登录
 机构网站
  1. 首页
  2. 情报产品
  3. 快讯详情

《Nature | 手术中超快速深度学习中枢神经系统肿瘤分类》

  • 来源专题：战略生物资源
  • 编译者： 李康音
  • 发布时间：2023-10-13

  • 2023年10月11日，乌得勒支大学等机构的研究人员在Nature上发表题为Structures illustrate step-by-step mitochondrial transcription initiation的研究人员。

    中枢神经系统肿瘤是最致命的癌症类型之一，特别是在儿童中。主要治疗包括神经外科切除肿瘤，其中必须在最大程度切除和最小化神经损伤和合并症风险之间取得微妙的平衡。然而，外科医生在手术前对确切肿瘤类型的了解有限。目前的标准做法依赖于术前影像学和术中组织学分析，但这些并不总是结论性的，偶尔也会出错。使用快速纳米孔测序，可以在手术期间获得稀疏的甲基化谱。

    该研究开发了Sturgeon，一种与患者无关的转移学习神经网络，使中枢神经系统肿瘤的分子亚分类能够基于这种稀疏的概况。在50个回顾性测序样本中的45个样本开始测序后40分钟内，Sturgeon给出了准确的诊断(放弃对其他5个样本的诊断)。此外，该研究在25例手术中实时证明了其适用性，实现了小于90分钟的诊断周转时间。其中，18例(72%)诊断是正确的，7例未达到所需的置信阈值。该研究结论是基于低成本术中测序的机器学习诊断可以帮助神经外科决策，潜在地预防神经合并症并避免额外的手术。

