European Radiology：深度学习在预测胶质母细胞瘤预后方面的价值

多形性胶质母细胞瘤（GBM）是最常见的恶性中枢神经系统肿瘤，临床效果不佳，患者预后较差。这种糟糕的预后主要归因于复杂的基因变异和信号传导途径的紊乱，导致治疗的抗性和肿瘤的复发。癌症基因组图谱（TCGA）小组进行的一项重要调查显示了三种核心致癌途径：受体酪氨酸激酶（RTK）、P53和视网膜母细胞瘤（RB）途径。 虽然分子特征改善了GBM的临床评估，但目前的基因组分析需要通过手术方法获得肿瘤组织，因此受限明显。

最近，放射基因组学作为一个有前途的研究领域出现，可将成像表型与基因组学数据联系起来为临床提供诊断及治疗等多方面的指导。目前医学影像分析的进展，如放射组学或卷积神经网络（CNN），提供了一种无创和可重复的描述整个肿瘤影像表型的方法。与手工绘制的放射组学特征相比，CNN可以自动学习具有鉴别力的成像特征，并在肿瘤诊断任务中表现出卓越的性能。然而到目前为止，用于肿瘤预后的生物可解释性人工智能（AI）系统的工作很少。因此，提供一个基于生物学解释的深度学习的成像预测生存结果，并能将患者分层为具有明显分子特征的风险组，对于帮助临床医生建立信任和更好地理解患者的预后至关重要。

近日，发表在European Radiology杂志的一项研究开发并验证了一项用于GBM患者风险分层的深度学习成像特征（DLIS）模型，并进一步明确了DLIS背后的生物途径和基因改变，为临床更深层次的了解该病的病理生理及疾病进展提供了参考依据。

本项研究基于训练集（n = 600）的多参数MRI开发了DLIS，并在内部验证集（n = 164）、外部测试集1（n = 100）、外部测试集2（n = 161）和公共TCIA集（n = 88）上进行了验证。基于放射基因组学分析数据集（n = 127），利用多尺度的高维数据，包括成像、转录组和基因组，建立了一个共同分析框架以揭示支撑DLIS的生物途径和基因改变。 

研究表明，DLIS与存活率相关（对数rank p < 0.001），是一个独立的预测因素（p < 0.001）。纳入DLIS的综合列线图比临床分子列线图取得了更好的C指数（净重分类改善0.39，P < 0.001）。DLIS与GBM的核心途径（细胞凋亡和细胞周期相关的P53和RB途径，以及细胞增殖相关的RTK途径）以及关键的基因改变（del_CDNK2A）显著相关。DLIS相关基因的预后价值在TCGA/CGGA集上得到了外部证实（P < 0.01）。 

图 a 放射基因组学的突变情况（n = 46）；b 比较了高风险和低风险亚组之间驱动基因的体细胞拷贝数变异（CNVs），其中del_CDNK2A在高风险组中明显频繁出现；c Kaplan-Meier曲线显示del_CDKN2A患者的总生存期明显变差（p < 0.01）；d Kaplan-Meier曲线显示Amp-CCND2患者的总生存期明显变差（p < 0.01）

本项研究通过利用从一个多中心队列中收集的成像、转录组和基因组数据，发现从MRI中学习到的CNN特征可以为GBM患者提供具有预测预后价值的重要特征。预测预后的CNN特征与核心信号通路（RTK通路、P53和RB通路）和关键基因组改变（CDKN2A缺失）相关。这些发现对于更好地了解GBM患者的预后和指导个体化治疗至关重要。
原文出处：

Jing Yan,Qiuchang Sun,Xiangliang Tan,et al.Image-based deep learning identifies glioblastoma risk groups with genomic and transcriptomic heterogeneity: a multi-center study.DOI:10.1007/s00330-022-09066-x