威斯康星大学麦迪逊分校的研究人员开发了一种基于AI的精准医疗工具，旨在识别胶质母细胞瘤的性别特异性风险因素，根据最近发表在《科学进展》杂志上的一项研究。胶质母细胞瘤是最常见的原发性脑癌，每年在美国估计有12,000例新诊断病例。诊断后，患者的平均生存期为15到18个月，该疾病的五年生存率约为10%。
治疗这种疾病的部分难度在于，脑肿瘤本身就很棘手。而在胶质母细胞瘤的情况下，肿瘤会形成微小的分支，随着生长扩散到大脑的不同部分，这使得手术切除变得非常困难。用药物治疗脑癌也有其挑战，因为这些药物通常无法穿过血脑屏障。这些因素加上癌症的侵袭性，使得识别风险因素成为改善患者预后的关键。
研究人员指出，迄今为止，已经发现了一些胶质母细胞瘤的风险因素：该病更常发生在50岁以上的白人男性患者中。高级别胶质瘤通常在男性患者中更具侵袭性。这些疾病驱动因素的存在表明，其他性别特异性风险因素可能会影响胶质母细胞瘤的预后。为了探索这些因素，研究团队转向了深度学习。
“在癌症患者的整个治疗过程中收集了大量的数据，”威斯康星大学麦迪逊分校放射学和生物医学工程教授Pallavi Tiwari博士在一份新闻稿中解释道。“目前，不幸的是，这些数据通常是孤立地进行研究的，而这就是AI的巨大潜力所在。”
AI在医学影像方面已经展现出显著的潜力，促使研究人员探讨是否可以通过将深度学习应用于苏木精和伊红（H&E）扫描来帮助标记肿瘤微环境中性别特异性的特征，并为胶质母细胞瘤的预后发展风险概况。
“我们希望解决癌症患者旅程中的整个范围的挑战，从诊断和预后到治疗反应评估，”Tiwari指出。
为此，研究团队分别在250多张来自男性和女性高分级胶质瘤患者的常规H&E染色切片上训练模型。利用这些数据，深度学习工具的任务是识别每个肿瘤的独特特征，例如它侵入周围健康组织的程度或特定细胞类型的数量和存在情况。然后，模型被训练识别与患者生存相关的任何模式，同时考虑性别。
最终分析突出了与性别强烈相关的侵袭性肿瘤的风险因素，如男性患者中伪栅栏状细胞的存在和女性患者中肿瘤侵袭程度。
研究人员强调，这些见解可以推进胶质母细胞瘤患者的危险分层和精准医疗。
“通过揭示这些独特模式，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中观察到的生物学差异，”西奈山医学院计算科学家Ruchika Verma博士表示。
Shania Kennedy自2022年起一直在报道与健康IT和分析相关的新闻。
(全文结束)
