首页 > 男性保健 > 正文

【神麻人智】使用神经影像和机器学习预测胶质母细胞瘤的无进展生存期

2026-11-08 13:00


深度解析医学证据,lxfs.net为你支撑决策

image.png

摘要

目的:胶质母细胞瘤(GBM)是最常见且最具侵袭性的恶性胶质瘤。在医疗干预前准确地评估无进展生存期(PFS)可改善临床决策并改善患者护理。本研究利用机器学习(ML),基于医疗干预前的静息态网络(RSN)连接性预测GBM患者的PFS。

方法:从华盛顿大学医学中心回顾性招募GBM患者(N = 45,平均年龄62.1 ± 10.3岁,平均PFS 9.5 ± 5.6个月,男性占62.2%)。所有患者均在手术前完成结构性神经影像和静息态功能MRI检查。基于静息态功能连接性训练深度神经网络以预测PFS。在训练前通过特征选择识别出15个最强的预测特征。

结果:性别(p = 0.0037)、总生存期(p = 0.0003)、MGMT启动子甲基化状态(p = 0.0064)、无力表现(p = 0.0037)和记忆障碍表现(p = 0.045)与PFS显著相关。肿瘤频率和空间相关性分析将背侧注意网络、视觉网络、额顶网络和默认模式网络与较短的PFS相关联。相反,右颞叶肿瘤与更好的预后相关。RSN空间图显示,相较于对照组,GBM患者的联合网络存在广泛改变。MRMR特征选择识别出丘脑和联合网络连接性——包括躯体运动网络、腹侧和背侧注意网络以及默认模式/顶叶记忆网络——为PFS的最强预测因子。采用留一法验证,模型预测PFS的RMSE为1.26个月,MAE为1.08个月,R²为0.96(p < 0.001)。

结论:研究结果表明,GBM可在广泛范围内改变大脑功能组织,而全局效应能够为患者预后提供有价值的信息。

引言

胶质母细胞瘤(GBM)是一种原发性中枢神经系统恶性肿瘤,约占成人原发性恶性脑肿瘤的80%;据报道一年总生存率约为68%,且在≥65岁人群中发病率最高。尽管新型治疗方法的研发持续推进,生存获益仍然有限,同时治疗反应的异质性制约了临床医生对个体患者结局的预估能力。治疗疗效的局限性加剧了患者与医疗服务提供者对后疾病预期进程及预后的不确定性。无进展生存期(PFS)是指以放疗后首次MRI扫描为基线、至疾病复发或死亡日期之间的间隔(中位数约7个月),在临床试验中被广泛用作治疗疗效的评价指标。鉴于生存窗口较短,若能在手术干预前预测PFS,则有望提高预后评估的准确性并为临床决策提供依据。

术前MRI对手术规划至关重要,而实现最佳结局需要在切除范围与神经功能及生活质量之间取得平衡。多种基于MRI的方法已被用于GBM的预后评估,包括放射组学、弥散MRI和结构MRI。结构MRI可提供肿瘤大小与位置的信息,而皮质厚度等结构特征亦与多种神经及精神疾病(包括高级别胶质瘤)的疾病结局相关。然而,单纯的结构测量难以捕捉网络层面的改变。在旨在预测PFS的MRI模态研究不断拓展的背景下,功能MRI通过捕捉超出局灶性结构肿瘤边界的功能破坏,提供了网络层面的视角。此外,血氧水平依赖(BOLD)静息态fMRI(RS-fMRI)能够表征特定认知功能,并可刻画与健康衰老及神经退行性疾病相关的功能改变。在脑肿瘤患者中,RS-fMRI已展现出用于术前功能网络描绘及作为预后生物标志物的潜力。

GBM的生存建模历来依赖基于回归的生存模型与风险模型。尽管这些方法为理解生存模式及相关风险因素提供了有价值的见解,但现代机器学习方法能够处理高维度复杂数据并建模非线性交互,且无需对数据特征作出假设。机器学习已广泛应用于神经肿瘤学领域,涵盖基于MRI的组织分割以及预测肿瘤遗传学和转录组亚型等临床相关特征的放射组学分析。鉴于机器学习对功能网络组织中所蕴含的生物学与临床信息的预测能力,我们假设基于功能MRI数据训练的模型能够提供与PFS相关的预后信息。

本研究将机器学习应用于RS-fMRI,以预测45例GBM患者初诊时的PFS。我们仅使用源自15个静息态网络(RSN)的术前功能连接(FC)特征训练深度前馈神经网络。该方法有望为手术规划提供参考、指导个性化治疗策略、支持共享决策,并为GBM患者的临床试验设计提供助益。

