整合成像和基因组数据,以发现不同的质母细胞瘤亚型:一种联合学习方法
Jun Guo1,2,3, Anahita Fathi Kazerooni1,2,4,5, Erik Toorens6
1Center for Biomedical Image Computing and Analytics (CBICA), University of Pennsylvania, 3700 Hamilton Walk, 7Th Floor, Philadelphia, PA, 19104, USA.
Scientific reports
|February 28, 2024
概括
研究人员开发了一种机器学习方法,使用MRI扫描和遗传数据来识别质母细胞瘤亚型. 这种方法揭示了三个不同的风险组,有助于为这种复杂的大脑瘤提供个性化治疗策略.
科学领域:
- 神经瘤学神经瘤学
- 医学成像医学成像
- 计算生物学是一种计算生物学.
背景情况:
- 质母细胞瘤是一种复杂的脑瘤,具有显著的分子和表型异质性.
- 个性化疗法需要非侵入性方法来体现质母细胞瘤异质性 in vivo.
- 目前的分类方法可能无法完全捕捉整合的生物和成像特征.
研究的目的:
- 开发一种无监督的联合机器学习方法,将放射性和基因组数据集成为质母细胞瘤亚型.
- 识别具有不同预后结果和生物特征的独特质母细胞瘤亚型.
- 为了证明结合成像和分子数据的价值,以改善质母细胞瘤分类.
主要方法:
- 对571名IDH野生型质母细胞瘤患者的回顾性分析.
- 从手术前的多参数MRI扫描中提取12个放射性特征,使用L21规范最小化.
- 从目标下一代测序 (NGS) 数据中选择了13个关键驱动基因.
- 基于的部分多模式集群的应用,用于放射性和基因组数据的联合分析.
主要成果:
- 根据整体存活率确定了三种不同的质母细胞瘤亚型:高风险,中风险和低风险.
- 亚型之间表型 (成像直方图) 和分子 (基因共发生) 特征的显著差异.
- 在已识别的亚型中,证明了放射性和基因组模式之间的相关性.
结论:
- 综合的放射性特征和分子特征为质母细胞瘤亚型化提供了协同价值.
- 在多模式数据上的联合学习可以提高对质母细胞瘤表型分子基础的理解.
- 这种方法提供了关于质母细胞瘤形成和进展的生物学基础的见解,支持个性化医学.
