《Frontiers in Oncology》:Multimodal artificial intelligence in glioma management: integrating neuroimaging and hematologic biomarkers for precision oncology
编辑推荐:
本综述深入探讨了人工智能(AI)如何整合多模态神经影像学与血液生物标志物,以支持神经胶质瘤的临床决策。文章系统回顾了机器学习(ML)和深度学习(DL)在胶质瘤检测、分割、分子表型推断和预后预测中的应用,并评估了基于分割和无分割建模范式。同时,文中讨论了扩散、灌注、磁共振波谱(MRS)、代谢及氨基酸正电子发射断层扫描(PET)等先进成像技术,以及血液来源的炎症介质、循环核酸、细胞外囊泡(EV)等生物标志物。最后,文章强调了多模态AI整合空间成像表型与系统生物信号,在改善胶质瘤无创诊断、分子风险分层和治疗监测方面的潜力,并指出了临床转化所依赖的方法学设计、标准化工作流程、严格外部验证等关键要素。
在精准肿瘤学时代,神经胶质瘤的管理依然面临严峻挑战。这类具有高度生物异质性的原发性脑肿瘤,其诊断、预后判断和无创监测因显著的瘤内异质性、治疗相关的影像学改变以及组织生物标志物获取有限而困难重重。尽管分子分类取得了进展,但临床决策仍然严重依赖神经影像学,这凸显了对集成性、数据驱动方法的迫切需求。
人工智能在常规神经肿瘤影像学中的应用
传统机器学习模型,如支持向量机和随机森林,通过分析从神经影像中手工提取的量化特征(影像组学),在区分脑肿瘤类型、提供分子谱信息及预测患者生存结局方面已展现出潜力。这些特征揭示了单凭视觉评估无法获取的肿瘤组织特性、灌注相关信号模式及空间异质性。深度学习,特别是卷积神经网络(CNN),在神经肿瘤学中显示出更高效能。例如,多模态脑肿瘤分割基准(BraTS)已成为推动胶质瘤分割方法发展和基准测试的关键平台。值得注意的是,新兴的无分割监督学习方法(如基于注意力的深度网络)能够在无需肿瘤勾画的情况下,直接从全脑磁共振成像(MRI)中准确预测胶质瘤生存期,这降低了对耗时费力的专家分割的依赖,有利于构建可扩展的工作流程。分割本身则是一项需视具体任务而定的设计决策:对于放疗计划等需要精确定位的应用至关重要;而对于生存建模和生物标志物预测,无分割方法在提高鲁棒性和部署便利性方面可能更具优势。
人工智能在高级神经肿瘤影像学中的应用
超越常规结构MRI,先进的神经影像技术为肿瘤生物学提供了更丰富的视角。扩散加权成像(DWI)和表现扩散系数(ADC)图能反映肿瘤细胞密度和微观结构,将其特征与传统MRI影像组学结合,可提高预测异柠檬酸脱氢酶(IDH)突变、O6-甲基鸟嘌呤-DNA甲基转移酶(MGMT)启动子甲基化等关键胶质瘤分子生物标志物的性能。扩散张量成像(DTI)通过分数各向异性等指标,评估白质微观结构完整性和肿瘤沿纤维束的浸润情况,为手术和放疗计划提供宝贵信息。磁共振波谱(MRS)可量化肿瘤相关代谢物(如N-乙酰天冬氨酸),与人工智能结合有助于胶质瘤分级和鉴别诊断。超极化MRI(HP-MRI)能够实时可视化代谢通量(如丙酮酸向乳酸的转化),是监测治疗反应和早期复发的灵敏工具。氨基酸PET示踪剂(如18F-氟代乙基酪氨酸,FET)因其在肿瘤组织中的特异性摄取,在肿瘤勾画、分级及鉴别治疗相关改变(如假性进展)方面优于18F-氟代脱氧葡萄糖(FDG)。当FET PET与多参数MRI在混合PET/MRI系统中融合时,能超越单纯增强范围识别代谢活跃的肿瘤区域,并通过机器学习模型进一步提升肿瘤分类和分子谱预测(如IDH状态)的效能。
神经肿瘤影像学中的生成建模
生成模型通过数据增强、图像合成和模态转换,正助力解决神经肿瘤学AI中的数据有限、多模态成像不全及采集效率低等问题。例如,基于扩散模型的生成增强可显著改善基于MRI的胶质瘤IDH突变状态预测性能;生成对抗网络(GAN)可用于合成术后对比增强MRI,以在标准序列不可用时评估胶质母细胞瘤(GBM)的切除范围;自监督重建模型则可加速图像重建或去噪,缩短扫描时间,提升患者舒适度。然而,生成AI在临床采纳前仍面临挑战,包括高计算成本、合成图像跨中心的泛化能力、对幻觉特征的担忧、缺乏标准化的定量评估方法,以及监管审批和临床医生信任等问题。
数理神经肿瘤学与系统生物学
数理神经肿瘤学通过显式模拟肿瘤生长、侵袭和治疗反应,为数据驱动的AI模型提供了机制性补充。例如,反应-扩散和增殖-侵袭模型可将MRI可见的肿瘤大小与细胞增殖、浸润等生物学过程联系起来,实现患者特异性的肿瘤生长和复发预测。系统生物学框架则能捕捉成像难以单独推断的胶质瘤侵袭动力学和肿瘤-微环境相互作用。越来越多的观点认为,这些机制模型与现代AI方法具有协同作用:数学模型可为AI流程提供基于生物学的先验或可解释参数,而AI方法可协助从大规模成像数据中估计模型参数。这种混合策略有望提高神经肿瘤学决策支持系统的鲁棒性、可解释性和临床信任度。
