Nowoczesne metody przewidywania rokowania w guzach mózgu

Ograniczenia tradycyjnych metod prognozowania

Konwencjonalne przewidywanie przeżywalności oparte na informacjach klinicznych i demograficznych okazuje się niewystarczająco dokładne w przypadku guzów mózgu. Tradycyjne podejście uwzględniające jedynie wiek, stan ogólny pacjenta, lokalizację guza i podstawowe cechy histopatologiczne nie pozwala na precyzyjne określenie indywidualnego rokowania¹.

Badania wskazują, że tradycyjne prognozowanie oparte na prostych informacjach klinicznych i demograficznych może nie być wystarczająco precyzyjne. Subiektywny charakter takiej oceny i możliwość błędów sprawiają, że potrzebne są bardziej zaawansowane i obiektywne metody przewidywania wyników leczenia¹.

Szczególnie w przypadku agresywnych nowotworów, takich jak guz wysokiego stopnia, dokładne prognozowanie przed operacją jest bardzo pożądane w praktyce klinicznej dla lepszego planowania leczenia, ale nadal stanowi wyzwanie w porównaniu z guzami niskiego stopnia. Te ograniczenia tradycyjnych metod skłoniły badaczy do poszukiwania bardziej zaawansowanych rozwiązań wykorzystujących nowoczesne technologie.

Radiomika w przewidywaniu przeżywalności

Radiomika stanowi przełomowe podejście w przewidywaniu rokowania pacjentów z guzami mózgu. Ta metoda polega na wyodrębnieniu setek lub nawet tysięcy cech z obrazów rezonansu magnetycznego, z których każda kwantyfikuje określone właściwości kształtu, tekstury, falki lub histogramu²³.

Literatura dotycząca biomarkerów obrazowych do przewidywania przeżywalności w glejaku wielopostaciowym jest obecnie zdominowana przez radiomikę. To zaawansowane podejście analityczne pozwala na wykrycie subtelnych wzorców w obrazach medycznych, które nie są dostrzegalne dla ludzkiego oka, ale mogą nieść istotne informacje prognostyczne.

Badania pokazują, że proponowane cechy radiomiczne poprawiają wydajność modeli przeżywalności zarówno dla przeżycia całkowitego, jak i przeżycia bez progresji, w porównaniu z modelami opartymi wyłącznie na kilku wcześniej znanych czynnikach prognostycznych⁴⁵. Te cechy niosą wartość prognostyczną wykraczającą poza konwencjonalne cechy nieobrazkowe.

Zaawansowane cechy obrazowe Hd95

Szczególnie obiecującym rozwiązaniem są cechy Hd95, które mierzą stopień deformacji każdej struktury mózgowej w porównaniu z jej oczekiwanym kształtem w przypadku braku patologii. Te cechy zawierają informacje o lokalizacji guza, która wcześniej została wykazana jako czynnik prognostyczny dla przeżycia całkowitego⁴⁵.

Proponowane cechy Hd95 zawierają pewne informacje o tym, gdzie guz jest zlokalizowany w mózgu i o jego rozmiarze – oba te czynniki były wcześniej badane i wykazano, że niosą wartość prognostyczną. Najlepszy model dla przeżycia całkowitego został osiągnięty poprzez połączenie proponowanych cech z wcześniej znanymi prognostycznymi cechami klinicznymi.

Wyniki badań pokazują, że proponowane cechy Hd95 niosą bogatsze informacje prognostyczne do przewidywania przeżycia całkowitego niż sama lokalizacja guza. Te cechy łatwo generalizują się między różnymi zestawami danych, co czyni je praktycznym narzędziem w codziennej praktyce klinicznej⁶⁷.

Uczenie maszynowe i sztuczna inteligencja

Zastosowanie technik uczenia maszynowego i sztucznej inteligencji w przewidywaniu rokowania guzów mózgu przynosi rewolucyjne rezultaty. Metody te są w stanie wyodrębniać multimodalne i wielokanałowe cechy neuroobrazkowe oraz skutecznie łączyć je w celu przewidywania indywidualnego przeżycia całkowitego⁸.

Proponowana metoda ekstrakcji cech rezultuje w około 30 procent wyższą czułością i swoistością w porównaniu z ograniczonymi cechami demograficznymi i związanymi z guzem. Wyniki wskazują, że model może dobrze rozdzielać pacjentów z długim czasem przeżycia od tych z krótkim czasem przeżycia⁸.

Badania pokazują, że dane z obrazowania tensora dyfuzji (DTI) i funkcjonalnego MRI (fMRI), analizowane przez algorytmy sztucznej inteligencji, są bardziej skuteczne w dzieleniu pacjentów z glejakiem wielopostaciowym na grupy o krótkim i długim czasie przeżycia niż same informacje histopatologiczne⁹.

Multimodalne podejście obrazowe

Skuteczność nowoczesnych metod przewidywania rokowania znacznie wzrasta przy zastosowaniu multimodalnego podejścia, które łączy różne techniki obrazowania. Zamiast polegać na obfitych nieinwazyjnych danych neuroobrazkowych z wielu modalności, można ustanowić bardziej dokładny model prognostyczny dla guzów wysokiego stopnia, co ma wielkie znaczenie kliniczne i może przynieść korzyści zarówno w planowaniu leczenia, jak i opiece nad pacjentem⁸.

