2021年10月，来自郑州大学第一附属医院、中山大学癌症中心的团队在 eBioMedicine 发表了题为Deep learning features from diffusion tensor imaging improve glioma stratification and identify risk groups with distinct molecular pathway activities 的研究。该研究发现 DTI 衍生的深度学习在预测胶质瘤患者总生存期方面提供超越传统临床参数和 IDH 突变状态的增量预后价值， 从 DTI 指标中学习的预后深度特征与参与突触传递、钙转运、谷氨酸分泌/AMPA 受体结合激活的生物途径相关， 神经元投射发育/轴突导向和神经胶质瘤通路。
背景： 开发和验证来自弥散张量成像 （DTI） 的深度学习特征 （DLS） 用于预测浸润性胶质瘤患者的总生存期，并研究开发 DLS 背后的生物学途径。
方法： DLS 是基于深度学习队列 （n = 688） 开发的。在具有配对 DTI 和 RNA-seq 数据 （n=78） 的放射基因组学队列中确定了 DLS 的关键通路，其中通路基因的预后价值在公共数据库中得到验证 （TCGA，n = 663;CGGA，n = 657）。
结果： DLS 与生存率相关 （对数秩 P < 0.001），并且是一个独立预测因子 （P < 0.001）。将 DLS 纳入现有风险系统可产生深度学习列线图，比单独的 DLS 或临床分子列线图更好地预测生存，具有更好的校准和分类准确性 （净重分类改进 0.646，P < 0.001）。5 种通路 （突触传递、钙信号传导、谷氨酸分泌、轴突导向和胶质瘤通路） 与 DLS 显著相关。在我们的放射基因组学队列和 TCGA/CGGA 队列中，通路基因的平均表达值显示预后意义 （log-rank P < 0.05）。
结论： DTI 衍生的 DLS 可以通过识别导致生存结果的生物途径失调的风险群体来改善神经胶质瘤分层。抑制神经元-脑肿瘤突触通讯的疗法可能对 DTI 衍生的 DLS 定义的高危神经胶质瘤更有效。
图1 研究设计概述，包括深度学习特征 （DLS） 开发和验证，以及放射基因组学分析。
图3 根据深度学习特征 （DLS） 对训练 （a）、调整 （b）、内部验证 （c）、外部验证 （d） 和公共验证 （e） 队列以及放射基因组学分析数据集 （f） 中总生存期的 Kaplan-Meier 分析。证明了 DLS 与总生存期的显着关联。
图4 用于预测 1 年、 2 年和 3 年总生存结果的深度学习列线图 （a） 和临床分子列线图 （b），以及用于评估深度学习列线图 （c） 和临床分子列线图 （d） 的校准曲线。
图5 深度学习特征 （DLS） 相关关键基因和通路的总结，以及对其预后意义的评估。
图6 成像-转录组学-预后关联。（a） 与深度学习特征 （DLS） 显著相关的丰富途径的基因集变异分析 （GSVA） 分数的热图。x 轴上显示了 78 名具有配对 DTI 和 RNA-seq 的神经胶质瘤患者，y 轴上显示了 72 个与 DLS 显着相关的富集通路。（b） 两名 GBM 患者和两名 LGG 患者 DLS 的 DTI 图和相应的类别激活图 （CAM），分为低风险亚组和高危亚组。（c） 高危亚组中 FA、MD、AD 和 RD 在高危亚组中 CAM 突出显示区域内的平均值的箱线图。（d） 高危亚组和低危亚组中 4 个代表性基因 CAMK2A 、 KIF5A 、 PRKCB 和 SNAP25 表达的箱线图。