方法

患者

从华盛顿大学医学院神经外科脑肿瘤服务中心回顾性招募GBM患者(N = 45)。所有病例均基于神经病理学部于2012年5月至2020年9月期间评估的手术标本,经组织病理学确认为GBM。仅接受活检(即未行切除)的患者予以排除。纳入标准包括:脑肿瘤首次发生、接受活检或手术治疗,以及具备术前结构与功能MRI资料。排除标准包括:年龄小于18岁者及失访患者。诊断依据支持GBM的组织形态学与组织化学特征,参照相应的WHO 2007和2016指南,包括存在星形细胞样外观的肿瘤细胞、微血管增生、假栅栏状坏死、多形性深染核及频繁核分裂象。

临床与治疗变量:采集年龄、性别、PFS(放疗后首次MRI至复发或死亡)、总生存期(放疗后首次MRI至死亡)、切除范围(全切/次全切)、LITT、肿瘤位置、KPS评分、肿瘤遗传学指标(MGMT、EGFR、TERT、IDH1、PTEN)及合并症(酒精使用障碍、吸烟、高血压、高脂血症、慢性肾病、心脏病、深静脉/肺栓塞、精神疾病、视力缺陷、卒中、肥胖、糖尿病等),并记录表现症状(无力、视力变化、失语、意识模糊、记忆障碍、癫痫)。治疗方案包括Stupp方案和放疗。遗传数据由Foundation Medicine商业实验室及华盛顿大学基因组学与病理学服务检测。

肿瘤复发定义:依据RANO 2.0高级别胶质瘤标准判定。以放疗后基线为准,将随访影像与基线后扫描比较,评估肿瘤进展或稳定。可测量病灶为边界清晰、≥2个轴位层面可见、垂直测量>10 mm的强化病灶;进展定义为强化病灶垂直乘积之和增加≥25%(即使类固醇剂量稳定或增加)。非强化FLAIR/T2W病灶若显著增加且归因于肿瘤病理而非合并因素,亦符合进展。PFS为放疗后首次MRI至复发或死亡的间隔,复发另经非类固醇减量所致的临床恶化验证。

功能连接:基于既往发表的15个RSN生成相似性图,ROI不因邻近肿瘤而排除,取各网络体素概率最高值(>0.8)。15个RSN包括背侧躯体运动(SMD)、下躯体运动(SMI)、扣带盖(CON)、听觉(AUD)、默认模式(DMN)、顶叶记忆(PMN)、视觉(VIS)、额顶(FPN)、突显(SAL)、腹侧注意(VAN)、背侧注意(DAN)、内侧颞叶(MTL)、奖赏(REW)、丘脑(THA)和基底节(BGA)。计算网络间ROI的Pearson相关,得到120个网络内和网络间相似性指标:网络间相似性为两网络时间序列集之间体素-体素Pearson相关矩阵的均值,网络内相似性为网络内所有体素相关矩阵下三角的均值。相关计算前,缺失或非有限值以ROI均值填补。

机器学习与统计分析:分析在MATLAB R2021b或R 4.2.1中完成。采用MRMR特征选择识别最具信息量且非冗余的FC特征子集,其原则为同时最大化特征与结局变量的相关性并最小化特征间冗余。鉴于队列规模较小,特征选择在模型训练前进行,以避免过拟合并提高泛化性。从全部FC特征中仅选取MRMR排名前15的特征(对应PCA解释80%方差)作为模型输入,以此作为维度控制手段,在保留FC特征空间大量信息的同时使预测变量数量相对于队列规模保持适度;该阈值旨在平衡信息保留与过拟合风险,而非无限制的性能优化步骤。MRMR特征选择亦在每个LOOCV训练折内独立进行:每次迭代先排除留出受试者,再行特征排序,仅用该折训练受试者应用MRMR,随后以所选特征训练模型并预测留出受试者。各折间前15个预测因子保持一致,折间变异性极小。此外,通过平均各网络所有网络内和网络间特征权重生成每网络平均特征权重,再将其与公开FC概率图取点积,计算体素级FC特征图。

PFS预测模型:采用深度前馈人工神经网络(ANN),架构为输入层后接三个全连接层,各层间以非线性激活函数(sigmoid)和层归一化分隔,所有模型均使用拟牛顿L-BFGS优化器训练。通过系统超参数搜索确定最优配置:先以随机权重初始化以减轻局部极小值影响;再评估不同隐藏层规模(每层5、10或15个神经元);最后测试不同损失函数(MSE、MAE和Huber损失)。每种配置训练重复约50次,基于训练和验证准确率评估性能,保留配置内最佳模型,迭代优化直至收敛于最准确架构。

