Multimodal
BMC Medicine volume 21, Número do artigo: 198 (2023) Cite este artigo
504 acessos
1 Altmétrica
Detalhes das métricas
Determinar o grau e o estado do marcador molecular dos gliomas intramedulares é importante para avaliar os resultados do tratamento e o prognóstico. A biópsia invasiva para patologia geralmente carrega um alto risco de dano tecidual, especialmente na medula espinhal, e atualmente não existem estratégias não invasivas para identificar o tipo patológico de gliomas intramedulares. Portanto, este estudo teve como objetivo desenvolver um modelo de aprendizado de máquina não invasivo para auxiliar os médicos a identificar o grau de glioma intramedular e o estado de mutação de marcadores moleculares.
Um total de 461 pacientes de duas instituições foram incluídos, e suas imagens de ressonância magnética ponderadas em T2 sagital (SAG) e transversal (TRA) e dados clínicos foram adquiridos no pré-operatório. Empregamos um modelo de aprendizado profundo baseado em transformador para segmentar automaticamente as lesões nas fases SAG e TRA e extrair seus recursos radiômicos. Diferentes representações de recursos foram alimentadas nas redes neurais propostas e comparadas com as de outros modelos convencionais.
Os coeficientes de similaridade dos dados do transformador Swin nas fases SAG e TRA foram 0,8697 e 0,8738, respectivamente. Os resultados demonstraram que o melhor desempenho foi obtido em nossas redes neurais propostas baseadas em características de fusão multimodal (SAG-TRA-clínica). Na coorte de validação externa, as áreas sob a curva característica de operação do receptor para status de grau (OMS I-II ou OMS III-IV), talassemia alfa/síndrome de retardo mental ligado ao cromossomo X (ATRX) e status de proteína tumoral p53 (P53) tarefas de previsão foram 0,8431, 0,7622 e 0,7954, respectivamente.
Este estudo relata uma nova estratégia de aprendizado de máquina que, pela primeira vez, é baseada em recursos multimodais para prever o status de mutação ATRX e P53 e graus de gliomas intramedulares. A aplicação generalizada desses modelos poderia fornecer de forma não invasiva informações patológicas mais específicas do tumor para determinar o tratamento e o prognóstico de gliomas intramedulares.
Relatórios de revisão por pares
Os gliomas intramedulares (IMGs) são as neoplasias primárias da medula espinhal mais comuns, representando aproximadamente 80% dos tumores da medula espinhal e 2-4% dos tumores do sistema nervoso central. Considera-se que o grau do tumor e as características genéticas e histológicas dos gliomas afetam seu prognóstico e resposta ao tratamento. A quinta edição da Classificação de Tumores do Sistema Nervoso Central da OMS (OMS CNS5) promove a aplicação de características moleculares para diagnóstico e classificação. Em geral, o exame patológico e imuno-histoquímica (IHC) durante a cirurgia ou biópsia são necessários para analisar os biomarcadores moleculares do tumor [2, 3]. Sem orientação patológica, as opções terapêuticas para pacientes inadequados para cirurgia ou para aqueles que optam por terapia não cirúrgica podem ser limitadas. Embora relativamente seguros, esses exames invasivos podem danificar o cérebro normal ou o tecido da medula espinhal. Devido à estrutura neural altamente densa da medula espinhal, qualquer pequena lesão pode causar danos permanentes à função corporal [4]. Portanto, a biópsia não é adequada para IMGs e, portanto, a demanda por abordagens alternativas não invasivas que possam oferecer evidências genéticas e histológicas de IMGs aumentou [5].
A classificação precisa da IMG no pré-operatório é crucial para que os médicos desenvolvam um plano de tratamento adequado. A ressonância magnética (RM) pré-operatória continua sendo a técnica mais amplamente utilizada e eficiente para detectar lesões da medula espinhal na prática clínica. Evidências crescentes revelaram a viabilidade do uso de ressonância magnética para prever o tipo de glioma e biomarcadores moleculares, como IDH1, Ki67 e H3-K27M, por meio de aprendizado de máquina ou método de aprendizado profundo [6,7,8]. No entanto, apenas um número limitado de estudos tentou prever marcadores e classificação de IMGs com base na ressonância magnética devido à falta de treinamento suficiente em tais tumores raros [9, 10].