磁共振成像显示患者的脑部有一个位于不利位置的肿瘤，而脑活检将给患者带来高风险。这种情况在多学科癌症医学专家团队的病例讨论中经常出现，促使柏林Charité - Universitätsmedizin Berlin的研究人员及其合作伙伴寻找新的诊断方法。结果是一种AI模型。该模型利用肿瘤基因材料中的特定特征——其表观遗传指纹，例如从脑脊液中获得的指纹。正如研究团队在《自然·癌症》杂志上所展示的那样，新模型能够快速且非常可靠地对肿瘤进行分类。
如今，已知的肿瘤类型比它们起源的器官种类还要多。每种肿瘤都有其独特的特征，如某些组织特征、生长速率和代谢特性。尽管如此，具有相似分子特征的肿瘤类型可以归为一类。个体疾病的治疗取决于肿瘤类型。新的靶向疗法针对肿瘤细胞的某些结构或阻断其信号通路，以阻止病理性组织生长。化疗可以根据肿瘤类型选择并相应调整剂量。特别是对于罕见的肿瘤类型，可能可以在研究中追求创新疗法。
“在日益个性化和快速发展的癌症医学背景下，精确诊断是在认证的肿瘤中心成功治疗的关键。”
Charité首席医疗官Martin E. Kreis教授说。
虽然基于组织样本的全面分子、细胞和功能分析提供了必要的信息，但医生有时也面临无法或非常危险地从肿瘤中提取组织样本的情况。此外，即使仅进行组织学检查也无法提供与新AI模型一样精确的诊断。
通过基因组而不是组织进行观察
一种用于表征脑肿瘤的方法不是基于传统的显微镜诊断，而是基于肿瘤基因材料的修饰，即表观遗传特征。它们是每个细胞记忆的一部分，决定了哪些部分的遗传信息被读取以及何时读取。“数十万个表观遗传修饰充当单个基因片段的开关。它们的模式形成一个独特且无可替代的指纹。”德国癌症联合会柏林站点及Charité神经病理学研究所的科学家Philipp Euskirchen博士解释道，他领导了最近发表的研究。“在肿瘤细胞中，表观遗传信息以特征性的方式改变。根据它们的谱型，我们可以区分肿瘤并对它们进行分类。”在某些情况下，甚至只需要少量脑脊液样本，就可以相对容易地获取——完全不需要手术。
为了将未知指纹与数千个不同癌症的已知指纹进行比较，并将其分配到特定的肿瘤类型，需要机器学习方法，即人工智能，因为数据非常庞大且复杂。此外，过去使用了不同的DNA测序方法。此外，表观遗传分析通常限于个别肿瘤类型的典型模式和基因片段。“因此，我们的目标是开发一个模型，即使它只基于整个肿瘤表观基因组的部分或通过不同技术收集的、具有不同程度准确性的谱型，也能准确地对肿瘤进行分类。”柏林健康研究所（BIH）医学组学工作组负责人Sören Lukassen博士说。
可靠且可追溯
一种名为crossNN的新开发的AI模型，其架构基于简单的神经网络。该模型用大量参考肿瘤进行了训练，并随后在超过5,000个肿瘤上进行了测试。“我们的模型在99.1%的情况下能够非常精确地诊断脑肿瘤，比目前使用的AI解决方案更准确。”Philipp Euskirchen说。“此外，我们还以同样的方式训练了一个AI模型，可以区分来自所有器官的170多种肿瘤类型，准确率达到97.8%。这意味着它可以用于所有器官的癌症，而不仅仅是相对罕见的脑肿瘤。”未来临床应用批准的关键因素是这些模型是完全可解释的，即必须能够理解决策是如何得出的。
AI模型用于确定的分子指纹可以来自组织样本或体液。对于特定的脑肿瘤，Charité神经病理学系已经提供了基于脑脊液的非侵入性诊断，称为液体活检。这使得在困难情况下无需痛苦的手术即可进行诊断。前来咨询双视问题的患者就是受益者之一。“我们使用纳米孔测序对脑脊液进行了检查，这是一种新型、非常快速且高效的基因分析方法。我们的模型分类显示这是一个中枢神经系统淋巴瘤，使我们能够迅速启动适当的化疗。”Philipp Euskirchen解释道。
crossNN临床试验
该方法的准确性甚至让研究人员感到惊讶。“尽管我们的AI模型架构比以前的方法简单得多，因此保持可解释性，但它提供了更精确的预测，从而提高了诊断的确定性。”Sören Lukassen说。因此，研究团队正计划与德国癌症联合会（DKTK）合作，在德国所有八个DKTK地点进行crossNN的临床试验。此外，还将测试术中使用。目标是将基于DNA样本的精确且相对便宜的肿瘤确定转移到常规护理中。
(全文结束)