脑肿瘤中的血液与液体生物标志物
液体生物标志物因其能反映肿瘤-宿主生物学(如炎症、免疫抑制、代谢)并支持微创纵向监测,而日益成为神经影像学的重要补充。在胶质瘤中,免疫反应和细胞因子信号至关重要。研究表明,基于影像组学的机器学习模型能够无创地预测血液中可检测的免疫介质(如白细胞介素-18 (IL-18)、白细胞介素-7受体 (IL7R))水平,并将之与生存期分层相关联,这提示影像特征可作为免疫活动的替代指标。此外,影像组学特征也被用于预测趋化因子(如CCL2)签名,强化了从成像推断液体可及炎症通路用于预后建模的概念。免疫表型研究强调了胶质母细胞瘤中重要的免疫生态位,而基于术前增强MRI的直方图分析特征,已显示出与肿瘤内CD8+T细胞密度的关联,后者与更好的总生存期(OS)相关。
血液细胞外囊泡(EV)作为液体活检基质受到广泛关注,其携带肿瘤和微环境来源的分子 cargo 进入外周循环。基于连续窗口采集所有理论碎片质谱(SWATH-MS)的EV蛋白质组学分析,已证明可用于胶质瘤监测,产生的高维蛋白质签名可通过计算建模用于疾病风险预测和纵向监测。EV包含的分子 cargo (如蛋白质、微小RNA (miRNA))与胶质瘤进展、侵袭、免疫调节和治疗抵抗相关。处理EV分子数据这类复杂高维结构,尤其适合图神经网络和多模态表示学习等先进AI方法,它们能建模生物相互作用网络和通路关系,并与成像表型更好整合。
神经影像学与血液生物标志物的人工智能多模态整合
多模态AI旨在通过结合神经影像学与系统或肿瘤来源的血液信号,提升神经肿瘤学决策水平。影像提供了肿瘤解剖、灌注、细胞密度和代谢的空间细节,而血液生物标志物则指示免疫抑制、炎症、肿瘤负荷和通路水平的生物学特征。两者结合可减少诊断不确定性、增强风险评估,并实现比单一模态更好的纵向追踪。
在临床实践中,多模态融合主要在三个任务中受益最大:肿瘤鉴别诊断、无创分子谱分析和预后预测。例如,结合成像特征(如强化模式、扩散/灌注特征、氨基酸PET摄取)与反映免疫和微环境状态的血液谱,可改善成像特征重叠的肿瘤的鉴别诊断能力。对于治疗监测,区分真实进展与假性进展至关重要。多模态AI可以将系列成像数据与液体生物标志物(如EV蛋白、炎症介质、循环游离DNA (cfDNA))的趋势相结合。影像信号恶化与血液标志物恶化一致可能增加真实进展的可信度,而血液标志物改善伴影像稳定则提示治疗效应。
融合方法包括早期融合和晚期融合等,其中中期和晚期融合因能处理多样数据类型、模态缺失并清晰归因各模态贡献,常在临床环境中更受青睐。一个典型的多模态AI管线整合了多参数神经影像(MRI、MRS、PET)和血液生物标志物(细胞因子、cfDNA、EV),通过基于AI的分割、特征提取和深度学习融合,最终输出用于诊断、分子谱分析和治疗监测的模型。
临床适应性与转化障碍
临床适应性更多地取决于多模态模型是否能与现实工作流程良好整合,并在不同扫描仪、机构和治疗方案中保持可靠,而不仅仅是峰值性能指标。实用的方法通常使用标准护理中已包含的输入,如基线MRI、可用的氨基酸PET、关键临床变量和选定的血液生物标志物,并输出直接影响临床决策的结果,如风险分组、校准后的概率和个性化生存预测。
然而,多模态AI在脑肿瘤治疗中的临床应用仍面临诸多限制。许多研究是回顾性的、单中心的、样本量不足、缺乏外部验证,且对于假性进展与真实进展等终点的判断标准不一致。影像组学和深度学习易受扫描仪、序列和方案差异的影响。液体生物标志物则受处理程序、检测方法变异以及低肿瘤脱落、血脑屏障效应等生物学因素影响。多模态模型常遇到数据缺失问题。此外,可解释性有限、校准错误、性能漂移以及监管框架的复杂性(如美国食品药品监督管理局 (FDA) 对结合多模态数据的AI决策支持系统的评估)都是重要的转化障碍。
未来方向
未来的工作应侧重于开展多机构验证研究,遵循标准化成像协议,收集生物标志物数据,并使用与神经肿瘤学工作流程一致的临床相关终点。创建基准数据集、建立多模态AI的共享报告标准(包括校准、不确定性和故障检测指标)将有助于增强可重复性。近期的关键目标是利用MRI/PET和液体生物标志物区分真实肿瘤进展与假性进展、早期检测复发以及为基于风险的诊疗决策提供信息。在方法论上,应关注能有效处理数据缺失、模态丢失和领域偏移,并能透明解释模型决策的中期和晚期融合技术。
结论
总而言之,人工智能正在通过促进MRI和PET扫描的定量、多模态分析,实现关键分子特征的无创检测并增强结局预测,从而改变着神经胶质瘤的管理模式。当与炎症介质、细胞外囊泡 cargo、循环核酸等血液及液体生物标志物结合时,AI模型能够整合关于胶质瘤生物学的空间和系统信息,这是单一成像或血液检测无法提供的。要实现现实世界的影响,需要标准化的数据收集流程、严格的外部验证、具有不确定性感知的决策支持系统以及对多样化临床环境的持续性能监控。 collectively,这些发展将多模态AI定位为在胶质瘤治疗中实现更精准、无创的诊断、风险评估和纵向监测的有力工具。