本技术属于影像分析技术领域,特别是一种结合医学图像与生物多组学数据的胶质瘤分级方法及系统。该方法涵盖了数据集的获取,包括影像、病理、基因、转录和蛋白组学数据的整合分析,旨在提高胶质瘤的诊断和治疗效率。
背景技术
神经胶质瘤的发病率和死亡率很高,多年来,许多技术都得到了改进以帮助外科医生切除神经恶性肿瘤,但目前其特征仍是快速增殖、广泛侵袭和治疗耐药性,手术的预后不良和复发以及放化疗方案的耐药性,胶质瘤患者的总生存期(OS)并未显著改善。神经胶质瘤很大程度上来讲无法治愈,除了根据遗传信息优化治疗方案外,神经胶质瘤靶向药物和各种免疫疗法的开发和临床试验正在进行中。
世界卫生组织(WHO)中枢神经系统肿瘤分类(CNS5)更新了建立了不同的CNS肿瘤命名和分级方法,强调了综合诊断和分层报告的重要性,旨在大力推进了分子诊断在中枢神经系统肿瘤分类中的作用。但现如今所有分类都是不完美的表述。现有研究对肿瘤的异质性已经有较为深入的了解,包括神经胶质瘤在内的恶性肿瘤,其细胞类型的多样性、细胞增殖和突变积累、肿瘤微环境刺激、蛋白水平变化均参与构成丰富的肿瘤异质性,导致不同患者甚至不同生长部位都具有特异性的宏观和微观表型以及临床表征。因此为引入新的肿瘤类型和亚型,达到更好的临床诊断与干预效果,要基于新的技术与方法,挖掘新的肿瘤表征与其潜在通路。
目前,胶质瘤生存预测模型构建的机器学习研究侧重于单一组学或两组学研究的限制,包括影像、病理、基因、转录、蛋白等多种组学综合研究,对胶质瘤患者预后的预测并未有过深入研究,其是否更为准确并不明确,并且,多组学融合后的评分模型与潜在的生物学机制通路的综合关系有待进一步研究。此外,胶质瘤的多组学分析需要多种类型的大型匹配数据集来训练和验证融合组学模型,由于胶质瘤的罕见性,这可能很难获得。
实现思路