Kombination af en dyb læringsbaseret radiomiks med flydende biopsi til præoperativ og ikke-invasiv diagnose af gliom

Gliomer er de mest almindelige primære intrakranielle maligniteter, der tegner sig for 27% af alle primære hjernetumorer, og cirka 100.000 mennesker diagnosticeres med diffuse gliomer på verdensplan hvert år. Til dato blev "integreret diagnose" betragtet som den gyldne standard for gliomdiagnose, som kombinerer histopatologi, molekylær patologi og Verdenssundhedsorganisationens (WHO) karakter. Tidligere gliomdiagnostiske kriterier har primært været baseret på histopatologiske biopsier, mens histologisk klassificering traditionelt er blevet bestemt baseret på tumormorfologi, hvilket resulterer i intra-observatørvariabilitet på grund af intra-tumor rumlig heterogenitet og prøveudtagningsfejl. Derudover er traditionel histopatologi noget vanskeligt at forklare, hvorfor patienter med samme patologi har signifikant forskellig overlevelse. I løbet af det sidste årti har fremskridt inden for molekylær patologi og histopatologisk detektionsteknikker uddybet vores forståelse af gliomernes molekylære egenskaber og biologi. Stigende beviser afslørede den vigtige rolle af molekylær status i den "integrerede diagnose" af gliom. Især efter at begrebet molekylær diagnose blev foreslået af 2016 WHO's centralnervesystem (CNS) klassifikation, understregede 2021 CNS klassifikationen (CNS5) betydningen af ​​adskillige molekylære biomarkører i gliomer diagnose og behandlingsvejledning, herunder isocitrat dehydrogenase gen (IDH) ) mutationsstatus, alfa-thalassæmi/mental retardation syndrom X-linked (ATRX) deletionsstatus, 1p19q deletionsstatus, telomerase revers transcriptase (TERT) promotormutation osv. Hvilket formål er at klassificere tumorundertyperne mere systematisk og kategorisere gliompatienter med lignende effekt og prognose i en undergruppe.

Den nuværende standard for terapi for gliomer er kirurgisk resektion efterfulgt af strålebehandling og/eller kemoterapi baseret på kliniske og tumorgradige og molekylære karakteristika. Præoperativt ikke-invasiv og nøjagtig tidlig "integreret diagnose" vil medføre store fordele for behandlingen og prognosen for patienter, især for dem med speciel tumorplacering, som ikke kan modtage kraniotomi eller nålebiopsi. Sådanne specielle patienter kan tage eksperimentel strålebehandling og kemoterapi baseret på ikke-invasive diagnoseresultater. Selvom diagnostiske kriterier for molekylær information i gliomer ofte er baseret på vævsbiopsi, har andre teknikker, såsom radiomik, radiogenomik og flydende biopsi vist lovende. På nuværende tidspunkt er konventionel magnetisk resonansbilleddannelse (MRI)-scanninger stadig den vigtigste metode til at hjælpe med diagnosticering af gliomer, herunder præ- og postkontrast T1w, T2w og T2w-FLAIR. Multimodal radiomik baseret på deep learning (DL) kan analysere mønstre af intratumorheterogenitet og tumorbilleddannelsestræk, der er umærkelige af det menneskelige øje, for at udføre "integreret forudsigelse" af gliomer18. Indtil nu har de fleste undersøgelser fokuseret på at bruge ML-algoritmer til at konstruere en ny radiomisk model til at forudsige gliom, R van der Voort et al. udviklede multi-task konventionelle neurale netværk (CNN) model og opnåede en gliom grad (II/III/IV) med AUC på 0,81, IDH-AUC på 90%, 1p19q co-deletion AUC på 0,85 i testsættet. Den bedste DL-model udviklet af Matsui et al. opnåede en samlet nøjagtighed på 65,9% i forudsigelse af IDH-mutation og 1p/19q co-deletion. Også multi-task CNN-modellen konstrueret af Decuyper et al. opnåede 94 %, 86 % og 87 % nøjagtighed i forudsigelse af karakterer, IDH-mutationer og 1p/19q co-deletionstilstande i ekstern validering. Modellen konstrueret af Luo et al. opnåede 83,9% og 80,4% i eksterne tests for histologisk og molekylær subtype diagnose. Ud over den "integrerede forudsigelse" eksisterer der mange modeller, der kun forudsiger gliomgradering eller enkelte molekylære markører. I mellemtiden var tidligere undersøgelser baseret på 2016 CNS-klassificeringen for gliomgradering og forudsigelse af molekylære undertyper. Derfor er der et presserende behov for en multi-task DL-radiomiksmodel til præoperativ og ikke-invasiv forudsigelse af gliomgradering og mere omfattende molekylære markører i henhold til den seneste 2021 CNS-klassificering.

Selvom radiomik har vist en vis gennemførlighed til at forudsige tumormolekylær patologi, er det latterligt at administrere præcis målrettet terapi udelukkende på basis af denne forudsigelse. Derfor håber vi at give mere klinisk bevis for den molekylære patologiske diagnose af gliompatienter ved at bruge flydende biopsiteknik som et vigtigt supplement til radiomik. Cirkulerende tumorcelle (CTC), som en af ​​de flydende biopsiteknikker, deler det samme endelige mål med præoperativt ikke-invasiv og nøjagtig diagnose af gliomer.

Baseret på de mange begrænsninger af de nuværende diagnostiske modeller af gliom og de kombinerede metoder til radiomik og flydende biopsi har et stort potentiale til ikke-invasiv diagnosticering af gliomgradering og molekylære markører, da de begge er nemme at udføre. Desuden har der, så vidt vi ved, ikke været nogen undersøgelse af præoperativ ikke-invasiv diagnose af gliom i forbindelse med flydende biopsi-assisteret radiomik.

Derfor har denne undersøgelse følgende mål. For det første konstruerede og testede vi i henhold til vejledningen fra 2021 WHO for CNS-klassificering en multi-task DL-model til samtidig diagnose af tumorsegmentering, gliomklassificering og mere omfattende molekylær subtype, herunder IDH-mutation, ATRX-deletionsstatus, 1p19q co- sletning, TERT-genmutationsstatus osv. For det andet, baseret på det samme ultimative formål med flydende biopsi og radiomik, fremlagde vi innovativt konceptet og ideen om at kombinere radiomik og flydende biopsiteknologi for at forbedre diagnosen gliom. Og gennem vores undersøgelse vil det give en vis klinisk validering af dette koncept, i håb om at levere nogle nye ideer til efterfølgende forskning og understøtte klinisk beslutningstagning.