رادیوژنومیکس وارون تولید فنوتیپهای MRI از امضاهای مولکولی گلیوبلاستوما با مدلهای نفوذ نهفته شرطی

رادیوژنومیکس کلاسیک می کوشد نشانگرهای مولکولی تومور را از تصاویر رادیولوژیک پیش بینی کند؛ اما برای آموزش مدل های عمیق نیاز به حجم انبوهی از داده های جفت شده تصویر ژنوم دارد که جمع آوری آن تهاجمی، پرهزینه و زمان بر است. در نقطه مقابل، مخازن عظیم ژنومیک بین المللی همچون AACR GENIE و TCGA سرشار از پروفایل های مولکولی هستند که فاقد تصویر برداری متناظر می باشند و در آموزش الگوریتم های تصویری بی استفاده می مانند. پژوهش حاضر با معرفی پارادایم رادیوژنومیکس وارون این جریان را معکوس می سازد؛ یک مدل مولد عمیق یاد می گیرد که چگونه یک تصویر MRI واقع گرایانه از مغز را مستقیما از روی امضای مولکولی تومور بازسازی کند. برای این منظور یک مدل نفوذ نهفته شرطی بر روی مجموعه داده محدود TCGA-GBM شامل ۱۲۰ بیمار مبتلا به گلیوبلاستوما آموزش داده شد. مدل با دریافت یک بردار شش بعدی متشکل از وضعیت متیلاسیون MGMT، جهش IDH، کدلیشن p/۱۹q۱، سن، جنس و وضعیت عملکردی، تصاویر FLAIR و T۱ce را تولید می کند. پس از آموزش مولد، برای ۱۲۰۰ ژنوم فاقد تصویر از پروژه AACR GENIE، تصاویر مصنوعی متعددی تولید کرد و این تصاویر به عنوان داده های تقویتی به یک طبقه بند وضعیت MGMT افزوده شدند. نتایج نشان داد که در آزمون تورینگ رادیولوژیک با حضور سه نورورادیولوژیست تصاویر مصنوعی از تصاویر واقعی غیرقابل افتراق بودند (p=۰.۳۷). فاصله FID بین توزیع واقعی و مصنوعی ۱۲.۳ به دست آمد. طبقه بند MGMT پس از تقویت با تصاویر مصنوعی، AUC خود را از ۰.۸۲ به ۰.۸۹ افزایش داد و بیشترین جهش در زیرگروه های نادر مانند تومورهای چندکانونی مشاهده شد. نرخ بازیابی از ۵۸ به ۷۹ افزایش یافت. این یافته ها نشان می دهد که رادیوژنومیکس وارون نه تنها گلوگاه کمبود داده های جفت شده را برطرف می کند بلکه می تواند با بهره گیری از گنجینه های ژنومیک موجود دقت بیوپسی مجازی را به طور چشمگیری ارتقا دهد.

کلیدواژه ها:

رادیوژنومیکس وارون ، مدل های نفوذ ، تولید تصویر ، پزشکی ، گلیوبلاستوما ، متیلاسیون MGMT ، داده افزایی مصنوعی