[论文解读] Quantitative in vivo imaging to enable tumor forecasting and treatment optimization

Guillermo Lorenzo, David A. Hormuth+7 more|arXiv (Cornell University)|Feb 24, 2021

Radiomics and Machine Learning in Medical Imaging参考文献 120被引用 6

一句话总结

本文提出了一种个性化肿瘤预测框架，整合了定量在体医学影像数据（如MRI和PET）与患者特异性的肿瘤生长及治疗反应数学模型。通过利用影像衍生的生物参数对这些模型进行校准，并应用反问题求解、最优控制和模型选择技术，该方法实现了个体化治疗策略的计算机模拟预测与优化，推动精准肿瘤学超越基于人群平均值的标准。

ABSTRACT

Current clinical decision-making in oncology relies on averages of large patient populations to both assess tumor status and treatment outcomes. However, cancers exhibit an inherent evolving heterogeneity that requires an individual approach based on rigorous and precise predictions of cancer growth and treatment response. To this end, we advocate the use of quantitative in vivo imaging data to calibrate mathematical models for the personalized forecasting of tumor development. In this chapter, we summarize the main data types available from both common and emerging in vivo medical imaging technologies, and how these data can be used to obtain patient-specific parameters for common mathematical models of cancer. We then outline computational methods designed to solve these models, thereby enabling their use for producing personalized tumor forecasts in silico, which, ultimately, can be used to not only predict response, but also optimize treatment. Finally, we discuss the main barriers to making the above paradigm a clinical reality.

研究动机与目标

• 通过实现个体化肿瘤预测，解决基于人群平均值的肿瘤学决策制定的局限性。
• 克服利用临床相关影像数据对癌症数学模型进行患者特异性参数化的挑战。
• 开发计算框架，将影像数据转化为可预测的、患者特异性的肿瘤预测结果，以支持临床决策。
• 通过最优控制理论指导的计算机模拟和模型验证，优化治疗方案。
• 通过识别并解决实施过程中的关键障碍，弥合临床前建模与临床应用之间的差距。

提出的方法

• 利用定量在体影像模态（如MRI、PET）提取肿瘤细胞密度、灌注和微环境特征的时空数据。
• 通过反问题求解，利用患者特异性的影像数据对基于机制的肿瘤生长与治疗反应数学模型进行校准。
• 应用有限元法、有限差分法和等几何分析方法，数值求解控制肿瘤动力学的偏微分方程。
• 采用敏感性分析和模型选择技术（如OPAL），在模型复杂性与数据保真度之间取得平衡，识别最合理且具预测能力的模型。
• 实施最优控制理论（OCT），在计算机模拟中基于患者特异性模型预测，模拟并优化治疗方案。
• 采用正则化和不确定性感知的反演策略，在模型校准过程中缓解影像数据的病态性与噪声影响。

实验结果

研究问题

• RQ1 如何系统性地利用定量在体影像数据，对患者特异性的肿瘤生长与治疗反应数学模型进行参数化？
• RQ2 在保持准确性和计算效率的前提下，哪些计算方法最有效地求解复杂、具有生物物理依据的肿瘤模型？
• RQ3 如何应用模型选择与验证框架（如OPAL），以确保在数据稀缺与不确定性条件下的预测模型具有鲁棒性与可靠性？
• RQ4 最优控制理论在计算机模拟中能在多大程度上生成临床可行且有效的治疗方案？
• RQ5 将基于影像的计算肿瘤预测转化为常规临床肿瘤学实践的主要障碍是什么？

主要发现

• 来自MRI和PET的定量影像数据，如肿瘤细胞密度、血容量分数和灌注，为校准患者特异性的肿瘤模型提供了关键输入。
• 通过反问题求解进行模型校准，能够估计原本在体内无法直接获取的关键生物参数（如增殖率和死亡率）。
• 有限元法与等几何分析的结合，使得在复杂解剖环境中对肿瘤动力学实现精确的空间与时间模拟成为可能。
• 基于OPAL的模型选择可提升模型可靠性，在数据稀缺与噪声条件下仍能平衡预测准确性与模型复杂性。
• 最优控制理论支持在计算机中设计个性化治疗方案，其模拟效果可优于标准治疗方案。
• 尽管在临床前研究中展现出强劲潜力，临床转化仍面临重大挑战，包括数据质量、模型不确定性，以及需要开展对照试验以验证计算推导出的治疗方案。