利用立体定位和深度学习将全外显子组测序映射到体内成像

本研究提出了一种多方面的方法，结合了立体定位活检与标准临床开颅手术以收集样本、MR 图像的体素分析、基于回归的广义加性模型 (GAM) 以及全外显子组测序。这项工作旨在展示机器学习算法预测细胞和分子肿瘤特征变化的潜力。这项回顾性研究招募了十名未经治疗的放射学确诊胶质瘤患者（5 名 WHO II 级，5 名 WHO IV 级）。每位患者在手术前（27.9+/-34.0 天）接受了多参数 MR 扫描（T1W、T1W-CE、T2W、T2W-FLAIR、DWI）。在标准开颅手术过程中，从每位患者收集了至少 1 次立体定位活检，并保存了样本位置的截图以便与术前 MR 数据进行空间配准。对速冻肿瘤样本进行了全外显子组测序，优先关注五种胶质瘤相关基因的特征：IDH1、TP53、EGFR、PIK3CA 和 NF1。回归是使用 GAM 实施的，每个预测变量使用单变量形状函数。使用标准受试者工作特征分析来评估检测效果，并计算每个基因靶点和 MR 对比组合的 AUC（曲线下面积）。五个基因靶点和 31 种 MR 对比组合的平均 AUC 为 0.75+/-0.11；单个 AUC 高达 0.96（IDH1 和 TP53 配合 T2W-FLAIR 及 ADC）和 0.99（EGFR 配合 T2W 及 ADC）。使用 T1W、T2W-FLAIR 和 ADC 的组合，五种突变的平均 AUC 达到 0.85。这些结果表明，通过结合胶质瘤样本的立体定位和半参数深度学习方法，有可能从无创体内成像中预测全外显子组范围的突变事件。这种方法有望通过更好地解决胶质瘤肿瘤的基因组异质性来改进靶向治疗。