DOI: https://doi.org/10.3389/fonc.2025.1679634
PMID: https://pubmed.ncbi.nlm.nih.gov/41561752
تاريخ النشر: 2026-01-05
المؤلف: Mehdi Astaraki وآخرون
الموضوع الرئيسي: الرياضيّات والتعلم الآلي في التصوير الطبي
نظرة عامة
تبحث هذه الدراسة في استخدام بيانات التصوير بالرنين المغناطيسي (MRI) للتنبؤ بحالة البقاء وأنماط الجزيئات في مرضى الورم الدبقي، مع التأكيد على أهمية التوصيف الجزيئي للتنبؤ والعلاج. تم تطوير طريقة جديدة لقياس توزيع الورم الدبقي من خلال قياس النسبة الحجمية لـ 32 هيكلًا تشريحيًا متأثرًا في الدماغ. تم دمج مجموعة الميزات هذه مع تقنيات الإشعاعيات المعروفة لإنشاء نماذج تنبؤية لحالة ميثيل O6-ميثيل غوانين-DNA ميثيل ترانسفيراز (MGMT)، وحالة طفرة إيزوسيترات ديهيدروجيناز (IDH)، ومدة البقاء العامة (OS). تم تقييم النماذج باستخدام صور الرنين المغناطيسي قبل العملية من 1788 موضوعًا عبر أربعة مجموعات بيانات مستقلة، مع استخدام التحقق المتقاطع وتقييم عبر المجموعات.
أشارت النتائج إلى أنه بينما لم تكشف مجموعة الميزات المقترحة عن أنماط موقع الورم المتسقة، فإن دمجها مع الإشعاعيات عزز بشكل كبير أداء النموذج. كانت المنطقة تحت منحنى خصائص التشغيل (AUROC) لحالة طفرة IDH مرتفعة بشكل ملحوظ (0.972 للتحقق المتقاطع و0.764 للبيانات المتقاطعة)، مما يدل على قدرة تنبؤية قوية. في المقابل، أظهرت النماذج ارتباطًا معتدلًا مع مدة البقاء العامة (AUROC: 0.748 و0.719) وارتباطًا ضعيفًا مع حالة MGMT (AUROC: 0.685 و0.628). تؤكد هذه النتائج على إمكانية استخدام العلامات البيولوجية التصويرية للتنبؤ بحالة IDH مع تسليط الضوء على قيود الاعتماد فقط على بيانات MRI للتنبؤ الدقيق بحالة MGMT وOS.
مقدمة
تناقش مقدمة ورقة البحث الأورام الدبقية، وهي أكثر الأورام الخبيثة الأولية شيوعًا في الدماغ لدى البالغين، وتصنف إلى ثلاثة أنواع رئيسية: الورم النجمي، الورم الدبقي القليل التغصن، والورم الدبقي المتعدد الأشكال (GBM). على الرغم من التقدم في العلاج، خاصة بالنسبة لـ GBM، إلا أن التوقعات لا تزال قاتمة، مع متوسط مدة البقاء العامة أقل من 15 شهرًا. تؤثر العلامات البيولوجية الرئيسية، مثل ميثيل O6-ميثيل غوانين-DNA ميثيل ترانسفيراز (MGMT) وحالة طفرة إيزوسيترات ديهيدروجيناز (IDH)، بشكل كبير على نتائج العلاج والتوقعات. المرضى الذين لديهم ميثيلات لمروج MGMT يظهرون عمومًا معدلات بقاء أفضل، بينما الأورام المتحورة IDH مرتبطة بدرجات ورم أقل وتحسن في التوقعات.
تسلط الورقة الضوء على التحديات في تصنيف أنماط الأورام الدبقية بدقة، والتي غالبًا ما تتطلب خزعات غازية يمكن أن تعاني من تحيز العينة بسبب تباين الورم. ومن الجدير بالذكر أن 35% فقط من عينات الخزعة توفر محتوى ورمي كافٍ للتوصيف الجزيئي الموثوق. لمعالجة هذه القضايا، تستكشف الدراسة إمكانية الإشعاع الجيني، الذي يربط بين الأنماط التصويرية والتعبير الجيني، مستفيدة من التصوير بالرنين المغناطيسي (MRI) لتطوير علامات تصويرية غير غازية لتوقع وتصنيف الأورام الدبقية. أظهرت الدراسات السابقة وعدًا في استخدام الإشعاعيات وتقنيات التعلم العميق للتنبؤ بحالة طفرة IDH وميثيل MGMT، ومع ذلك، أظهرت بعض النماذج قدرة تنبؤية محدودة. تهدف هذه الدراسة إلى تقديم مجموعة ميزات جديدة تلتقط توزيع الأورام الدبقية، وتقييم ما إذا كانت بيانات MRI يمكن أن تتنبأ بدقة بحالة طفرة IDH، وحالة ميثيل MGMT، ونتائج البقاء باستخدام مجموعات بيانات MRI واسعة النطاق.
