Combinar radiómica basada en aprendizaje profundo con biopsia líquida para el diagnóstico preoperatorio y no invasivo de glioma

Los gliomas son las neoplasias malignas intracraneales primarias más comunes, representan el 27 % de todos los tumores cerebrales primarios y aproximadamente 100 000 personas son diagnosticadas con gliomas difusos en todo el mundo cada año. Hasta la fecha, el "diagnóstico integrado" se consideraba el estándar de oro para el diagnóstico de glioma, que combina histopatología, patología molecular y el grado de la Organización Mundial de la Salud (OMS). Los criterios de diagnóstico de glioma anteriores se han basado principalmente en biopsias histopatológicas, mientras que la clasificación histológica se ha determinado tradicionalmente en función de la morfología del tumor, lo que da como resultado una variabilidad intraobservador debido a la heterogeneidad espacial intratumoral y los errores de muestreo. Además, la histopatología tradicional es algo difícil de explicar por qué los pacientes con la misma patología tienen una supervivencia significativamente diferente. Durante la última década, los avances en las técnicas de detección de patología molecular e histopatología han profundizado nuestra comprensión de las características moleculares y la biología de los gliomas. Cada vez más pruebas revelaron el importante papel del estado molecular en el "diagnóstico integrado" del glioma. En particular, después de que el concepto de diagnóstico molecular fuera propuesto por la clasificación del Sistema Nervioso Central (SNC) de la OMS de 2016, la clasificación del SNC de 2021 (CNS5) volvió a enfatizar la importancia de varios biomarcadores moleculares en el diagnóstico de gliomas y la guía de tratamiento, incluido el gen de la isocitrato deshidrogenasa (IDH ) estado de mutación, estado de deleción ligada al cromosoma X (ATRX) del síndrome de alfa-talasemia/retraso mental, estado de deleción 1p19q, mutación del promotor de la transcriptasa inversa de la telomerasa (TERT), etc. Cuyo objetivo es clasificar los subtipos de tumores de manera más sistemática y categorizar a los pacientes con glioma con eficacia y pronóstico similares en un subgrupo.

El tratamiento estándar actual para los gliomas es la resección quirúrgica seguida de radioterapia y/o quimioterapia según el grado clínico y tumoral y las características moleculares. El "diagnóstico integrado" preoperatorio no invasivo y preciso traerá grandes beneficios para el tratamiento y el pronóstico de los pacientes, especialmente para aquellos con una ubicación especial del tumor que no pueden recibir una craneotomía o una biopsia con aguja. Estos pacientes especiales pueden recibir radioterapia y quimioterapia experimentales en función de los resultados del diagnóstico no invasivo. Aunque los criterios de diagnóstico para la información molecular en los gliomas a menudo se basan en la biopsia de tejido, otras técnicas, como la radiómica, la radiogenómica y la biopsia líquida, se han mostrado prometedoras. En la actualidad, las imágenes de resonancia magnética (IRM) convencionales siguen siendo el método principal para ayudar en el diagnóstico de gliomas, incluidos T1w, T2w y T2w-FLAIR antes y después del contraste. La radiómica multimodal basada en el aprendizaje profundo (DL) puede analizar patrones de heterogeneidad intratumoral y características de imágenes tumorales que son imperceptibles para el ojo humano, a fin de realizar una "predicción integrada" de gliomas18. Hasta ahora, la mayoría de los estudios se han centrado en el uso de algoritmos ML para construir un nuevo modelo radiómico para predecir el glioma, R van der Voort et al. desarrolló el modelo de red neuronal convencional multitarea (CNN) y logró un grado de glioma (II/III/IV) con AUC de 0,81, IDH-AUC del 90 %, 1p19q codeleción AUC de 0,85 en el conjunto de prueba. El mejor modelo de DL desarrollado por Matsui et al. logró una precisión general del 65,9 % en la predicción de la mutación IDH y la codeleción 1p/19q. Además, el modelo CNN multitarea construido por Decuyper et al. logró una precisión del 94 %, 86 % y 87 % en la predicción de grados, mutaciones IDH y estados de codeleción 1p/19q en la validación externa. El modelo construido por Luo et al. logró 83,9% y 80,4% en pruebas externas para diagnóstico de subtipo histológico y molecular. Además de la "predicción integrada", existen muchos modelos que solo predicen la clasificación del glioma o marcadores moleculares únicos. Mientras tanto, los estudios anteriores se basaron en la clasificación del SNC de 2016 para la clasificación de gliomas y la predicción de subtipos moleculares. Por lo tanto, se necesita con urgencia un modelo radiómico de DL multitarea para predecir de manera preoperatoria y no invasiva la clasificación del glioma y marcadores moleculares más amplios de acuerdo con la última clasificación del SNC de 2021.

Aunque la radiómica ha demostrado cierta viabilidad en la predicción de la patología molecular del tumor, es ridículo administrar una terapia dirigida de precisión únicamente sobre la base de esta predicción. Por lo tanto, esperamos brindar más evidencia clínica para el diagnóstico patológico molecular de los pacientes con gliomas mediante el uso de la técnica de biopsia líquida como un complemento importante de la radiómica. La circulación de células tumorales (CTC), como una de las técnicas de biopsia líquida, comparte el mismo objetivo final para el diagnóstico preoperatorio no invasivo y preciso de los gliomas.

Sobre la base de las diversas limitaciones de los modelos de diagnóstico actuales de glioma, y ​​los métodos combinados de radiómica y biopsia líquida tienen un gran potencial para el diagnóstico no invasivo de clasificación de glioma y marcadores moleculares, ya que ambos son fáciles de realizar. Además, hasta donde sabemos, no ha habido ningún estudio de diagnóstico preoperatorio no invasivo de glioma en el contexto de radiómica asistida por biopsia líquida.

Por lo tanto, este estudio tiene los siguientes objetivos. En primer lugar, de acuerdo con la orientación de la clasificación del SNC de la OMS de 2021, construimos y probamos externamente un modelo de DL multitarea para el diagnóstico simultáneo de segmentación tumoral, clasificación de gliomas y subtipos moleculares más extensos, incluida la mutación IDH, el estado de deleción ATRX, 1p19q co- deleción, estado de mutación del gen TERT, etc. En segundo lugar, sobre la base del mismo propósito final de la biopsia líquida y la radiómica, presentamos de manera innovadora el concepto y la idea de combinar la tecnología de la radiómica y la biopsia líquida para mejorar el diagnóstico del glioma. Y a través de nuestro estudio, proporcionará cierta validación clínica para este concepto, con la esperanza de proporcionar algunas ideas nuevas para investigaciones posteriores y apoyar la toma de decisiones clínicas.