《Nano Trends》：Artificial Intelligence Assisted Delivery of Theranostic Nanofibers for Glioblastoma Therapy: Design, Manufacturing, And Kinetic Modelling
编辑推荐：
胶质母细胞瘤（GBM）高度侵袭性，生存率极低，并对多种治疗表现出耐药性。研究GBM所面临的挑战使得寻找该疾病预后变量的新方法变得势在必行。纳米材料独特的物理化学特性促使其被应用于众多不同的科学和工业领域。利用纳米纤维作为体外胶质瘤微环境模型的构建模块，可以研究
胶质母细胞瘤（GBM）高度侵袭性，生存率极低，并对多种治疗表现出耐药性。研究GBM所面临的挑战使得寻找该疾病预后变量的新方法变得势在必行。纳米材料独特的物理化学特性促使其被应用于众多不同的科学和工业领域。利用纳米纤维作为体外胶质瘤微环境模型的构建模块，可以研究胶质瘤细胞的侵袭和迁移过程。此外，诊疗一体化纳米纤维最近在光动力疗法、磁共振成像（MRI）、计算机断层扫描（CT）等领域得到了广泛应用。同时，人工智能（AI）已发展成为一种强大的工具，用于进行精确分析并从现有医学数据中获取更丰富的信息。通常，AI被用于创建预后预测模型、治疗反应/耐药模型以及癌症亚型识别策略。目前，GBM领域的研究人员正在开发越来越多由AI辅助的算法。在此，研究人员聚焦于AI在GBM诊断中的作用，以及在优化制剂参数、预测纳米纤维直径和最小化批次间差异方面的应用。此外，本综述总结了AI在动力学建模中的应用，并深入探讨了纳米纤维的诊疗一体化成像。
研究背景与现存问题
胶质母细胞瘤（GBM）是成人中最常见、最具破坏性和侵袭性的脑癌，占所有脑癌的70%以上。其平均生存期仅为约15个月，五年生存率仅有5.5%。当前标准治疗方案包括手术切除、放疗和化疗，但由于肿瘤细胞的弥漫性浸润和分布不可预测，手术难以完全根除，术后复发率高达80%-90%，且尚无有效治疗方法。传统药物递送系统如微/纳米颗粒和压缩药片存在脑内高组织间隙压导致的药物清除风险、初始爆发释放引起的神经毒性以及表面积体积比小导致药物扩散受限等问题。因此，迫切需要一种综合性的治疗策略，既能清除主肿瘤，又能靶向浸润到邻近组织的细胞。
研究目的与意义
为了克服上述挑战，研究人员探索了基于纳米纤维的新型药物递送系统。静电纺丝纳米纤维因其高表面积、小孔隙和高载药效率，能够实现药物的持续、局部化递送，尤其适用于术后管理局部脑肿瘤和残留微小病灶。更重要的是，将人工智能（AI）与机器学习（ML）整合到纳米纤维的设计、制造和性能预测中，有望通过数据驱动的方式优化电纺参数、预测纤维直径、减少批次差异，并建立药物释放动力学模型，从而加速材料发现、提高治疗精度并实现个性化医疗。本综述旨在全面阐述AI在GBM诊断、纳米纤维设计与制造、药物释放动力学建模以及诊疗一体化成像中的关键作用。
主要关键技术方法
- 1.
机器学习（ML）算法：研究使用了多种监督学习算法，包括人工神经网络（ANN）、支持向量机（SVM）、随机森林（RF）、决策树（DT）和极端梯度提升（XGBoost），用于预测纳米纤维直径、优化电纺参数和模拟药物释放动力学。无监督学习方法如主成分分析（PCA）和K-means聚类也被用于识别影响纤维直径的关键因素。
- 2.
深度学习（DL）模型：采用卷积神经网络（CNN）进行医学图像（如MRI）的自动分割和分类，以提高GBM诊断的准确性。Transformer架构（如Restrfcn）被用于从衍射数据中提取纤维取向参数。基础模型（如SAM）展示了零样本或少样本学习能力，可用于纤维分析。
- 3.