النتائج
في هذا القسم، يتم تقديم نتائج تحليل شامل للإشعاعيات يهدف إلى التوصيف الجيني للأورام الدبقية وتوقع البقاء. قامت الدراسة بتقييم ثلاث مهام سريرية: ميثيل مروج MGMT، حالة طفرة IDH، وتوقع مدة البقاء العامة (OS)، باستخدام ثلاث استراتيجيات ميزات—الإشعاعيات، والتوزيع المكاني، والمشتركة. تم إجراء تحليلات تحقق متقاطع شاملة (CV)، مما كشف أن النماذج التنبؤية المثلى تضمنت خمس ميزات من نمط التوزيع المكاني، وعشر من الإشعاعيات، وعشر من مجموعات الميزات المشتركة. أظهرت مجموعات الميزات المشتركة قوة تنبؤية متفوقة، مما زاد المنطقة تحت منحنى خصائص التشغيل (AUROC) بنسبة 0.8% لـ MGMT، و1.7% لـ IDH، و1.3% لـ OS مقارنةً بالإشعاعيات وحدها.
قيمت التقييمات عبر المجموعات المزيد من قدرات التعميم للنماذج، حيث قدمت مجموعة بيانات UCSF أفضل أداء لمهام MGMT وIDH. ومع ذلك، انخفض الأداء عند تطبيقه على مجموعات بيانات خارجية، مع انخفاضات بنسبة 4.3%، و3.2%، و2.9% لمهام MGMT وIDH وOS، على التوالي. بشكل عام، بينما تفوقت مجموعة ميزات الإشعاعيات على نمط التوزيع المكاني، فإن دمج كلا مجموعتي الميزات حقق أعلى درجات تنبؤية. يتم تقديم ملخص لقوى التمييز التي حققتها أفضل النماذج أداءً عبر جميع التجارب في الجدول 9، مع تسليط الضوء على أعلى القيم لكل مقياس.
المناقشة
في هذه الدراسة، تم تحليل أربعة مجموعات بيانات لتقييم العلامات البيولوجية التصويرية لتوصيف الأورام الدبقية الجزيئية وتوقع البقاء العام (OS). شملت مجموعات البيانات مجموعة بيانات الإشعاع الجيني MICCAI-RSNA 2021، مجموعة بيانات UPenn-GBM، مجموعة بيانات UCSF MRI للأورام الدبقية، ومجموعة بيانات LUMIERE GBM، والتي شملت مجتمعة ما مجموعه 1,788 موضوعًا. قدمت كل مجموعة بيانات مسحات MRI متعددة المعلمات، وحالة جزيئية لطرائق IDH وميثيل MGMT، وبيانات OS. استخدمت الدراسة مجموعة ميزات جديدة لنمط التوزيع المكاني لقياس التوزيع التشريحي للأورام الدبقية عبر 32 هيكلًا في الدماغ، مما كشف أن الأورام الدبقية أظهرت توزيعًا غير منتظم، يؤثر على كل من المناطق التشريحية الكبيرة والصغيرة بشكل مختلف. تم دمج مجموعة الميزات هذه مع أوصاف الإشعاعيات التقليدية لتعزيز الأداء التنبؤي لأنماط الجزيئات ونتائج OS.
أشارت النتائج إلى أنه بينما حقق نمط التوزيع المكاني وحده قوة تنبؤية أقل لحالة ميثيل MGMT (AUROC قدره 0.685)، إلا أنه حسن أداء النموذج عند دمجه مع ميزات الإشعاعيات. في المقابل، أظهرت توقعات حالة طفرة IDH نتائج واعدة، مع متوسط AUROC قدره 0.972 لمجموعة بيانات UCSF. تسلط الدراسة الضوء على قيود نماذج العلامات البيولوجية التصويرية الحالية، خاصة في توقع حالة MGMT، مما يشير إلى أن الأبحاث المستقبلية يجب أن تستكشف تسلسلات MRI بديلة وتدمج البيانات التصويرية مع المعلومات الجينية والسريرية لتحسين القدرات التنبؤية.
DOI: https://doi.org/10.3389/fonc.2025.1679634
PMID: https://pubmed.ncbi.nlm.nih.gov/41561752
Publication Date: 2026-01-05
Author(s): Mehdi Astaraki et al.
Primary Topic: Radiomics and Machine Learning in Medical Imaging
Overview
This research investigates the use of magnetic resonance imaging (MRI) data to predict survival status and molecular subtypes in glioma patients, emphasizing the importance of molecular characterization for prognosis and treatment. A novel method was developed to quantify the spatial distribution of gliomas by measuring the volumetric ratio of 32 affected brain anatomical structures. This feature set was integrated with established radiomic techniques to create predictive models for O6-methylguanine-DNA methyltransferase (MGMT) methylation status, isocitrate dehydrogenase (IDH) mutation status, and overall survival (OS) time. The models were evaluated using preoperative MRIs from 1788 subjects across four independent datasets, employing cross-validation and cross-dataset evaluation.
