使用高级扩散MRI的定量放射性特征进行介质质母细胞瘤的非侵入性鉴定:一种临床前至临床转移学习策略
Alberto L Gallotti1,2,3, Nicolò Pecco3,4, Valentina Pieri1,4
1Neural Stem Cell Biology Unit, Division of Neuroscience, IRCCS San Raffaele Scientific Institute, Milan, Italy.
European radiology experimental
|November 14, 2025
概括
先进的扩散MRI放射学可以非侵入性地预测介质细胞母细胞瘤 (GBM) 亚型. 这种在临床前数据上训练的机器学习模型对个性化GBM治疗策略有前途.
科学领域:
- 神经成像是一种神经成像.
- 在瘤学瘤学.
- 机器学习 机器学习
背景情况:
- 质母细胞瘤 (GBM) 包含不同的分子子组,其中介质母细胞瘤 (MES) 亚型呈现最差的预后.
- 准确的非侵入性方法对于确定GBM分子状态至关重要.
- 像DTI和NODDI这样的高级扩散MRI (dMRI) 技术提供了详细的瘤微观结构量化,超过了传统的MRI放射学.
研究的目的:
- 为了识别MES GBM特有的先进的dMRI放射性特征.
- 开发和验证用于非侵入性MES GBM预测的机器学习模型.
- 建立从临床前模型到人类患者的放射性生物标志物的跨物种通用性.
主要方法:
- 招募了36名接受手术前DTI和NODDI协议的GBM患者.
- 建立了特定子组的GBM球形细胞 (GSC) 线和异种移植用于临床前dMRI分析.
- 采用临床前到临床转移学习方法,使用机器学习 (XGBoost) 进行模型开发和验证.
主要成果:
- 对于MES GBM预测,XGBoost模型实现了0.93的AUC和0.86的平衡精度.
- 一个选定的9个dMRI特征的子集显示了MES附属性的高预测准确性.
- 该模型成功地将异种移植数据推广到一个独立的患者队列.
结论:
- DTI和NODDI放射学有效地识别了预测MES GBM的关键特征,与生物和临床特征相关联.
- 一个经过验证的基于DTI/NODDI的模型证明了放射性生物标志物的跨物种通用性.
- 这种非侵入性方法使GBM患者的分子分层化成为可能,并可能引导量身定制的治疗.
