脑胶质瘤TERT启动子突变的影像学研究进展

昱珏 钟, 笑笑 马, 祺 段, 皓璇 陆, 晋浩 吕, 昕 娄 · 2024

Read 脑胶质瘤TERT启动子突变的影像学研究进展 by 昱珏 钟, 笑笑 马, 祺 段, 皓璇 陆, 晋浩 吕, 昕 娄 (2024) in the Tower of Babel, a free online library of public-domain works preserved in clean, searchable text. No sign-up. The full text is served as a plain-text file at a predictable URL, where text is present: https://antarctic-labs.com/tower-of-babel/pmc-11839370.txt.

Description

端粒酶逆转录酶(telomerase reverse transcriptase, TERT)启动子区域发生体细胞突变是端粒酶再激活的机制之一,在肿瘤发生过程中起关键作用。TERT启动子突变状态是评估脑胶质瘤分类的重要分子指标,对于脑胶质瘤早期分型诊断、辅助制定治疗决策以及改善患者预后至关重要。自胶质瘤分子分型的重要性被强调以来,基于脑胶质瘤术前影像的关键分子分型无创预测研究大量开展,针对TERT启动子的研究多集中于组学方法开展。本文就脑胶质瘤TERT启动子突变及其影像学相关研究进行综述,以期为日后TERT启动子的无创预测研究提供思路,为脑胶质瘤患者精准诊疗提供重要参考。 端粒酶是一种逆转录酶核糖核蛋白复合物,其再激活通常在肿瘤发生过程中起关键作用[1]。端粒酶逆转录酶(telomerase reverse transcriptase, TERT)是端粒酶最重要的限速酶,其活性增强能够使肿瘤细胞有效维持端粒长度,从而延缓肿瘤细胞的老化进程,促进其进一步恶性增殖和侵袭[2]。TERT启动子位于TERT基因的上游区域,TERT启动子区域发生体细胞突变进而导致TERT基因转录活性增强是端粒酶再激活的机制之一。2013年,HORN等[3-4]首次描述了黑色素瘤发生TERT启动子突变时,TERT转录水平成倍提高。研究表明,TERT基因突变参与多种肿瘤的发生和发展,包括脑胶质瘤、黑色素瘤、黏液样脂肪肉瘤、尿路上皮癌、甲状腺癌、肝癌等,且与肿瘤的预后密切相关[5]。 脑胶质瘤是一组起源于中枢神经系统细胞的异质性肿瘤,是成人原发性脑恶性肿瘤中的主要类型,约占75%[6]。尽管多种综合治疗并驾齐驱,但由于绝大多数患者对一线治疗方法替莫唑胺无法避免的耐药性,故高级别胶质瘤患者生存率仍然不乐观[7-8]。研究异柠檬酸脱氢酶(isocitrate dehydrogenase, IDH)和TERT启动子的突变状态有助于理解脑胶质瘤的发病机制、诊断、分类和预后[9]。2016年世界卫生组织(world health organization, WHO)首次将分子分型纳入中枢神经系统肿瘤分类,分子分型对胶质瘤患者的准确诊断和预后评估愈发重要;2021年WHO第五版中枢神经系统肿瘤分类中进一步强调了分子标志物的关键作用,这一改变对成人脑胶质瘤的分类标准产生了重大变革[10]。在星形细胞瘤中,端粒维持机制不依赖于TERT启动子突变而是端粒选择性延长[11],尽管TERT启动子突变并非所有胶质瘤的特异性表现,但其状态仍是评估胶质瘤分类的一个具有重要价值的分子指标,特别是在少突胶质细胞瘤(伴有1p/19q联合缺失)和胶质母细胞瘤(glioblastoma, GBM)中有高达64.7%和68%的突变率[5,12]。根据IDH突变的存在情况,TERT启动子突变状态具有“双刃剑”的意义:在IDH-突变型(IDH mutant, IDH-mut)肿瘤中,TERT启动子突变常见于少突胶质细胞瘤,常预示良好预后;而在IDH-野生型(IDH widetype, IDH-wt)肿瘤中,TERT启动子突变常见于GBM且已被证明与不良总生存期和无进展生存期密切相关[13–15]。此外,RAMOS-FRESNEDO等[16]的研究显示,如果携带TERT启动子突变,即使是组织学上级别较低的IDH-wt星形细胞瘤,也可能具有类似于GBM的不良预后。因此,鉴别IDH和TERT启动子的突变状态对脑胶质瘤患者的早期诊断分型、指导治疗决策以及改善预后至关重要。 随着胶质瘤分子靶向治疗研究的开展和其个体化治疗的应用价值越发受到重视[17-18],越来越需要可靠、无创预测相关遗传生物标志物的方法以指导治疗。先前关于无创预测脑胶质瘤TERT启动子突变状态的影像学研究主要对基于视觉可直接评估的影像学特征(如肿瘤位置、病变偏侧性、增强强化体积、坏死体积和坏死体积百分比)进行了探索,但并没有显示出较高的准确性,广泛的伦勃朗视觉感受图像特征集也没有提供TERT启动子突变状态相关的形态特征,目前能可靠反映TERT启动子状态的影像标志物尚不明确[19–21],仍然需要更准确的定量或半定量影像特征无创预测TERT启动子状态。