Multimodale

BMC Medicine volume 21, numero articolo: 198 (2023) Citare questo articolo

391 accessi

1 Altmetrico

Dettagli sulle metriche

Determinare il grado e lo stato dei marcatori molecolari dei gliomi intramidollari è importante per valutare i risultati del trattamento e la prognosi. La biopsia invasiva per patologia di solito comporta un alto rischio di danno tissutale, soprattutto al midollo spinale, e attualmente non esistono strategie non invasive per identificare il tipo patologico dei gliomi intramidollari. Pertanto, questo studio mirava a sviluppare un modello di apprendimento automatico non invasivo per assistere i medici nell’identificazione del grado di glioma intramidollare e dello stato di mutazione dei marcatori molecolari.

Sono stati inclusi un totale di 461 pazienti provenienti da due istituti e le loro scansioni di risonanza magnetica pesate in T2 sagittali (SAG) e trasversali (TRA) e i dati clinici sono stati acquisiti prima dell'intervento. Abbiamo utilizzato un modello di deep learning basato su trasformatore per segmentare automaticamente le lesioni nelle fasi SAG e TRA ed estrarre le loro caratteristiche radiomiche. Diverse rappresentazioni di caratteristiche sono state inserite nelle reti neurali proposte e confrontate con quelle di altri modelli tradizionali.

I coefficienti di somiglianza dei dadi del trasformatore Swin nelle fasi SAG e TRA erano rispettivamente 0,8697 e 0,8738. I risultati hanno dimostrato che le migliori prestazioni sono state ottenute nelle reti neurali da noi proposte basate su caratteristiche di fusione multimodale (SAG-TRA-cliniche). Nella coorte di validazione esterna, le aree sotto la curva caratteristica operativa del ricevitore per lo stato classificato (OMS I-II o OMS III-IV), alfa talassemia/sindrome da ritardo mentale X-linked (ATRX) e stato della proteina tumorale p53 (P53) i compiti di previsione erano rispettivamente 0,8431, 0,7622 e 0,7954.

Questo studio riporta una nuova strategia di apprendimento automatico che, per la prima volta, si basa su caratteristiche multimodali per prevedere lo stato delle mutazioni ATRX e P53 e i gradi dei gliomi intramidollari. L'applicazione generalizzata di questi modelli potrebbe fornire in modo non invasivo informazioni patologiche più specifiche per il tumore per determinare il trattamento e la prognosi dei gliomi intramidollari.

Rapporti di revisione tra pari

I gliomi intramidollari (IMG) sono le neoplasie primarie del midollo spinale più comuni e rappresentano circa l’80% dei tumori del midollo spinale e il 2-4% dei tumori del sistema nervoso centrale [1]. Si ritiene che il grado del tumore e le caratteristiche genetiche e istologiche dei gliomi influenzino la loro prognosi e la risposta al trattamento. La quinta edizione della Classificazione OMS dei tumori del sistema nervoso centrale (OMS CNS5) promuove l'applicazione delle caratteristiche molecolari per la diagnosi e il grading. In generale, per analizzare i biomarcatori molecolari del tumore sono necessari l’esame patologico e l’immunoistochimica (IHC) durante l’intervento chirurgico o la biopsia [2, 3]. Senza una guida patologica, le opzioni terapeutiche per i pazienti non idonei alla chirurgia o per coloro che scelgono la terapia non chirurgica possono essere limitate. Sebbene relativamente sicuri, questi esami invasivi possono danneggiare il normale tessuto cerebrale o del midollo spinale. A causa della struttura neurale altamente densa del midollo spinale, qualsiasi lesione minore può causare danni permanenti alla funzione corporea [4]. Pertanto, la biopsia non è adatta per gli IMG e, pertanto, è aumentata la richiesta di approcci alternativi non invasivi in ​​grado di offrire prove genetiche e istologiche degli IMG [5].

La classificazione accurata dell’IMG prima dell’intervento è fondamentale per i medici per sviluppare un piano di trattamento appropriato. La risonanza magnetica preoperatoria (MRI) rimane la tecnica più utilizzata ed efficiente per rilevare lesioni del midollo spinale nella pratica clinica. Prove crescenti hanno rivelato la fattibilità dell’uso della risonanza magnetica per prevedere il tipo di glioma e biomarcatori molecolari, come IDH1, Ki67 e H3-K27M, tramite l’apprendimento automatico o il metodo di deep learning [6,7,8]. Tuttavia, solo un numero limitato di studi ha tentato di prevedere i marcatori e la classificazione degli IMG sulla base della risonanza magnetica a causa della mancanza di formazione sufficiente su tumori così rari [9, 10].