    本文内容转载自“ CNS推送BioMed”微信公众号。

    原文链接: https://mp.weixin.qq.com/s/EwmhAvFtkCbSOPF0uh_9wg


  • 原文来源：https://www.nature.com/articles/s41586-023-06615-2
231浏览量
原文链接
相关报告

  • 《苏州医工所高欣团队联合湘雅医院提出智能化中枢神经系统肿瘤病理快速诊断方法》
    • 来源专题：生物安全知识资源中心—领域情报网
    • 编译者：hujm
    • 发布时间：2023-05-08
    • 据统计，2020年全球有超过308,102例新病例被诊断为中枢神经系统肿瘤，导致约251,329例癌症相关死亡。星形细胞瘤、少突胶质细胞瘤和生殖细胞瘤是常见的中枢神经系统肿瘤，但治疗方式和预后存在极大差异。生殖细胞瘤具有高度的放射敏感性，全脑放射治疗加肿瘤靶区的高剂量照射被视为标准治疗方式。而对星形细胞瘤和少突胶质细胞瘤，临床采取最大范围的手术切除，并根据肿瘤的类型和分级进行适当的术后放射治疗或者化疗。误诊将导致生殖细胞瘤接受不必要的切除，可能破坏不同神经功能和颅脑切除范围之间的平衡，同时也可能导致星形细胞瘤和少突胶质细胞瘤切除不足，增加复发风险。 　　星形细胞瘤、少突胶质细胞瘤和生殖细胞瘤的诊断方式有三种：1）术中冰冻切片（IFS）病理检查；2）基于苏木精-伊红（HE）染色病理检查；3）分子检测。分子检测可获得免疫组化蛋白质表达和基因突变等信息，被认为是三者诊断的金标准。然而，分子检测复杂、成本高、耗时长，无法用于开颅手术中的快速诊断和术后早期诊断。与之不同的，在开颅手术期间，IFS可以在几分钟之内制备完成并用于诊断。HE染色切片比IFS的细胞结构更清晰，具有更好的诊断价值，可以在获取组织样本后24小时内制备完成并用于诊断。因此，临床上星形细胞瘤、少突胶质细胞瘤和生殖细胞瘤的术中和术后治疗方案主要依赖IFS 和HE的病理诊断。然而，由于这三类颅内肿瘤的细胞形态比较相似，即使是经验丰富的病理学家也无法仅依靠IFS和HE染色快速准确地鉴别三种肿瘤，准确率仅为54.6%-69.7%和53.5%-83.7%。 　　近日，中国科学院苏州医工所高欣研究员团队联合中南大学湘雅医院，提出了一种基于人工智能的星形细胞瘤、少突胶质细胞瘤和生殖细胞瘤自动诊断模型（如图1所示），在智能计算框架下对数字IFS和HE图像进行全自动分析。该研究共纳入国内三家医院和癌症基因组图谱（The Cancer Genome Atlas，TCGA）公共数据集上共计379名患者的两种类型的病理全切片图像（Whole Slide Image，WSI），其中IFS图像500张，HE图像832张。 　团队基于深度学习方法，采用迁移学习策略和弱监督学习方式，构建了图像块诊断模型，精确计算图像块的肿瘤类型概率，实现了细粒度水平下组织病理切片的数字化定量解读。随后，采用投票法聚合每张WSI中所有图像块的预测结果，构建患者级别的诊断模块，实现三种肿瘤的精准鉴别；同时将所有图像块的诊断结果整合成WSI级别的诊断概率图，辅助病理专家进行病理诊断。此外，团队开创性地使用模型的诊断概率预测Ki-67（一种被广泛应用的肿瘤标记物）阳性细胞面积，搭建了细胞结构图像到蛋白质表达水平之间的桥梁。 　　研究结果表明，基于人工智能的诊断模型对IFS图像分析和对HE图像分析的内部验证准确率高达93.9%和95.3%，外部验证准确率分别为82.0%和76.9%。在该模型的辅助下，病理学家的IFS和HE诊断准确率分别从54.6%-69.7%和53.5%-83.7%提高到87.9%-93.9%和86.0%-90.7%，IFS的提升幅度高达33.3%，HE的提升幅度高达32.5%（如图2所示）。此外，该模型也可根据IFS和HE图像预测Ki-67阳性细胞面积，决定系数（R-squared，R2）分别为0.81和0.86。 　该研究的价值在于探索并验证了人工智能技术在辅助病理医师提升脑肿瘤鉴别准确率方面的临床应用潜力，该模型可以帮助临床医生为患者提供最佳和及时的治疗选择，为改善脑肿瘤诊疗现状提供新的理论依据和方法。 　　该研究相关工作发表在国际病理学会会刊Brain Pathology（中国科学院病理学一区，IF=7.611）上，博士研究生石丽婷为第一作者。 　　论文链接：http://doi.org/10.1111/bpa.13160
    91浏览量
    原文链接

  • 《RGS6: 中枢神经系统疾病和癌症治疗中的新型靶点》
    • 来源专题：重大新药创制—研发动态
    • 编译者：杜慧
    • 发布时间：2016-04-07
    • G蛋白信号转导导调节蛋白(RGS) 是G蛋白信号转导通路中的负性调节因子。RGS 蛋白以GTPase-激活蛋白的身份决定G蛋白偶联受体信号的大小及持续时间。RGS 蛋白的亚科R7，具有两个独特的域，DEP/DHEX 和 GGL，它们参与调解蛋白质的膜靶向和稳定性。RGS6，R7 亚科的成员之一，已被证明具有调节 Gαi/o 蛋白的活性，该蛋白在中枢神经系统 (CNS) 中具有重要作用，能对一系列神经递质做出神经性响应。因此，多个中枢神经系统疾病中已发现RGS6与神经递质的改变有关，包括︰ 酗酒、 焦虑/抑郁和帕金森病。此外，不同于R7 亚科的其他成员 ，RGS6 可以调节 G 蛋白独立信号转导，这可以促进细胞凋亡和生长抑制通路，这两项在乳腺和其他组织的肿瘤抑制方面具有重要作用。作为癌症治疗中的靶点，RGS6可以调多柔比星的化疗行为并可阻止网状激活系统 (Ras)-介导的细胞性状改变。这些研究结果表明RGS6 在调节 G 蛋白依赖的中枢神经系统病理学和 G 蛋白独立的癌症病理学方面具有重要作用。
    214浏览量
    原文链接