The results indicated that while the proposed feature set did not reveal consistent tumor location patterns, its integration with radiomics significantly enhanced model performance. The area under the receiver operating characteristic curve (AUROC) for IDH mutation status was notably high (0.972 for cross-validation and 0.764 for cross-data), indicating strong predictive capability. In contrast, the models showed moderate correlation with OS time (AUROC: 0.748 and 0.719) and weak correlation with MGMT status (AUROC: 0.685 and 0.628). These findings underscore the potential of imaging biomarkers for predicting IDH status while highlighting the limitations of relying solely on MRI data for accurate predictions of MGMT and OS.
Introduction
The introduction of the research paper discusses gliomas, the most prevalent malignant primary brain tumors in adults, classified into three main types: astrocytoma, oligodendroglioma, and glioblastoma (GBM). Despite advancements in treatment, particularly for GBM, the prognosis remains grim, with a median overall survival time of less than 15 months. Key biomarkers, such as O6-methylguanine-DNA methyltransferase (MGMT) promoter methylation and isocitrate dehydrogenase (IDH) mutation status, significantly influence treatment outcomes and prognoses. Patients with methylated MGMT promoters generally exhibit better survival rates, while IDH-mutated tumors are associated with lower tumor grades and improved prognoses.
The paper highlights the challenges in accurately classifying glioma subtypes, which often necessitates invasive biopsies that can suffer from sampling bias due to tumor heterogeneity. Notably, only 35% of biopsy samples provide sufficient tumoral content for reliable molecular profiling. To address these issues, the study explores the potential of radiogenomics, which correlates imaging phenotypes with gene expression, leveraging Magnetic Resonance Imaging (MRI) to develop non-invasive imaging biomarkers for glioma prognosis and classification. Previous studies have shown promise in using radiomics and deep learning techniques for predicting IDH mutation and MGMT methylation status, yet some models have demonstrated limited predictive power. This research aims to introduce a novel feature set that captures the spatial distribution of gliomas, assessing whether MRI data can accurately predict IDH mutation status, MGMT methylation status, and survival outcomes using extensive MRI datasets.
Results
In this section, the results of a comprehensive radiomics analysis aimed at the radiogenomic characterization and survival prediction of gliomas are presented. The study evaluated three clinical tasks: MGMT promoter methylation, IDH mutation status, and overall survival (OS) time prediction, utilizing three feature strategies—Radiomics, Spatial, and Combined. Extensive cross-validation (CV) analyses were performed, revealing that the optimal predictive models incorporated five features from the spatial distribution pattern, ten from radiomics, and ten from the combined feature sets. The combined feature sets demonstrated superior predictive power, enhancing the area under the receiver operating characteristic curve (AUROC) by 0.8% for MGMT, 1.7% for IDH, and 1.3% for OS compared to radiomics alone.
Cross-dataset evaluations further assessed the generalization capabilities of the models, with the UCSF dataset providing the best performance for MGMT and IDH tasks. However, performance declined when applied to external datasets, with reductions of 4.3%, 3.2%, and 2.9% for MGMT, IDH, and OS tasks, respectively. Overall, while the radiomics feature set outperformed the spatial distribution pattern, the integration of both feature sets yielded the highest predictive scores. A summary of the discrimination powers achieved by the best-performing models across all experiments is provided in Table 9, highlighting the highest values for each metric.
Discussion
In this study, four datasets were analyzed to evaluate imaging biomarkers for glioma molecular profiling and overall survival (OS) prediction. The datasets included the MICCAI-RSNA 2021 radiogenomics dataset, UPenn-GBM dataset, UCSF Glioma MRI dataset, and LUMIERE GBM dataset, which collectively encompassed a total of 1,788 subjects. Each dataset provided multiparametric MRI scans, molecular status for IDH mutations and MGMT methylation, and OS data. The study employed a novel spatial distribution pattern feature set to quantify the anatomical distribution of gliomas across 32 brain structures, revealing that gliomas exhibited an irregular distribution, affecting both large and small anatomical regions differently. This feature set was integrated with traditional radiomic descriptors to enhance predictive performance for molecular subtypes and OS outcomes.
The findings indicated that while the spatial distribution pattern alone yielded inferior predictive power for MGMT methylation status (AUROC of 0.685), it improved model performance when combined with radiomic features. In contrast, the prediction of IDH mutation status showed promising results, with an average AUROC of 0.972 for the UCSF dataset. The study highlights the limitations of current imaging biomarker models, particularly in predicting MGMT status, suggesting that future research should explore alternative MRI sequences and integrate imaging data with genetic and clinical information for improved prognostic capabilities.