数值模拟与混合模型：将质量传递方程和动力学模型的数值解与机器学习模型（如高斯过程回归GPR）相结合，以预测药物浓度和释放曲线。例如，Woodring等人利用GPR模型预测了乙酰化葡聚糖（Ace-DEX）纳米纤维的药物释放。
- 4.
数据集来源：研究利用了来自公开挑战赛（如BraTS 2021）的MRI影像数据，以及从文献中整理的电纺纳米纤维实验数据（如FEAD数据集）。
研究结果
2. 人工智能在胶质母细胞瘤诊断中的应用
AI，特别是基于深度学习（DL）和卷积神经网络（CNN）的算法，在处理GBM相关的神经影像数据方面展现出巨大潜力。它们能够通过放射组学（Radiomics）分析，从影像中提取定量特征，区分GBM与其他脑部病变、预测肿瘤分级和预后，并进行自动化的肿瘤分割。Pemberton等人的回顾性研究利用DeepMedic、nnU-Net和NVIDIA-Net等模型对多中心MRI数据进行训练和评估，结果显示所有模型的Dice相似系数中位数均达到或超过人类评分者间的一致性水平（0.74-0.85），其中nnU-Net表现最佳，证明了其在临床环境中作为可靠自动化胶质瘤分割系统的潜力。Blumenthal等人则开发了一种基于SVM的自动化方法，利用动态对比增强MRI特征成功区分高级别胶质瘤中的增强与非增强肿瘤组织，其灵敏度和特异性均达到100%，并能提前数月检测到提示疾病进展的早期变化。
3. 人工智能在纳米纤维设计中的作用
AI通过处理和分析海量数据，能够确定最佳的纳米纤维合成条件、追踪材料和功能化方法的使用情况，并优化生产过程，确保生产出具有特定性能的高质量纳米纤维。在纤维表征方面，基于AI的自动化分析（如使用CNN处理透射电子显微镜图像）加速了纤维形态、缺陷密度和对齐度的评估。基础模型（如SAM）的引入为纤维分析提供了零样本学习能力，降低了标注成本。混合架构（如结合CNN编码器和Transformer解码器的TransUNet和SwinUNet）在复杂纤维网络分析中展现出最大潜力。
4. 预测纳米纤维直径的机器学习方法
ML为阐明和优化控制纳米纤维形态和直径的电纺工艺参数提供了强大的预测能力。ANN模型在捕捉工艺参数与纤维尺寸之间的非线性关系方面优于传统回归模型。SVM在小数据集上表现出良好的泛化能力。无监督学习方法如PCA有助于识别影响纤维发育的最关键变量。Sarma等人通过汇编文献数据创建了FEAD数据集，并采用多模型ML方法对聚偏氟乙烯（PVDF）纤维直径进行建模，确定了进料速率、聚合物含量、Flory-Huggins Chi参数和相对能量差是最具影响力的实验属性。Priyanto等人提出了一种基于深度特征嵌入的ML方法，直接从SEM图像预测平均纳米纤维直径，其中kNN模型在所有测试数据集中表现出持续最优的性能。
5. 人工智能辅助的纳米纤维优化/制造
AI在优化电纺参数（如电压、距离、溶液浓度、流速）以实现目标纤维直径、形态和孔隙率方面至关重要。研究指出，尽管AI辅助的纳米纤维工程存在局限性（如模型可解释性有限、对过拟合敏感、依赖高质量标准化数据集），但其通过集成平台优化诊疗纳米纤维开发的多个相互关联阶段的能力是革命性的。例如，Karimi等人利用ANN预测壳聚糖（CS）/聚乙烯醇（PVA）复合纳米纤维的直径，获得了0.93866的相关系数。Zeerati等人使用基因表达编程（GEP）和遗传算法（GA）预测并优化了用于冠状病毒防护的尼龙-6,6纳米纤维直径，成功将其控制在约55.8 nm。Sukpancharoen则提出了一种数据驱动的方法，利用RF和ETR模型实现了最高的纤维直径预测精度（RMSE分别为92.3和96.1 nm），并开发了交互式网络服务器ENDP。
