Kombinieren einer auf Deep Learning basierenden Radiomics mit Flüssigbiopsie zur präoperativen und nicht-invasiven Diagnose von Gliomen

Gliome sind die häufigsten primären intrakraniellen Malignome und machen 27 % aller primären Hirntumoren aus, und jedes Jahr werden bei etwa 100.000 Menschen weltweit diffuse Gliome diagnostiziert. Bislang galt die „integrierte Diagnose“ als Goldstandard für die Gliomdiagnostik, die Histopathologie, Molekularpathologie und den Grad der Weltgesundheitsorganisation (WHO) kombiniert. Frühere Gliom-Diagnosekriterien stützten sich hauptsächlich auf histopathologische Biopsien, während die histologische Klassifizierung traditionell auf der Grundlage der Tumormorphologie bestimmt wurde, was zu einer Variabilität innerhalb des Beobachters aufgrund von räumlicher Heterogenität innerhalb des Tumors und Stichprobenfehlern führte. Darüber hinaus ist die traditionelle Histopathologie etwas schwierig zu erklären, warum Patienten mit der gleichen Pathologie ein signifikant unterschiedliches Überleben haben. In den letzten zehn Jahren haben Fortschritte in der Molekularpathologie und den histopathologischen Nachweistechniken unser Verständnis der molekularen Eigenschaften und der Biologie von Gliomen vertieft. Zunehmende Beweise zeigten die wichtige Rolle des molekularen Status in der "integrierten Diagnose" von Gliom. Nachdem das Konzept der molekularen Diagnose von der WHO-Klassifikation des Zentralnervensystems (ZNS) von 2016 vorgeschlagen wurde, betonte die ZNS-Klassifikation von 2021 (CNS5) insbesondere erneut die Bedeutung mehrerer molekularer Biomarker für die Diagnose und Behandlung von Gliomen, einschließlich des Isocitrat-Dehydrogenase-Gens (IDH ) Mutationsstatus, Alpha-Thalassämie/mentales Retardierungssyndrom X-chromosomal (ATRX)-Deletionsstatus, 1p19q-Deletionsstatus, Telomerase-Reverse-Transkriptase (TERT)-Promotor-Mutation usw. Ziel ist es, die Tumorsubtypen systematischer zu klassifizieren und die Gliompatienten mit ähnlicher Wirksamkeit und Prognose in eine Untergruppe einzuteilen.

