清华大学长庚医院的王贵怀教授团队报告了一种新的机器学习模型，该模型首次基于多模态特征来预测髓内胶质瘤的ATRX和P53突变状态和分级。这些模型的广泛应用可以非侵入性地提供更多肿瘤特异性病理信息，用于确定髓内胶质瘤的治疗和预后。研究成果发表在2023年5月的《BMC Med》在线。

——摘自文章章节

髓内胶质瘤（IMGs）占脊髓肿瘤约80%和中枢神经系统肿瘤2-4%，而胶质瘤的肿瘤等级、遗传和组织学特征影响其预后和治疗反应。中枢神经系统肿瘤的WHO第五版分类推广了用于诊断和分级的分子特征应用。通常，需要在手术或活检期间进行病理学检查和免疫组织化学（IHC）来分析肿瘤分子生物标志物。如果没有病理学指导，对于不适合手术的患者或选择非手术治疗的患者，治疗选择则可能受到限制。这些侵入性检查可能会损伤正常的大脑或脊髓组织，由于脊髓的神经结构非常密集，任何轻微的损伤都可能导致身体功能的永久损伤。因此，活检不适用于IMGs，对可以提供IMGs的遗传和组织学证据的非侵入性方法需求大大增加。术前准确分类IMG对于医生制定适当的治疗计划至关重要。

术前磁共振成像（MRI）仍然是临床实践中检测脊髓病变的最广泛使用和有效的技术。越来越多的证据表明，使用MRI通过机器学习或深度学习方法预测胶质瘤类型和分子生物标志物，如IDH1、Ki67和H3-K27M是可行的。尽管IMGs和脑胶质瘤都源于胶质细胞，但原发性IMG的分子特征与脑胶质瘤的分子特征明显不同。如指南所总结，如异柠檬酸脱氢酶（IDH）、肿瘤蛋白p53（P53）和α地中海贫血/精神发育迟缓综合症X连锁（ATRX）等基因的突变位点基因型是胶质瘤分类的重要指标。尽管脑胶质瘤中经常提到IDH突变，但IMG中的IDH突变很少。脊柱中IDH突变的缺失不能用于区分I和II级扩散星形细胞瘤。此外，由于大多数IMG缺乏常规的IDH1 p.R132H突变，因此，确定IMGs中ATRX和P53的突变状态尤为重要。清华大学长庚医院的王贵怀教授团队报告了一种新的机器学习模型，该模型首次基于多模态特征来预测髓内胶质瘤的ATRX和P53突变状态和分级。这些模型的广泛应用可以非侵入性地提供更多肿瘤特异性病理信息，用于确定髓内胶质瘤的治疗和预后。研究成果发表在2023年5月的《BMC Med》在线。

该研究共纳入了461名患者的数据，来自两个不同的医院。这些患者在术前进行了磁共振成像扫描，并提供了临床数据。研究人员使用深度学习模型对磁共振成像扫描进行自动分割，并提取了肿瘤的放射学特征。不同的特征被所提出的神经网络进行处理，并与其它主流模型进行比较。研究人员使用了一种基于Transformer的深度学习模型，对肿瘤的分级和分子标记物的突变状态进行预测。在训练过程中，使用了交叉验证和数据增强等技术来提高模型的性能。随后研究人员对所提出的模型进行了评估，并与其它主流模型进行了比较。评估指标包括准确率、灵敏度、特异度和ROC曲线下面积等。

医院1共有332名患者（主要队列）被划分为训练和内部验证队列，医院2有127名患者被纳入为独立的外部验证队列。在主要队列中，52名患者（15.7%）患有高级别胶质瘤，280名患者（84.3%）患有低级别胶质瘤。外部验证队列包括20名（58.8%）高级别胶质瘤患者和14名（41.2%）低级别胶质瘤患者。在主要和外部验证队列之间，ATRX（79/332，23.8%；43/127，33.9%；p=0.039）和P53（72/332，21.7%；44/127，34.6%；p=0.006）突变数量存在显著差异。同时，两个队列在年龄、性别、发病月份、伴随疾病、吸烟、饮酒或McCormick评分上没有显著差异。利用主要队列中的图像切片以及人工标记的病变，利用Swin transformer模型进行了训练。从患者中随机选择了20%的样本作为测试集，其余的用作训练集。测试证明该深度学习模型对于本研究中的病变分割相对满意。随后在实验数据集中，对于每个患者，提取了1960个放射组学特征针对不同任务：分级预测、分子标志物突变状态检测以及肿瘤分割进行数据分析和处理。