模型采用LOOCV框架训练,确保对每名受试者的无偏评估。数据增强仅在训练集内应用,以防泄漏至留出样本,包括两种随机化策略:(1)选取70–80%可用时间点用于FC估计;(2)选取70–80%体素级ROI用于计算最终FC均值。每个优化周期生成随机数量的增强训练样本(10–500个),使每个新初始化模型在不同的增强输入-输出对上训练;此过程中随机抽取5–20%增强训练数据用于验证终止,确保与留出LOOCV受试者无重叠。PFS以月为单位报告,结局离群值(n=2)在24个月处截尾。

网络层面差异量化:使用既往发表的基于2,000名对照的RSN概率图(经3D卷积神经网络处理)计算各RSN效应量。肿瘤患者经相同3D-CNN映射流程处理,其RSN概率图跨受试者平均,以生成可比的组水平表示。对每个RSN计算对照组与肿瘤组平均概率分布间的Cliff's delta,评估两组RSN概率分布的非重叠程度,并提供特定网络空间组织在GBM中差异强度的标准化度量。由于该分析基于组平均RSN概率图而非个体水平值,所得效应量反映整体RSN表达中网络广泛改变的程度,而非受试者特异性变异。

结果

切除范围(EOR)与PFS无显著关联。该队列以男性为主(62.2%),诊断时平均年龄为62.1 ± 10.3岁。PFS的平均值和中位数分别为9.5个月和6.8个月。在所测量的变量中,性别(p = 0.0037)、总生存期(p = 0.0003)、MGMT启动子甲基化状态(p = 0.0064)、无力表现(p = 0.0037)和记忆障碍表现(p = 0.045)与PFS相关。在线资源3展示了通过平均肿瘤分割图计算的队列水平肿瘤频率图,以及每个RSN的平均频率。肿瘤最常累及BGA、CON和FPN。

图1展示肿瘤分割图与PFS的空间相关性和ROI相关性。较长的PFS与位于右侧颞叶区域的肿瘤相关,主要累及MTL、CON、BGA和REW。相反,累及DAN、VIS、FPN和DMN的肿瘤与较短的PFS相关。总体而言,与左半球肿瘤相比,右半球肿瘤与较长的PFS相关。

图片

图1 PFS与肿瘤频率的空间关联。(a) 受试者水平PFS与肿瘤分割图之间关联的体素级空间模式。红色表示与较长PFS相关的区域。(b) 按每个RSN平均的相关性。

图2显示健康对照与GBM患者平均RSN概率图之间的差异。图2a显示来自既往发表工作的对照组全脑RSN概率图,其通过提取每个体素argmax分配网络的softmax概率生成。数值越大代表该区域与其所分配RSN的关联越强。图2b呈现了肿瘤患者的相应平均图,图2c展示了对照组与肿瘤患者之间每个RSN的效应量。Cliff's delta效应量表明,最大的组间差异出现在DMN(0.81)、DAN(0.74)、FPN(0.72)、VAN(0.65)、CON(0.60)、AUD(0.57)、SMI(0.54)和THA(0.52)。所有网络在肿瘤患者中均显示相对于对照组的概率降低,表明存在全局性疾病负担。

图片

图2 效应量:对照组/急性期。(a) RSN分布,在2,000名对照受试者中平均。(b) 相应的RSN分布,在肿瘤患者中平均。(c) 对照组与肿瘤患者之间网络特异性概率差异的效应量,其中正值表示概率较高,反映更正常或健康的网络组织。

图3a展示了MRMR特征选择结果。用于模型训练的前15个RSN特征包括PMNxTHA、SMIxVIS、SMDxVAN、SMIxREW、SALxBGA、DMNxVAN、DMNxTHA、MTLxTHA、SMIxDMN、PMNxSAL、FPNxREW、SMDxSAL、SALxDAN、PMNxBGA和FPNxSAL。图3b展示了按每个RSN基准平均的特征权重(所有特征),排名靠前的网络包括SMI、VAN和VIS。图3c展示了将这些特征权重映射到空间RSN分布上的结果。

图片

图3.MRMR特征选择。(a) 由MRMR识别并用于模型训练的前15个网络相关性特征/权重。(b) 通过网络级特征权重,即对涉及每个RSN的特征权重取平均计算得到。(c) 将网络级特征映射到空间RSN分布上。

