banner
뉴스 센터
영업 및 생산에 대한 폭넓은 지식

다중 모드

Sep 24, 2023

BMC Medicine 21권, 기사 번호: 198(2023) 이 기사 인용

504 액세스

1 알트메트릭

측정항목 세부정보

골수내 신경교종의 등급과 분자 표지 상태를 결정하는 것은 치료 결과와 예후를 평가하는 데 중요합니다. 병리학을 위한 침습적 생검은 일반적으로 특히 척수에 대한 조직 손상 위험이 높으며 현재 골수내 신경교종의 병리학적 유형을 식별하는 비침습적 전략은 없습니다. 따라서 이 연구는 의사가 골수내 신경교종 등급과 분자 표지의 돌연변이 상태를 식별하는 데 도움이 되는 비침습적 기계 학습 모델을 개발하는 것을 목표로 했습니다.

2개 기관의 총 461명의 환자가 포함되었으며, 수술 전 이들의 시상면(SAG) 및 횡방향(TRA) T2 강조 자기공명영상 스캔과 임상 데이터를 획득했습니다. 우리는 SAG 및 TRA 단계의 병변을 자동으로 분할하고 방사성 특성을 추출하기 위해 변환기 기반 딥 러닝 모델을 사용했습니다. 다양한 특징 표현이 제안된 신경망에 입력되어 다른 주류 모델의 표현과 비교되었습니다.

SAG 및 TRA 단계에서 Swin 변환기의 주사위 유사성 계수는 ​​각각 0.8697 및 0.8738이었습니다. 결과는 다중 모드 융합(SAG-TRA-임상) 기능을 기반으로 제안된 신경망에서 최고의 성능을 얻었음을 보여주었습니다. 외부 검증 코호트에서 등급(WHO I–II 또는 WHO III–IV), 알파 지중해빈혈/정신 지체 증후군 X-연관(ATRX) 상태 및 종양 단백질 p53(P53) 상태에 대한 수신자 작동 특성 곡선 아래 영역 예측 작업은 각각 0.8431, 0.7622 및 0.7954였습니다.

이 연구는 처음으로 ATRX 및 P53 돌연변이 상태와 골수내 신경교종의 등급을 예측하기 위한 다중 모드 기능을 기반으로 하는 새로운 기계 학습 전략을 보고합니다. 이러한 모델의 일반화된 적용은 골수내 신경교종의 치료 및 예후를 결정하기 위한 더 많은 종양 특이적 병리학적 정보를 비침습적으로 제공할 수 있습니다.

동료 검토 보고서

골수내 신경교종(IMG)은 가장 흔한 원발성 척수 종양으로 척수 종양의 약 80%, 중추신경계 종양의 2~4%를 차지합니다. 신경교종의 종양 등급과 유전적, 조직학적 특성은 예후와 치료 반응에 영향을 미치는 것으로 간주됩니다. WHO 중추신경계 종양 분류(WHO CNS5) 제5판에서는 진단 및 등급 분류를 위한 분자적 특성의 적용을 장려합니다. 일반적으로 종양 분자 바이오마커를 분석하기 위해서는 수술이나 생검 중 병리학적 검사와 면역조직화학(IHC)이 필요합니다[2, 3]. 병리학적 지도가 없으면 수술이 적합하지 않거나 비수술적 치료법을 선택하는 환자에 대한 치료 옵션이 제한될 수 있습니다. 이러한 침습적 검사는 상대적으로 안전하지만 정상적인 뇌나 척수 조직을 손상시킬 수 있습니다. 척수의 신경 구조는 밀도가 높기 때문에 작은 부상이라도 신체 기능에 영구적인 손상을 줄 수 있습니다[4]. 따라서 생검은 IMG에 적합하지 않으며, 이에 따라 IMG의 유전적, 조직학적 증거를 제공할 수 있는 대체 비침습적 접근법에 대한 수요가 급증했습니다[5].

수술 전 IMG의 정확한 분류는 의사가 적절한 치료 계획을 개발하는 데 중요합니다. 수술 전 자기공명영상(MRI)은 임상 실습에서 척수 병변을 탐지하는 데 가장 널리 활용되고 효율적인 기술입니다. 기계 학습이나 딥 러닝 방법을 통해 MRI를 사용하여 신경교종의 유형과 IDH1, Ki67, H3-K27M과 같은 분자 바이오마커를 예측하는 타당성이 밝혀지고 있습니다[6,7,8]. 그러나 이러한 희귀 종양에 대한 충분한 훈련이 부족하여 MRI를 기반으로 IMG의 마커 및 분류를 예측하려는 연구는 제한적입니다 [9, 10].

 0.8) were included in the analysis [20]. Then, the selected stable features were tested using the independent samples t-test or the Mann–Whitney U test to select potential important features. Features that did not meet the criteria for either of the aforementioned tests were excluded. This study adopted the least absolute shrinkage and selection operator (LASSO) on the training cohort to screen significant features with non-zero coefficients that can differentiate ATRX and P53 mutation status or glioma grade separately. For the three outcomes of ATRX, P53, and tumor grade, we used LASSO to select features in the TRA, SAG, and TRA + SAG groups, respectively. The aforementioned calculation methods are available in PyRadiomics 2.2.0 documentation [21]./p>