Nature Cancer：人工智能模型利用表观遗传指纹高精度检测脑肿瘤

核磁共振成像显示脑部肿瘤位于一个不吉利的位置，而脑部活组织检查对因双视而咨询我们的患者来说风险很高。例如，在一个由癌症医学专家组成的多学科团队中，出现了这种案例讨论的情况，促使柏林慈善大学的研究人员与合作伙伴一起寻找新的诊断程序。结果是一个人工智能模型。该模型利用了肿瘤遗传物质的特定特征——例如从脑脊液中获得的表观遗传指纹等。正如团队在期刊上所展示的那样自然癌症新模型能快速可靠地对肿瘤进行分类。

今天，已知的肿瘤类型远比它们产生的器官多。每种肿瘤都有其自身的特征、某些组织特征、生长速率和代谢特性。然而，具有相似分子特征的肿瘤类型可以归为一类。个别疾病的治疗取决于肿瘤的类型。新的靶向治疗可解决肿瘤细胞的某些结构或阻断其信号通路，以阻止病理组织生长。化疗药物可根据肿瘤类型选择，并相应调整剂量。特别是在罕见肿瘤类型的情况下，作为研究的一部分，寻求创新疗法可能是可能的。

“在癌症医学日益个性化、快速发展的背景下，在经过认证的肿瘤中心进行精确诊断是成功治疗的必由之路。"Martin E.Kreis教授说。

虽然基于组织样本对肿瘤进行全面的分子、细胞和功能分析提供了必要的信息，但医生也面临着从肿瘤中提取组织样本不可能或风险很大的情况。更重要的是，即使是单独的组织学检查也无法提供像新AI模型那样精确的诊断。

研究基因组而不是组织

已经建立了一种表征脑肿瘤特征的方法，这种方法不是基于传统的显微镜诊断，而是基于肿瘤遗传物质的修饰，即表观遗传特征。它们是每一个细胞记忆的一部分，决定着基因信息的哪些部分以及何时被读取。

德国癌症联合会柏林分会和Charité神经病理学研究所的科学家Philipp Eukilchen博士解释说：“数十万的表观遗传修饰起到了单个基因片段的开关作用。它们的模式形成了一个独特、无误的指纹。在肿瘤细胞中，表观遗传信息以一种特有的方式发生改变。根据它们的特征，我们可以区分肿瘤并对其进行分类。”对于脑肿瘤，即使是脑脊液样本在某些情况下也足够了，并且可以相对容易地获得，完全不需要手术。

为了将一个未知指纹与数千个不同癌症的已知指纹进行比较，并将其分配给特定的肿瘤类型，鉴于数据非常广泛和复杂，需要使用机器学习方法，即人工智能。此外，过去使用了不同的DNA测序方法。此外，表观遗传学分析通常局限于特定的模式和基因片段，这些是单个肿瘤类型的典型特征。生物信息学家S?ren Lukassen博士表示：“因此，我们的目标是开发一种能够准确分类肿瘤的模型，即使它们只是基于整个肿瘤表观基因组的一部分，或者是通过不同的技术和不同程度的准确度来收集特征。”，Charité柏林卫生研究所（BIH）医学Omics工作组负责人表示。

可靠且可追溯

一个新开发的人工智能模型名为crossNN，其结构基于一个简单的神经网络。该模型使用大量参考肿瘤进行训练，随后在5000多个肿瘤上进行测试。菲利普·尤基尔琴（Philipp Eukilchen）表示：“我们的模型可以非常准确地诊断99.1%的脑肿瘤，比目前正在使用的人工智能解决方案更准确。”。“此外，我们能够以同样的方式训练一个人工智能模型，该模型可以区分所有器官中的170多种肿瘤类型，同时准确率达到97.8%。这意味着它可以用于所有器官的癌症，以及相对罕见的脑肿瘤。”临床应用中未来批准的决定性因素是模型完全可解释，即必须能够理解决策是如何得出的。

人工智能模型接收用于测定的分子指纹可以来自组织样本或体液。对于特定的脑肿瘤，Charité的神经病理学部门已经提供了基于脑脊液（称为液体）的非侵入性诊断活检这使得诊断可以在没有压力的操作下进行，也可以在困难的情况下进行。向我们咨询过双眼视觉的患者是其中一位受益人。“我们使用纳米孔测序法检测脑脊液，这是一种新型、快速、有效的遗传分析方法。我们的模型分类显示，这是中枢淋巴瘤神经系统，使我们能够迅速开始适当的化疗，”Philipp Euskirchen解释道。

临床试验中的crossNN

该方法的准确性甚至让研究人员感到惊讶。S?ren Lukassen说：“虽然我们的人工智能模型的架构比以前的方法简单得多，因此仍然可以解释，但它提供了更精确的预测，因此具有更大的诊断确定性。”。因此，该研究团队正与德国癌症联合会（DKTK）一起计划在德国所有八个DKTK地点进行交叉神经网络的临床试验。此外，还需要测试术中使用。其目的是将基于DNA样本的精确且相对便宜的肿瘤检测转移到日常护理中。