本文针对脑胶质瘤TERT启动子突变及其近10年与影像学的相关研究进展进行综述。 常规磁共振成像研究 常规磁共振成像(conventional magnetic resonance imaging, cMRI)主要包括T1加权成像(T1-weighted image, T1WI)、T2加权成像(T2-weighted image, T2WI)、T2加权液体衰减反转恢复序列(fluid attenuated inversion recovery, T2-FLAIR)和对比增强T1WI(contrast enhancementnt T1WI, CE-T1)。cMRI能够无创诊断胶质瘤,并评估其位置、大小、增强强化程度和对周围组织的侵袭程度。TANG等[22]探究了143例胶质瘤患者分子分型与cMRI肿瘤解剖位置之间的关系,发现不同的分子分型具有不同的位置分布倾向,携带TERT启动子突变的肿瘤多位于右侧额岛叶和左侧基底节区,通常不侵袭中线,且仅TERT启动子突变的肿瘤具有更深的解剖位置。SUN等[23]的研究发现携带TERT启动子突变的Ⅱ/Ⅲ级胶质瘤主要位于额叶,且很少侵袭中线。 影像组学是一种新兴技术,包括基于特征和基于深度学习的影像组学两种类型,它使用统计方法从医学图像中挖掘高通量定量特征,进一步基于人工智能建模提取潜在影像学信息作为定量成像生物标志物[24-25]。目前胶质瘤的影像组学研究已展现了对脑胶质瘤精确诊断和预测预后、治疗反应的潜力。ARITA等[26]结合199例Ⅱ/Ⅲ级胶质瘤患者病变的位置信息和cMRI图像建立影像组学模型,发现IDH和TERT启动子共突变的少突胶质细胞瘤更倾向于累及额叶,尤其是内侧额叶皮质区域,是其特异性位置。JIANG等[27]基于T2WI、CE-T1构建了3种影像组学模型,发现只纳入肿瘤内部的组学特征预测TERT启动子突变状态效能表现最佳,加入瘤周特征并不能改善预测效能,外部验证集中曲线下面积值(area under the curve, AUC)达到了0.827。在一项关于低级别胶质瘤的研究中,LU等[28]基于临床特征(性别、年龄)和由T2WI和T2-FLAIR图像提取、最小绝对收缩算子(least absolute shrinkage and selection operator, LASSO)方法筛选出的7个相关特征,计算影像组学评分并构建影像组学诺模图,TERT启动子突变状态预测的AUC达到了0.873;在一项纳入145例GBM患者研究中,LI等[29]基于临床特征(性别、KPS评分)和由cMRI上提取、LASSO方法筛选出10个相关特征的影像组学评分构建影像组学诺模图,验证集中预测TERT启动子突变状态的AUC为0.899。此外,有学者[30]采集多模态MRI(T1WI、T2WI、CE-T1),分别构建了3个单序列模型和一个融合模型,研究结果显示,融合模型显著提高了TERT启动子突变状态的预测准确性。 机器学习算法包括但不限于聚类、分类、决策树、贝叶斯方法、神经网络以及深度学习等。这些技术使得解决以往图像分类、检测和分割等复杂问题变得更加高效,从而提高影像诊断的速度和准确性[31]。在低级别胶质瘤的研究中,HUO等[32]基于T2WI和CE-T1提取特征,通过弹性网络、随机森林等方法筛选出4个特征,结合年龄、肿瘤位置、影像组学评分构建影像组学诺模图,预测IDH-wt低级别胶质瘤中TERT启动子突变状态的AUC为0.882。FANG等[33]使用影像组学特征结合线性支持向量机的机器学习方法对164例WHO Ⅱ级胶质瘤患者TERT启动子的突变状态进行了预测,结果显示该方法可以作为预测胶质瘤TERT启动子状态的有用工具。FUKUMA等[34]的研究发现卷积神经网络(convolutional neural network, CNN)能提供有价值的纹理信息,使预测IDH-mut低级别胶质瘤TERT启动子突变状态的准确度从59%跃升至84%,且效能优于传统影像组学。对于GBM,ZHANG等[35]结合T1WI、CE-T1和T2WI组学特征和深度学习特征构建诺模图,预测TERT启动子突变状态的AUC为0.890。他们使用CNN提取瘤内和瘤周特征良好地区分了TERT启动子突变状态,AUC达到了0.902[36]。该团队还使用同样的MRI序列针对401例胶质瘤患者基于亚区提取影像组学特征,采用了5种不同的分类器的机器学习算法进行预测,研究发现,亚区放射组学模型的TERT启动子突变状态预测的AUC范围为0.758~0.

Catalog record

CREATOR昱珏 钟, 笑笑 马, 祺 段, 皓璇 陆, 晋浩 吕, 昕 娄
YEAR2024
COLLECTIONPAPERS
FORMATTXT
FILE SIZE20 KB
VERSION1.0
LICENSECC BY 4.0
RIGHTSCC BY
SOURCEEurope PMC

Source: https://europepmc.org/articles/PMC11839370

Browse the full library · About the Tower of Babel