最后,图4展示了PFS预测的LOOCV性能。在用于生成主要结果的LOOCV模型中,30个模型每个隐藏层使用5个神经元,其余15个模型每个隐藏层使用10个神经元。总体而言,尽管样本量较小,模型实现了1.08个月的平均绝对误差和0.96的R²(图5a)。此外,使用相同的MRMR所选特征和相同的LOOCV框架构建了一个额外的线性模型,用于评估和比较ANN。相比之下,训练后的线性模型表现出更差的预测性能(MAE = 8.93个月),支持深度ANN。研究表明,该模型仅使用15个RSN特征且无需人口学/遗传学信息即可准确预测PFS。图4b展示了Kaplan-Meier分析,以预测PFS中位数(7.3个月)为截断值,将受试者分为高预测PFS组(n = 22)和低预测PFS组(n = 23)。对于PFS,被分类为低预测组的患者进展风险增加4.42倍(p值 < 0.001),而总生存期显示较小的进展风险增加1.69倍(p = 0.064),进一步表明该模型在PFS预测和分层方面的有效性。

图片

图4.PFS预测结果。(a) 实际PFS与预测PFS对比。(b) Kaplan-Meier无进展生存(PFS)和总生存(OS)分析。

讨论

本研究利用术前静息态功能MRI与机器学习预测GBM患者的无进展生存期(PFS)。基于静息态网络的功能连接特征无需人口学或临床变量即可准确估计PFS,肿瘤频率与网络概率分析进一步揭示了网络破坏及肿瘤位置与PFS的关联,支持GBM作为网络层面疾病,并凸显术前功能连接作为个体化风险分层与临床决策的非侵入性生物标志物的潜力。

与既往报道一致,GBM可破坏多个静息态网络。患者与对照组比较显示,感觉运动、注意及高级联合系统普遍降低,以默认模式、背侧注意、额顶、腹侧注意和扣带盖网络差异最为显著。该破坏所提供的信息超越了仅凭肿瘤位置与人口学特征所能推断的内容,体现了GBM的全脑疾病本质。肿瘤频率图显示皮质下及联合网络受累;背侧注意、视觉、额顶和默认模式网络与较短PFS相关,右侧颞叶受累则与较长PFS相关,与既往文献一致。功能连接衍生特征则提供网络完整性的互补性全局度量,可捕捉常规结构影像上不明显的分布式效应。综上,GBM应被视为系统层面疾病:功能紊乱而非仅局灶性受累是其生物学行为的基本方面。

MRMR特征进一步揭示,许多排名靠前的预测因子涉及高级联合网络(默认模式、腹侧注意、额顶和突显网络)与皮质下结构(丘脑和基底节)之间的交互,提示预后不仅取决于单个网络内的破坏,也取决于跨网络通讯的完整性。躯体运动、视觉和腹侧注意网络的突出贡献提示初级与联合系统均可能易受GBM相关破坏的影响。

仅凭术前影像估计PFS对手术规划与患者咨询具有直接影响,预后评估影响 eloquent 皮质附近切除的积极程度及预期恢复;反映网络完整性的非侵入性生物标志物有助于识别可能受益于广泛干预或更适合保守策略的患者;术前PFS估计可支持知情讨论、指导治疗预期,并为临床试验对候选者进行分层。

本研究受限于队列规模较小,统计效能因而降低,并限制了亚组与敏感性分析。15特征MRMR方法旨在平衡信息保留与维度控制,未来研究应测试替代特征数量及机器学习模型。由于排除人口学、临床及分子变量以分离静息态功能连接的预后价值,更大规模研究应比较仅功能连接、仅临床及联合多模态模型。观察到的性别关联应谨慎解读,并需在允许调整协变量的更大队列中验证。一名患者接受了激光间质热疗,与传统切除范围类别不直接可比,相关比较应视为探索性。PFS值在24个月处截尾,模型预测应在训练所用的有界PFS范围内解读。

结论

本研究表明术前静息态功能连接有潜力作为PFS非侵入性生物标志物。GBM患者相较于对照组表现出静息态网络概率组织的广泛降低,仅凭15个连接性特征即可可靠预测PFS,无需依赖人口学、遗传学或治疗变量。使用术前影像评估PFS具有显著价值的临床意义,可支持手术决策、风险分层与患者咨询。

原文链接:

Hickman-Chow DA, Luckett PH, Olufawo M, et al. Predicting progression-free survival in glioblastoma with neuroimaging and machine learning. J Neurooncol. 2026 May 28;178(1):29.


声明:本文为模板演示用示例文稿,不构成任何医疗建议;如有健康问题请咨询专业医师。
广告位