MRI图像显示了一个位于不吉利位置的脑瘤，而对该患者进行脑活检将带来高风险。这位因复视前来咨询的患者的案例讨论促使了柏林夏里特大学医院（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。该模型利用了肿瘤基因组中的特定特征——其表观遗传指纹，这些指纹可以通过脑脊液等途径获得。研究团队在《自然·癌症》杂志上展示了这种新模型可以快速且非常可靠地对肿瘤进行分类。
如今，已知的肿瘤类型远多于它们所起源于的器官。每种肿瘤都有其独特的特征，包括特定的组织特性、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被归类在一起。个体疾病的治疗取决于肿瘤的类型。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组织生长。化疗可以根据肿瘤类型进行选择并相应调整剂量。对于罕见的肿瘤类型，可能有机会在研究中追求创新疗法。
“在日益个性化且快速发展的癌症医学背景下，经过认证的肿瘤中心的精确诊断是成功治疗的关键。”柏林夏里特大学医院首席医疗官马丁·E·克雷伊斯教授表示。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，但医生也面临着无法或非常危险地从肿瘤中提取组织样本的情况。此外，即使单独的组织学检查也无法提供像新AI模型那样精确的诊断。
通过基因组而不是组织来观察
一种用于表征脑瘤的方法不是基于传统的显微镜诊断，而是基于肿瘤基因组的修饰，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作为个别基因片段的开关。它们的模式形成了一个独特且无可比拟的指纹。”德国癌症联盟柏林站点和柏林夏里特大学医院神经病理学研究所的科学家菲利普·欧斯克尔登解释道，“在肿瘤细胞中，表观遗传信息以一种特征性的方式发生了改变。根据它们的轮廓，我们可以区分肿瘤并对其进行分类。”在某些情况下，甚至只需要脑脊液样本即可，而且可以相对容易地获取，从而完全避免了手术。
为了将未知指纹与数千个已知的不同癌症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，表观遗传分析通常仅限于定义的模式和典型于个别肿瘤类型的基因片段。“因此，我们的目标是开发一种模型，即使它仅基于整个肿瘤表观基因组的部分或通过不同技术以不同程度的准确性收集的轮廓，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索伦·卢卡森博士表示。
可靠且可追溯
一种新开发的名为crossNN的AI模型，其架构基于简单的神经网络。该模型通过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。“我们的模型允许在99.1%的情况下非常精确地诊断脑肿瘤，并且比目前使用的AI解决方案更准确。”菲利普·欧斯克尔登说，“此外，我们还以同样的方式训练了一种AI模型，可以区分来自所有器官的超过170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。”未来在临床应用中获得批准的关键因素是模型必须是完全可解释的，即必须能够理解决策是如何做出的。
AI模型接收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，柏林夏里特大学医院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。这使得无需进行压力大的手术就能进行诊断，即使在困难的情况下也是如此。那位因复视前来咨询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。”菲利普·欧斯克尔登解释道。
crossNN在临床试验中
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，因此仍然可解释，但它提供了更精确的预测，从而带来了更大的诊断确定性。”索伦·卢卡森说。研究团队正与德国癌症联盟（DKTK）合作，计划在德国的所有八个DKTK地点进行crossNN的临床试验。此外，还将测试其术中使用。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)
