的基于图像的模式应用于一组具有随访记录的患者。他们发现，那些肿瘤呈现出高度特定类型混乱栖息地结构的患者，与那些具有更有序模式的患者相比，面临更高的早期死亡风险。即使在考虑了患者年龄、手术范围和其他分子标记等已知因素后，这一联系依然成立。这表明，肿瘤在显微层面上的组织方式，即便通过标准的 MRI 观察，也自带一种独立的未来预警信号。
该研究承认，这些发现来自于对过去数据的回顾性观察，这意味着在这些结果成为医疗护理的标准组成部分之前，还需要通过未来的前瞻性研究进行验证。研究人员还指出，生存分析仅限于具有完整记录的较小患者子集。然而，这项工作提供了一个引人注目的概念验证，证明计算机可以学会阅读脑肿瘤图像的隐藏语言。通过将肿瘤分解为最微小的部分并理解它们之间的关系，这种新方法为观察疾病的生物学特征提供了一个非侵入性的窗口，可能使医生无需等待基因检测结果，即可做出更明智的治疗和预后决策。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。