W badaniach nad glejakiem wielopostaciowym, cechy kształtu oraz pierwszego i drugiego rzędu radiomiczne przyczyniły się do modelu predykcyjnego z obrazów T1-zależnych, dyfuzyjnych i perfuzyjnych. Wyniki wskazują, że wskaźniki predykcyjne przeżycia u pacjentów z glejakiem wielopostaciowym obejmują zarówno wskaźniki perfuzyjne, jak i dyfuzyjne, podkreślając znaczącą rolę charakterystyk mikrostrukturalnych lub hemodynamicznych w określaniu wyników pacjentów¹⁰.

U nowo zdiagnozowanych pacjentów z glejakiem wielopostaciowym typu dzikiego, cechy radiomiczne MRI pochodzące z różnych komponentów zmiany na mapach dyfuzyjnych i perfuzyjnych mogą przewidywać przeżycie w sposób nieinwazyjny. Końcowy model proporcjonalnych zagrożeń Coxa miał wiek i sześć cech radiomicznych z niezerowymi współczynnikami, osiągając C-Index wynoszący 0,66.

Spektroskopia i zaawansowane parametry MRI

Spektroskopia rezonansu magnetycznego (MRS) dostarcza cennych informacji metabolicznych, które mogą być wykorzystane w przewidywaniu rokowania. Wysokie współczynniki cholina/NAA i cholina/kreatyna oraz kombinowany wysoki sygnał laktanu i lipidów są związane z wyższym ryzykiem niekorzystnego wyniku¹¹.

Zwiększona kreatyna okazała się być znaczącym predyktorem progresji guza, podczas gdy glejaki ze zmniejszoną kreatyną wydają się mieć dłuższe czasy przeżycia bez progresji i opóźnioną transformację złośliwą. Zmniejszony średni współczynnik cholina/NAA guza i zmniejszone znormalizowane poziomy choliny mogą wskazywać na odpowiedź na terapię po zakończeniu zewnętrznej radioterapii wiązkowej.

Współczynnik laktanu/NAA w połączeniu ze zmianą współczynnika cholina/kreatyna po radioterapii (po 4 tygodniach) są predyktywne dla lepszych wyników leczenia. Te parametry spektroskopowe mogą być monitorowane w czasie, co pozwala na śledzenie odpowiedzi na leczenie i wczesne wykrycie progresji choroby.

Przewidywanie funkcjonalnych wyników leczenia

Współczesne metody przewidywania rokowania wykraczają poza samo prognozowanie czasu przeżycia, koncentrując się również na przewidywaniu funkcjonalnych wyników leczenia, które bezpośrednio wpływają na jakość życia pacjentów. Celem jest opracowanie modeli zdolnych do przewidywania funkcjonalnych wyników u pacjentów z guzami wysokiego stopnia przed operacją, ułatwiając poprawione zarządzanie chorobą i świadomą opiekę nad pacjentem¹².

Aktualne prace demonstrują zdolność uczenia maszynowego do dokładnej klasyfikacji pooperacyjnych wyników funkcjonalnych u pacjentów z guzami wysokiego stopnia przed operacją. Wyniki sugerują, że zarówno łączność funkcjonalna, jak i lokalizacja guzów w odniesieniu do określonych sieci może służyć jako wiarygodne predyktory wyników funkcjonalnych, prowadząc do spersonalizowanych podejść terapeutycznych dostosowanych do indywidualnych pacjentów¹².

Wyniki wskazują, że te modele mogą dokładnie przewidywać pooperacyjne wyniki funkcjonalne w momencie początkowej diagnozy. Odkrycia te wskazują na możliwość osiągnięcia dokładności klasyfikacji przekraczającej 90 procent przed interwencją chirurgiczną, wykorzystując podstawową demografię, objętość guza i pomiary funkcjonalnego MRI w spoczynku¹³.

Analiza profili ekspresji genów

Nowoczesne podejścia do przewidywania rokowania obejmują również analizę profili ekspresji genów, która może dostarczyć informacji o prawdopodobnym wyniku leczenia. Metody te wykorzystują zestawy informatywnych genów, których ekspresja koreluje z rozróżnieniem klas wśród próbek guzów mózgu, gdzie rozróżnienie klas dotyczy wyniku leczenia lub klasyfikacji przeżycia¹⁴.

Wyniki kliniczne dzieci z rdzeniakami są wysoce przewidywalne na podstawie profili ekspresji genów ich guzów w momencie diagnozy¹⁵. Profil ekspresji może być określany przy użyciu mikromacierzy oligonukleotydowych, co umożliwia precyzyjną klasyfikację pacjentów według kategorii wyników leczenia.

Ta metoda pozwala na przypisanie próbki guza mózgu do klasy wyników leczenia poprzez określenie ważonego głosu dla jednej z klas jednego lub więcej informatywnych genów w próbce, gdzie wielkość każdego głosu zależy od poziomu ekspresji genu w próbce i stopnia korelacji ekspresji genu z rozróżnieniem klas¹⁶.