预测高级别胶质瘤患者的认知功能：在公共空间中评估肿瘤位置的不同表示
学术背景
高等级胶质瘤患者的认知功能受到肿瘤位置和体积的影响，这一事实已得到广泛认可。然而，关于如何准确预测个体患者的认知功能，以便在手术前后进行个性化治疗决策的研究仍然有限。现阶段，大多数研究集中在解释不同肿瘤位置对认知功能的影响，但并未详细探讨这些位置表示是否能用于实际预测。此外，目前使用的大多数方法都是基于群体平均的大脑图谱，这种方法可能无法精准反映个体差异。本研究旨在探讨不同的肿瘤位置表示方法，包括流行的人群平均大脑图谱、随机产生的图谱和基于主成分分析（Principal Component Analysis, PCA）的表示，是否能够有效预测未见患者的认知功能。
研究来源
论文题目为《Predicting cognitive functioning for patients with a high-grade glioma: evaluating different representations of tumor location in a common space》。主要作者包括S. M. Boelders、W. De Baene、E. Postma、K. Gehring和L. L. Ong，作者分别来自Tilburg大学的认知科学和人工智能系以及神经心理学系。论文发表于2024年5月31日，接受刊物为《Neuroinformatics》。
研究流程
研究设计与参与者
本研究包含246名高等级胶质瘤患者（WHO分级3或4），这些患者在2010至2019年间接受了Elisabeth-Tweesteden医院的手术并进行了术前认知筛查。参与者年龄范围从18岁至81岁，接受标准化访谈以获得人口统计学变量，如年龄、性别和教育背景。认知筛查使用了计算机化的CNS Vital Signs（CNS VS）测试电池，包括八项认知测试。
神经影像处理与分割
每位患者术前均接受了T1、T1增强、T2和FLAIR等MRI扫描。扫描结果在LINDA包中使用REGALADIN工具注册到MNI空间，并使用HD-BET进行颅骨剥离。肿瘤的对比增强区通过卷积神经网络（U-Net架构）进行分割，并以手动方式校正。
肿瘤位置表示方法
研究将每个高维体素分割数据减少到39种不同的低维表示，包括基于13个人群平均图谱、13个随机图谱和13个基于PCA的表示。每种表示方法具体如下： 1. 人群平均图谱表示：通过重叠肿瘤分割和人群平均图谱计算每个区域的重叠百分比。 2. 随机图谱表示：通过类似草火算法随机选择种子体素生成。 3. PCA表示：对体素肿瘤分割使用PCA，得出少量互不相关的特征。
预测认知功能
使用ElasticNet模型预测患者的认知测试结果，并比较各表示方法的预测性能。使用留一法交叉验证评估模型性能，并将结果与仅使用肿瘤体积作为预测因子的基准模型对比。
研究结果
基准模型性能
基准模型仅使用肿瘤体积作为预测因子，对不同认知测试解释的方差范围从不足1%到9.6%不等。
不同表示方法的性能
总体上，各种表示方法的性能相似，所有表示方法均未显著超过基准模型。基于PCA的表示在多数情况下表现稍好，但差异较小。具体而言，PCA方法在3个测试中表现优于随机图谱，并在7个测试中优于人群平均图谱。
主要发现
- 个体面对的功能区域差异：人群平均图谱在大多数情况下未能显著提高预测性能，这可能是由于肿瘤的质量效应导致图谱的准确性下降。
- PCA方法的潜力：尽管差异不大，但基于PCA的方法在多数情况下表现略优，提示该方法可能比传统图谱更具预测潜力。
- 高维表示的预测性能较差：高维表示（如100个以上区域的图谱）在预测性能上表现较差，这符合“维度诅咒”的理论。
结论与应用价值
研究结果表明，尽管不同肿瘤位置表示方法在理论上具有预测价值，但它们在实际中未显著优于仅使用肿瘤体积的基准模型。这表明当前常用的肿瘤位置表示方法在应用于个体患者的认知功能预测时可能存在局限，强调了发展和验证能够适应个体差异和肿瘤病变影响的新方法的必要性。基于PCA的方法展示出一些潜力，但仍需进一步研究验证其在不同数据中的泛化性。
研究启示未来在神经科学领域发展更为精准的个体脑区分割方法，同时考虑大脑结构和功能的个人差异，可能会显著提高认知功能预测的准确性。此外，对于致力于预测患者认知功能的研究人员，基于PCA的方法可能是一个可行的选择，尽管理解PCA特征的生物学意义可能存在挑战。