革新脑肿瘤治疗：人工智能在神经肿瘤学领域的兴起

《npj Precision Oncology》上的一篇新综述文章总结了人工智能(AI)在脑肿瘤的诊断、治疗和预后中的作用。

背景

脑瘤虽然不常见，但在全球构成重大的健康挑战，每年约有25万新病例。仅在美国，2022年就报告了超过96000例脑肿瘤病例，其中约26600例为癌变病例。

胶质母细胞瘤是最常见的脑肿瘤类型，预后特别差，诊断后5年生存率仅为7%。

这突出表明迫切需要改进诊断、治疗和预测脑肿瘤进展的方法。

应对脑肿瘤的挑战

儿童弥漫性中线胶质瘤(DMG)和成人胶质母细胞瘤是最难治疗的脑肿瘤之一，通常被认为是目前医学方法无法治愈的。

量身定制的治疗方法最有可能以最小的伤害提供治愈。然而，挑战在于诊断和治疗脑肿瘤的信息是分散的，很难获得。

只有少数医疗中心可以使用最新的治疗技术。此外，关于这些治疗的许多现有数据仅来自一个或几个机构，限制了许多机构的知识广度和可及性。

基于这些数据的管理方法和诊断标准缺乏人口统计数据，可能无法在全球推广。

社会经济不平等也会限制获得一些关键检测和降低联合治疗的几率，从而导致诊断晚、治疗困难和降低生存率。这包括胶质母细胞瘤的06-甲基鸟嘌呤- DNA-甲基转移酶(MGMT)检测。

在许多病例中，对精确诊断、分期和治疗监测的需求难以满足。

考虑到肿瘤基因型对预后的影响，成像和活检的可及性有限，肿瘤内异质性，以及监测治疗进展的生物标志物可靠性差，这些患者的最佳护理存在重大障碍。

脑肿瘤范例

在大多数情况下，诊断疑似脑肿瘤，首先要进行身体检查和神经成像。随后进行活组织检查。如果可能，切除肿瘤和其他生物标志物并进行组织学和分子分析。

治疗的选择取决于现有的和推荐的护理实践、目前正在进行的临床试验、患者的医疗状况和毒性风险。磁共振成像(MRI)是首选的随访方式，有时还辅以脑脊液(CSF)或血液检查。

“关于脑肿瘤治疗的决策通常涉及神经肿瘤学家、神经外科医生、神经放射学家、分子病理学家和神经病理学家之间的多学科会议，强调了这些决策的复杂性。”

人工智能的优势

人工智能包括机器学习(ML)和深度学习(DL)技术、计算机视觉(CV)，以及将这些技术整合为计算生物学。ML擅长模式识别，DL擅长提取细节特征。CV改进了影像数据的视觉解释，以提供医学数据。

计算生物学使用所有这些方法来解析生物学数据，帮助理解肿瘤遗传学和分子生物学。

这项研究旨在揭示人工智能辅助肿瘤放射学、病理学和基因组学的进展。人工智能对所有这些领域都有协同作用，以提高它们作为脑肿瘤管理综合数据集的作用。

人工智能可以通过提高MRI成像的准确性和提高获得结果的速度，帮助临床医生做出肿瘤管理决策。

它提供了对成像异常的更高灵敏度，详细的图像分析，优化的工作流程，来自多个来源的综合数据分析，以及检测可能被人类观察者遗漏的模式。

人工智能算法有助于更有效地定位肿瘤，避免人为错误。nnU-Net算法在肿瘤分割、减少辐射或手术伤害方面表现优异。

这使得人工智能能够帮助诊断和分级肿瘤，确定预后，并制定治疗计划，同时建立监测框架。

人工智能可能会成为新的临床试验的一部分，通过利用其处理大量数据的能力来探索个性化治疗的可行性。

人工智能使用各种数据类型，包括来自MRI和计算机断层扫描(CT)的成像数据、放射组学、组织病理学数据、基因组学、来自肿瘤细胞的分子生物标志物和临床数据。

神经成像通常使用对比前和对比后的t1加权、t2加权、流体衰减反演恢复(FLAIR)、扩散加权(DWI)和敏感性加权成像(SWI)，以及在专门的中心，MR光谱和灌注成像。

分子生物标志物包括星形细胞瘤和少突胶质细胞瘤的IDH突变，胶质母细胞瘤的TERT启动子突变，胶质母细胞瘤的EGFR扩增，胶质母细胞瘤的7号染色体获得和10号染色体缺失，胶质母细胞瘤的MGMT启动子甲基化。

无创循环肿瘤DNA (ctDNA)分析是诊断此类肿瘤的一种较新的方法。

人工智能平台

3D U-Net、DeepMedic和V-Net是帮助预处理肿瘤图像的人工智能架构，使分析更加稳健和精确。甲基组分析在使用AI/MI和DeepGlioma等系统对脑肿瘤进行分类时很有用。该方法使用刺激拉曼组织学(SRH)在90秒内提供GMB分子诊断结果。

其他基于MRI灌注扫描或18F-FET PET/CT扫描放射组学数据预测IDH和其他突变的系统正在探索中，例如深度学习成像签名(DLIS)和太赫兹光谱。

“Sturgeon”是另一种使用纳米孔测序甲基化阵列数据对术中脑肿瘤进行分类的DL方法。它的周转时间为40分钟，准确率超过70%，有助于手术决策。

影像学数据提供了预测总生存期和无进展生存期的预后帮助，这是两个关键的临床和研究指标。

结合组织学和分子生物学，卓越的预测性能已被证明。

综合的方法

多模态数据融合方法可以使用多个数据源，帮助实现对脑肿瘤更小的侵入性和更准确的理解。这最终将有助于为患者量身定制治疗方案。

挑战在于将数据收集范围扩展和多样化到具有标准化特征的其他人群和肿瘤类型，以确保再现性和普遍性。

人工智能的采用不应加剧医疗保健和社会不平等，强调有必要消除偏见，提供法律支持，透明地传达范围和利益，明确责任并确保患者安全。

结论

人工智能有可能通过提供个性化信息和实现共同决策来赋予患者权力。然而，需要解决人工智能驱动的医疗保健的公平获取和可负担性问题，以避免加剧现有的差距。