跳到正文
原文
生物谷·资讯·· 15 天前AI 评分43

AI与生物信息学协同用于脑疾病精准医学:影像与多组学融合

Briefings in Bioinformatics:当大脑的"分子黑箱"遇上AI,影像与多组学融合的精准医学新图景

AI 导读

这篇发表在《Briefings in Bioinformatics》上的综述报告系统梳理了AI与生物信息学协同用于脑疾病精准医学的路径,提出影像组学与多组学融合的联合潜力,涵盖从数据采集到临床转化的七阶段流程。研究展示了多种整合方法,如相似性网络融合、深度学习融合和跨模态变换器模型,并在胶质瘤、阿尔茨海默病和多发性硬化等疾病中取得初步成效,但指出仍面临样本量有限、多中心批次效应等挑战。

正文

脑疾病正成为全球健康领域最沉重的负担之一,阿尔茨海默病(AD)影响全球超过5500万人,至今缺乏有效疗法;多发性硬化(MS)全球患者超过280万,是18至40岁人群非创伤性神经残疾的首要原因;胶质瘤约占恶性原发性脑肿瘤的81%,其中胶质母细胞瘤占近45%,五年生存率仅约5%。这些疾病的共同难题在于异质性:机制、进展与治疗反应在患者之间差异巨大,而传统临床范式仍依赖标准化方案和群体平均值,难以捕捉个体生物学特征。

影像学是脑疾病诊断的基石,却存在明显短板。结构性或功能性MRI无法可靠刻画胶质瘤的分子特征,确诊与分子分型仍需侵入性活检;脑炎与II级胶质瘤在常规MRI上可表现为相似肿块样病灶;AD与血管性痴呆、混合性痴呆的影像表现相互重叠;MS可与视神经脊髓炎谱系疾病、急性播散性脑脊髓炎等混淆。影像能显示解剖与功能结果,却无法直接测量驱动疾病的分子过程;组学能提供分子细节,却缺乏空间与表型背景。两者之间的鸿沟,正是精准医学亟待跨越的关口。

日前,一篇发表在国际杂志Briefings in Bioinformatics上题为“AI-bioinformatics synergy for precision medicine in brain diseases: integrating radiomics and multi-omics data”的综述报告系统梳理了AI与生物信息学协同用于脑疾病精准医学的路径。来自马凯特大学等机构的研究人员指出,影像组学与多组学融合的联合潜力仍未充分利用,尤其在神经肿瘤与神经疾病研究中。这篇综述报告以七阶段流程组织全貌:多模态数据采集、预处理与协调、生物信息学分析、AI多模态整合、模型训练验证与评估、预测输出、临床转化。

影像组学从MRI、CT、PET中提取高维定量特征,包括一阶直方图指标与GLCM、GLRLM等纹理特征,以及模型基、变换基和形状特征。多组学则横跨基因组、表观基因组、转录组、蛋白质组、代谢组与脂质组,覆盖从单细胞、空间组学到批量层面的分子信息。放射基因组学将影像特征与分子改变关联,实现非侵入性分子刻画,成为理解分子变化如何塑造影像模式的关键整合手段。

面向脑疾病多模态精准医学的AI-生物信息学整合流程,该工作流包含七个相互衔接的阶段

整合方法呈现多条技术分支。相似性网络融合(SNF)迭代融合各模态患者相似图,改善亚型发现;miss-SNF通过非线性消息传递重建缺失网络,在TCGA癌症与AD数据集中,即使整模态缺失,诊断性能仍与完整数据相当。深度学习融合分早期、中间、晚期三类:早期融合捕捉跨模态交互但易受维度灾难与模态不平衡困扰;中间融合以模态特异编码器平衡贡献,是影像-组学整合最常用策略;晚期融合模块化、对缺失数据鲁棒,却损失跨模态交互。跨模态变换器模型借助自注意力与交叉注意力机制,对影像、组学与临床标记单元进行自适应加权,在多个脑疾病应用中优于单模态基线,代价是计算成本高、小队列易过拟合。超网络由临床与组学数据动态生成CNN权重,计算效率更高、参数更省,但缺乏显式注意力矩阵,跨模态可解释性较弱。

生成模型另辟蹊径。mmVAE学习共享疾病因子并分离模态特异噪声,Kumar等人用T1与T2体积特征建立健康脑形态规范分布,量化AD个体偏差,对疾病分期更敏感、与认知关联更强。条件GAN可定向生成特定亚型样本,cGAN-CNN在肿瘤MRI分类中准确率达0.93至0.97。扩散模型训练更稳定、样本保真度高,用于胶质瘤IDH突变分类、MS病灶填充与AD缺失模态合成。图神经网络把整合视为拓扑学习问题,MOGANet在含低级别胶质瘤的TCGA数据集上分类表现优于传统与先进方法,功能富集分析支持所识别标志物的生物学相关性。

具体疾病证据已初步成形。胶质瘤方面,Ahanger等人整合多序列MRI放射组学与TCGA、CPTAC通路注释,预测GBM致癌通路失调的AUC分别为RTK-RAS 0.7、PI3K 0.8、TP53 0.75;Kazerooni等分析357例IDH野生型GBM,发现肿瘤位置与影像特征反映EGFR、PTEN、TP53、NF1等驱动突变;UMBIF基础模型在51029例常规脑MRI上预训练,经多机构独立验证预测IDH突变、MGMT启动子甲基化与1p/19q共缺失。AD方面,GEIDI联邦模型联合sMRI、基因表达与SNP,优于标准eQTL方法;一项972例ADNI研究整合认知、遗传与MRI数据,识别有临床意义的MCI亚型,诊断准确率约90%。MS方面,整合影像、CSF蛋白组与免疫特征的多模态模型在预测残疾进展与向继发进展型转化上显示潜力,可能优于仅MRI模型。

这篇综述的价值不在于宣告某一种算法胜出,而在于把散落的工具放回同一条流水线:数据采集、协调、生物信息分析、多模态整合、验证评估、预测输出、临床转化,环环相扣。它同时诚实地列出障碍:样本量有限、缺失模态普遍、多中心批次效应、模型黑箱、可重复性不足、性别偏倚,以及回顾性验证与前瞻性部署之间的鸿沟。合成数据、数字孪生、联邦学习、性别知情建模提供可行方向,却都需独立真实世界队列检验。

脑疾病的复杂性不会因算法进步而自动消解,影像看见结构,组学读出分子,AI的任务是让两者互相翻译。翻译是否准确取决于数据是否协调、模型是否透明、验证是否跨机构跨人群;精准医学的下一步不是堆叠更多模态,而是让每一层信息在临床决策中找到可验证的位置。(生物谷Bioon.com)

参考文献:

Bekir Altas,Polymnia Georgiou,Anna Onisiforou,et al. AI-bioinformatics synergy for precision medicine in brain diseases: integrating radiomics and multi-omics data, Briefings in Bioinformatics, Volume 27, Issue 5, September 2026, bbag568,doi:10.1093/bib/bbag568.

版权声明 本网站所有注明“来源:生物谷”或“来源:bioon”的文字、图片和音视频资料,版权均属于生物谷网站所有。非经授权,任何媒体、网站或个人不得转载,否则将追究法律责任。取得书面授权转载时,须注明“来源:生物谷”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。

来源:生物谷·资讯 · news.bioon.com