6. 用于胶质母细胞瘤治疗的纳米纤维基药物递送系统
该部分详细介绍了多种基于纳米纤维的GBM治疗策略：
- •
控释策略：Norouzi等人开发的负载盐霉素的PLGA纳米纤维可实现为期两周的持续释放，并对人GBM U-251细胞显示出显著的细胞毒性。Irani等人通过Box-Behnken设计优化了负载TMZ的金纳米粒子/聚氨酯复合纳米纤维的参数。Sayin等人制备了pH响应性的玫瑰红（RB）负载PVA纳米纤维涂层，实现了pH依赖性的药物释放。
- •
细胞捕获与迁移抑制：Huang等人利用定向排列且密度可控的纳米纤维平台发现，细胞迁移速度与纳米纤维密度成反比，高密度纤维网可限制细胞运动并捕获高侵袭性细胞。
- •
靶向药物递送：Zhu等人设计了可注射的、对活性氧（ROS）和基质金属蛋白酶（MMP）双重响应的TMZ负载纳米纤维复合水凝胶，在原位不完全胶质瘤模型中有效限制了复发性GBM的发生。
- •
联合疗法：Bazzazzadeh等人设计了磁性MIL-53金属有机框架（NMOFs）负载的核壳纳米纤维，协同递送TMZ和紫杉醇（PTX），并结合热疗，在U-87 MG GBM细胞系中实现了49.6%的凋亡率。Li等人则创建了共载TMZ和17-AAG的PCL纳米纤维网，在T98G细胞系中显示出协同细胞毒效应。
7. 人工智能与动力学建模
AI（尤其是ML）克服了传统动力学模型（如零级、一级、Higuchi模型）难以捕捉非线性和多变量依赖关系的局限。ML算法（如ANN、SVM、RF、GPR）能够从大量配方和工艺参数数据中学习，预测药物释放动力学。Woodring等人利用高斯过程回归（GPR）模型，基于30种Ace-DEX纳米纤维支架的体外释放数据，成功预测了不同药物的分数释放，证明了一种药物无关的预测方法是可行的。Alqarni等人则比较了决策树（DT）、随机森林（RF）和极端随机树（ET）三种回归模型在预测药物浓度方面的表现，结果显示经萤火虫群优化（GSO）算法优化后的ET模型取得了最高的预测精度（R2=0.99854）。
8. 人工智能与基于纳米纤维的胶质母细胞瘤诊断与成像
AI驱动的成像分析，特别是深度学习（DL），极大地提升了GBM的诊断和预后评估能力。CNN被广泛用于MRI图像的自动分割和分类，能够识别常规放射组学程序难以发现的微观变化。术前利用MRI对GBM肿瘤进行识别和分类对于评估肿瘤位置、类型和大小至关重要，而DL能够高效完成这一任务，避免了手动分类的繁琐和易错性。
总结讨论与研究结论
本综述强调，AI作为一种预测性工具，贯穿于纳米纤维治疗工作流程的各个环节，从电纺参数的预测与优化、制造质量控制、药物释放动力学与药代动力学建模，到肿瘤给药、诊疗一体化成像和治疗反应监测。AI的应用有助于减少试错成本、提高治疗精度、实现个性化治疗和支持适应性治疗优化。与传统仅关注电纺纳米纤维或AI赋能纳米医学的综述相比，本研究独特地突出了AI在整个纳米纤维治疗工作流中的整合作用。研究结论表明，将AI与纳米纤维技术深度融合，为开发更安全、更有效、更个性化的GBM治疗策略开辟了新的途径，有望最终改善这种致命疾病的患者预后。
