人工智能揭示了脑癌风险的性别差异 - 神经科学新闻

摘要：研究人员开发了一种AI模型，用于识别侵袭性脑癌——胶质母细胞瘤中的性别特异性风险因素。该模型利用数字病理切片检测肿瘤中与患者生存时间相关且因性别而异的细微模式。

例如，女性患者的肿瘤侵入健康组织表明风险更高，而男性患者肿瘤中的某些细胞与更快的进展相关。这一突破可能为更个性化的治疗计划铺平道路，提高胶质母细胞瘤患者的生活质量。

关键事实

• AI识别出侵袭性脑肿瘤中性别特异的风险模式。
• 女性肿瘤浸润和男性特定细胞与更高风险相关。
• 研究结果可能导致个性化、针对性的胶质母细胞瘤治疗。

源:威斯康星大学麦迪逊分校

多年来，癌症研究人员注意到，男性患一种致命的脑癌——胶质母细胞瘤的比例高于女性。他们还发现，这种肿瘤在男性中往往更为凶猛。但是，确定哪些特征可能帮助医生预测哪些肿瘤更有可能快速增长一直难以捉摸。

威斯康星大学麦迪逊分校的研究人员正在转向人工智能，以揭示这些风险因素以及它们在性别之间的差异。

放射学和生物医学工程教授帕拉维·蒂瓦里及其同事已在期刊上发表了他们的初步发现。科学进展暗示了人工智能在改善癌症患者医疗护理方面的潜力。

“癌症患者治疗过程中会收集到大量的数据，”蒂瓦里说，他同时也隶属于医学物理系。“遗憾的是，目前这些数据通常是以孤立的方式进行研究的，而这就是人工智能具有巨大潜力的地方。”

很少有研究人员比蒂瓦里更了解这一潜力。2022年，蒂瓦里来到威斯康星大学麦迪逊分校，帮助领导该大学新的医学影像人工智能项目。她共同指导卡伯恩癌症中心的成像和放射科学项目。她的研究利用人工智能模型的计算能力来分析大量医疗影像，寻找有助于肿瘤学家及其患者做出更明智决策的模式。

“我们希望解决癌症患者整个治疗过程中面临的各种挑战，从诊断和预后到治疗反应评估，”蒂瓦里说。

在这个案例中，蒂瓦里和前研究生鲁奇卡·维尔玛转向了病理切片的数字图像——这些是肿瘤样本的薄片——寻找可能预测肿瘤生长速度以及患者预期生存时间的模式。

胶质母细胞瘤是一种最为凶猛的癌症形式，诊断后的中位生存期为15个月。

“患者在诊断后往往寿命不长，”蒂瓦里说。“但一个巨大的挑战是预后——确定患者的实际生存期以及可能的结果。这很重要，因为最终的结局将决定他们接受的治疗方案及其诊断后的生命质量。”

为了应对这一挑战，Tiwari 和 Verma 建立了一个 AI 模型，可以识别病理切片中即使是最细微的模式，这些模式肉眼可能永远无法察觉。他们利用超过 250 项胶质母细胞瘤患者的资料训练该模型，使其能够识别肿瘤的独特特征，例如特定类型细胞的数量以及它们侵入周围健康组织的程度。

此外，他们训练模型识别这些特征与患者生存时间之间的任何模式，并考虑他们的性别。

通过这样做，他们开发了一个AI模型，能够识别与每个性别强烈相关的更具侵略性肿瘤的风险因素。对于女性来说，高风险特征包括肿瘤侵入健康组织。而对于男性而言，存在围绕死亡组织的某些细胞（称为伪假条细胞）则与更具有侵略性的肿瘤相关联。

该模型还识别出肿瘤特征，这些特征似乎预示着男女患者的预后更差。

该研究可能有助于为胶质母细胞瘤患者提供更加个性化的治疗。

“通过揭示这些独特的模式，我们希望激发个性化治疗的新途径，并鼓励继续探究这些肿瘤所体现的生物学差异。”维尔玛说。

蒂瓦里和她的同事正在使用MRI数据进行类似的工作，并已经开始利用人工智能分析胰腺癌和乳腺癌，旨在改善患者的治疗效果。

除了她的研究，Tiwar 还在帮助塑造大学的 RISE-AI 和 RISE-THRIVE 计划，这两个计划分别将威斯康星大学麦迪逊分校打造为人工智能跨学科研究和人类健康寿命研究领域的领导者。

“我们在工程和医学校区拥有丰富多样的专业知识，”Tiwari说，“通过RISE计划，我们处于将AI研究转化为临床护理前沿的有利位置。”

关于这项人工智能和脑癌研究的新闻

作者：邱司坦汉
源:威斯康星大学麦迪逊分校
联系人:威廉·卡舒曼 – 威斯康星大学麦迪逊分校
图片：图片来自Neuroscience News

原创研究：开放存取
“通过深度学习预测高级别胶质瘤总体生存率的性别二态性计算病理特征签名帕拉瓦蒂·提瓦里等人。科学进展

摘要

基于深度学习的高分级胶质瘤整体生存预测的性别二态性计算病理标志物

高级别胶质瘤（HGG）是一种侵袭性的脑肿瘤。性别是影响HGG生存结局的一个重要差异因素。

我们采用端到端的深度学习方法对苏木精和伊红（H&E）扫描进行分析，以（i）识别肿瘤微环境（TME）中的性别特异性组织病理学特征，以及（ii）创建性别特异性的风险概况以预测总生存期。

手术切除的H&E染色组织切片采用两阶段方法进行分析，首先使用ResNet18深度学习模型分割出活性肿瘤区域，其次建立性别特异性的预后模型以预测总体生存率。

我们的mResNet-Cox模型在女性队列中分别得到了C指数（0.696，0.736，0.731和0.729），在男性队列中分别得到了C指数（0.729，0.738，0.724和0.696），这些结果是在训练集和三个独立验证集中获得的。

端到端的深度学习方法利用常规H&E染色切片，分别在男性和女性HGG患者中训练，可能允许识别与生存相关的性别特异性肿瘤微环境组织病理学特征，并最终建立以患者为中心的预后风险评估模型。