Der derzeitige Therapiestandard für Gliome ist die chirurgische Resektion, gefolgt von Strahlentherapie und/oder Chemotherapie, basierend auf klinischen und Tumorgrad und molekularen Eigenschaften. Eine präoperative nicht-invasive und genaue frühe „integrierte Diagnose“ bringt große Vorteile für die Behandlung und Prognose von Patienten, insbesondere für diejenigen mit einer speziellen Tumorlokalisation, die keine Kraniotomie oder Nadelbiopsie erhalten können. Solche speziellen Patienten können experimentelle Strahlentherapie und Chemotherapie auf der Grundlage von nicht-invasiven Diagnoseergebnissen erhalten. Obwohl diagnostische Kriterien für molekulare Informationen bei Gliomen häufig auf Gewebebiopsien beruhen, haben sich andere Techniken wie Radiomics, Radiogenomics und Flüssigbiopsie als vielversprechend erwiesen. Gegenwärtig sind konventionelle Magnetresonanztomographien (MRT) immer noch die Hauptmethode zur Unterstützung der Diagnose von Gliomen, einschließlich Prä- und Post-Kontrast-T1w, T2w und T2w-FLAIR. Multimodale Radiomics auf der Grundlage von Deep Learning (DL) können Muster der Intratumorheterogenität und Tumorbildgebungsmerkmale analysieren, die für das menschliche Auge nicht wahrnehmbar sind, um eine „integrierte Vorhersage“ von Gliomen durchzuführen18. Bisher konzentrierten sich die meisten Studien auf die Verwendung von ML-Algorithmen zur Konstruktion eines neuartigen radiomischen Modells zur Vorhersage von Gliomen, R van der Voort et al. entwickelten das Multitask-CNN-Modell (Conventional Neural Network) und erreichten einen Gliomgrad (II/III/IV) mit einer AUC von 0,81, einer IDH-AUC von 90 % und einer 1p19q-Co-Deletions-AUC von 0,85 in der Testreihe. Das beste von Matsui et al. erreichten eine Gesamtgenauigkeit von 65,9 % bei der Vorhersage von IDH-Mutation und 1p/19q-Co-Deletion. Auch das von Decuyper et al. erzielten bei der externen Validierung eine Genauigkeit von 94 %, 86 % und 87 % bei der Vorhersage von Graden, IDH-Mutationen und 1p/19q-Co-Deletionszuständen. Das von Luo et al. erzielten in externen Tests zur histologischen und molekularen Subtypdiagnostik 83,9 % bzw. 80,4 %. Neben der "integrierten Vorhersage" gibt es viele Modelle, die nur Gliom-Grading oder einzelne molekulare Marker vorhersagen. In der Zwischenzeit basierten frühere Studien auf der CNS-Klassifikation von 2016 für die Einstufung von Gliomen und die Vorhersage molekularer Subtypen. Daher wird dringend ein Multitask-DL-Radiomics-Modell zur präoperativen und nicht-invasiven Vorhersage des Gliom-Gradings und umfangreicherer molekularer Marker gemäß der neuesten ZNS-Klassifikation 2021 benötigt.

Obwohl Radiomics eine gewisse Machbarkeit bei der Vorhersage der molekularen Pathologie von Tumoren gezeigt hat, ist es lächerlich, eine zielgerichtete Präzisionstherapie nur auf der Grundlage dieser Vorhersage zu verabreichen. Daher hoffen wir, mehr klinische Beweise für die molekularpathologische Diagnose von Gliompatienten zu liefern, indem wir die Technik der Flüssigbiopsie als wichtige Ergänzung zur Radiomics einsetzen. Zirkulierende Tumorzellen (CTC) teilen als eine der Flüssigbiopsietechniken das gleiche Endziel der präoperativen nicht-invasiven und genauen Diagnose von Gliomen.

Basierend auf den verschiedenen Einschränkungen der aktuellen diagnostischen Modelle von Gliom und den kombinierten Methoden von Radiomics und Flüssigbiopsie haben ein großes Potenzial für die nicht-invasive Diagnose von Gliom-Grading und molekularen Markern, da sie beide einfach durchzuführen sind. Darüber hinaus gab es unseres Wissens nach keine Studie zur präoperativen nicht-invasiven Diagnose von Gliomen im Zusammenhang mit Flüssigbiopsie-unterstützter Radiomics.

Daher hat diese Studie die folgenden Ziele. Zunächst haben wir gemäß den Leitlinien der WHO von 2021 zur ZNS-Klassifizierung ein Multitask-DL-Modell zur gleichzeitigen Diagnose von Tumorsegmentierung, Gliomklassifizierung und umfangreicheren molekularen Subtypen, einschließlich IDH-Mutation, ATRX-Deletionsstatus, 1p19q-Co- Löschung, Mutationsstatus des TERT-Gens usw. Zweitens haben wir auf der Grundlage desselben Endzwecks von Flüssigbiopsie und Radiomics auf innovative Weise das Konzept und die Idee der Kombination von Radiomics- und Flüssigbiopsietechnologie zur Verbesserung der Diagnose von Gliomen vorgestellt. Und durch unsere Studie wird es eine gewisse klinische Validierung für dieses Konzept liefern, in der Hoffnung, einige neue Ideen für die nachfolgende Forschung zu liefern und die klinische Entscheidungsfindung zu unterstützen.