作者：Anna Marie Yanny， 斯坦福大学

胶质母细胞瘤是一种快速且侵袭性的脑癌，诊断后平均预期寿命约为一年。它很难治疗，部分原因是每个肿瘤的细胞组成因人而异。

“由于这种疾病的异质性，科学家们还没有找到解决它的好方法，”生物医学信息学和数据科学副教授 Olivier Gevaert 博士说。

医生和科学家们也在为预后而苦苦挣扎，因为很难解析哪些癌细胞导致了每位患者的胶质母细胞瘤。

但斯坦福大学医学院的科学家和他们的同事最近开发了一种人工智能模型，可以评估胶质母细胞瘤组织的染色图像，以预测患者肿瘤的侵袭性，确定肿瘤细胞的基因组成，并评估手术后是否残留大量癌细胞。

“这对医生来说是一个决策支持系统，”吉瓦特实验室的博士后学者郑远宁博士说。他们的团队最近在《自然通讯》上发表了一项研究，描述了该模型如何帮助医生识别具有表明更具侵袭性肿瘤的细胞特征的患者，并标记他们以加速随访。

胶质母细胞瘤的新观点

即使胶质母细胞瘤患者接受手术、放疗和化疗后，一些癌细胞几乎仍然残留。几乎所有胶质母细胞瘤患者都会复发——有些患者比其他患者复发得早。

医生和科学家通常使用组织学图像或染色的疾病组织图片来帮助他们识别肿瘤细胞并设计治疗计划。虽然图像通常揭示癌细胞的形状和位置，但它们并不能描绘出肿瘤的完整图片。近年来，开发了一种更先进的技术，称为空间转录组学。它揭示了数十种细胞类型的位置和基因组成，使用特定分子来识别肿瘤组织中的遗传物质。

“空间转录组学数据使我们能够以以前不可能的方式观察这些类型的肿瘤，”Gevaert 说。“但目前这是一项昂贵的技术。为单个患者生成数据需要几千美元。”

Gevaert 和 Cheng 利用人工智能来简化这一过程，开发了一种模型，可以从空间转录组学中提取数据并增强基本组织学图像，从而创建更详细的肿瘤图。

“该模型显示了哪些细胞喜欢在一起，哪些细胞不想交流，以及这与患者结果的关系，”Gevaert 说。

开发模型

研究人员利用 20 多名胶质母细胞瘤患者的空间转录组图像和遗传数据对模型进行了训练。从这些详细的图片中，模型了解到哪些细胞类型、细胞间相互作用和概况与更有利（或不利）的癌症结果相关。

例如，该模型发现，当类似于神经元支持细胞（称为星形胶质细胞）的肿瘤细胞异常聚集在一起时，患者似乎会患上更迅速、更具侵袭性的癌症。其他研究发现，当星形胶质细胞聚集在一起时，它们会传递驱动肿瘤生长的生物信号。

Gevaert 说，通过揭示像这种明显的聚集这样的细胞模式，该模型可以帮助药物开发商设计出更有效的治疗方法来针对胶质母细胞瘤。

来自同一胶质母细胞瘤患者的空间转录组学数据还教会该模型识别相应组织学图像中的不同肿瘤细胞，准确率达到 78% 或更高。本质上，它利用细胞的形状来预测哪些基因被“打开”和“关闭”，这些信息揭示了细胞的身份。

郑还希望临床医生可以使用这个应用程序来推断手术期间成功切除了多少肿瘤，以及大脑中残留了多少肿瘤。他们的模型表明，具有缺氧遗传痕迹的肿瘤细胞通常位于患者肿瘤的中心。当这些细胞的比例较高时，癌症结果就会更差。

郑说，通过照亮组织学染色的手术样本中的缺氧细胞，该模型可以帮助外科医生了解大脑中可能残留有 多少癌细胞，以及手术后多久才能恢复治疗。

一旦模型被训练为从基本图像中识别不同细胞类型的位置，研究人员就在来自 410 名患者的更大、独立的组织学图像数据集上评估了其效用。根据这些图像，该模型开始推断癌症的结果。研究人员发现该模型能够识别与癌症侵袭相对应的细胞模式。

我们的想法是，该模型有一天可以帮助医生识别那些细胞模式表明肿瘤更具侵袭性的患者，无论是复发还是快速生长，都可能构成迫在眉睫的威胁。

下一步是什么？

郑对该模型的预测潜力感到兴奋，但他说，在将其发布给医生之前，需要对更多患者进行训练。他计划完善该模型，以便能够创建更精细的胶质母细胞瘤细胞图。

目前，他们的模型GBM360的概念验证版本可供研究人员上传诊断图像并预测胶质母细胞瘤患者的结果。然而，郑强调，该模型仍处于研究阶段，算法的结果尚不能指导患者护理。

郑希望该算法有一天能够预测其他疾病的结果，例如乳腺癌或肺癌。“我认为这些多模式数据集成可以在未来改善个性化医疗。”

格拉纳达大学、根特大学和弗莱堡大学的研究人员为这项工作做出了贡献。