AI and Cancer Research ── Brain ── 2026-10-18
Brain tumours: treatment, trials and AI
- Abstract
Introduction: High-grade gliomas (HGGs) are aggressive primary brain tumors with high recurrence rates and poor prognosis. Survival benefit from adjuvant temozolomide (TMZ) varies substantially across patients, and reliable preoperative biomarkers for treatment stratification remain limited. This study aims to develop an interpretable multimodal deep learning model integrating whole-slide histopathological images and multiparametric MRI to preoperatively predict survival benefit from adjuvant TMZ in HGG patients.
Methods: A Transformer-based multimodal fusion model was proposed. Key tumor regions were identified from whole-slide pathology images via weakly supervised clustering, and pathological features were extracted using attention-based multiple instance learning. Concurrently, 2.5D tumor subregional features were derived from multiparametric MRI sequences. These multimodal features were deeply fused using a Transformer encoder. The model was developed and validated on a multicenter cohort (504 patients), and its biological basis was explored through transcriptomic analysis, gene set enrichment analysis, protein-protein interaction networks, and immune deconvolution.
Results: The fusion model achieved AUCs of 0.910, 0.861, and 0.833 in the training, internal validation, and external validation cohorts, respectively. Transcriptomic analysis implicated DNA damage repair processes in high-benefit patients, suggesting that enhanced DNA repair capacity may contribute to TMZ sensitivity. Immune deconvolution showed higher M1 macrophage infiltration and lower regulatory T cell abundance in the high-benefit group, consistent with a less immunosuppressive tumor microenvironment. Importantly, low-benefit patients who completed TMZ chemotherapy had shorter survival than those treated with concurrent chemoradiotherapy alone or surgery alone.
Conclusion: This model identifies patients unlikely to benefit from standard TMZ chemotherapy, providing a tool for postoperative personalized treatment stratification and optimization of therapeutic strategies in HGGs.
Journal IF-equivalent: 5.5 (OpenAlex 2-year mean citedness, value as of 2026-10-02, retrieved 2026-10-03; not the official Clarivate IF)Reference: Li Z, Duan X, Lian J, Li X, Liang Q, Liu X, et al. Pathology-guided multimodal transformer predicts postoperative survival benefit from adjuvant chemotherapy in glioma: from DNA damage repair to immune characterization. Front Immunol. 2026 Oct 16;17:1845251. doi:10.3389/fimmu.2026.1845251.Checked: Abstract only - Abstract
Diffuse Gliome vom adulten Typ sind die häufigsten malignen Gehirntumoren bei Erwachsenen und mit einer sehr schlechten Prognose assoziiert. Für eine optimale und personalisierte Diagnostik und Therapie der Gliome ist die neuroradiologische Diagnostik von elementarer Bedeutung. Die Kontrasterzeugung durch CEST in der metabolischen MRT ist eine vielversprechende Technik zur Untersuchung von Gehirntumoren, ihren molekularen Eigenschaften und zur Therapieevaluation. Für die Betrachtung und Auswertung der CEST-Bildgebung ist ein exakt segmentiertes Tumormodell erforderlich. Die Segmentierung des Tumors für jeden individuellen Patienten ist zeitintensiv und erfordert neuroradiologische Expertise. Eine automatisierte Tumorsegmentierung durch Deep learning gestützte Methoden gewinnt daher stark an Bedeutung. [AG96.1] Aus diesem Grund wurde zum einen die automatisierte Segmentierung durch das BraTS-Toolkit mit einer manuell erstellten, validierten Segmentierung mit dem Ziel verglichen, die Qualität, Einsatzbereiche und Anwendbarkeit zu evaluieren. Zum anderen wurden die Intensitätslevel in der CEST-Bildgebung in den unterschiedlichen Tumorarealen (Nekrose/Zyste, KME, Ödem) betrachtet. Es sollte hierbei gezeigt werden, wie sich die APT- und NOE-gewichteten CEST-Aufnahmen in Bezug auf WHO-Grad, IDH-Status und Zeitpunkt der Bildgebung unterscheiden. Ziel war es hier zu untersuchen, ob die CEST-Aufnahmen in dieser Studiengruppe einen Beitrag zur Therapieentscheidung liefern können. Für diese Studie wurden 51 Patientendaten verwendet. Diese unterteilen sich in 36 Datensätzen von Patienten mit Gliomen und 15 von Patienten mit tumorähnlicher Läsion[AG97.1]. Die MRT-Aufnahmen dieser Patienten wurden bei einer klinischen Feldstärke von 3 T durchgeführt. Die APT-gewichteten CEST-Aufnahmen wurden bei einer Sättigung von B1 = 2,22 µT durchgeführt, die NOE-gewichteten CEST-Aufnahmen bei einer Sättigung von B1 = 0,6 µT. Die automatisierte Segmentierung der Gliome und Läsionen erfolgte durch das BraTS-Toolkit und wurden anschließend manuell mit dem Programm 3D Slicer korrigiert[AG98.1]. Für die Auswertung der Intensitätslevel der CEST-Aufnahmen wurden mit Hilfe von 3D Slicer die Segmentierungen zunächst auf den Bereich der CEST-Aufnahme zugeschnitten. Danach wurden diese Segmentierungen [AG99.1]an CEST-Artefakte angepasst, ein Referenzsegment in gesund erscheinender weißer Substanz auf der kontralateralen Hemisphäre eingefügt und für weitere Untersuchungen ein Fusionssegment (KME + Flair Hyperintensität) erstellt. Abschließend konnten die Intensitätswerte mit 3D Slicer gemessen werden. Bei der Evaluation der automatisierten Segmentierung lag der Median der mittleren Dice Koeffizienten bei posttherapeutischen Patienten bei 0,8 und der Median der m. D. c. bei tumorähnlichen Läsionen bei 0,81. Jedoch wich der Median der mittleren Dice Koeffizienten bei Patienten mit Erstdiagnose mit einem Wert von 0,64 hiervon ab. Bei den Patienten mit Gliomen traten vor allem in den nekrotischen/zystischen Arealen gehäuft niedrige Dice Koeffizienten auf (siehe Abb. 18[AG100.1]), was hauptsächlich an zu groß automatisch segmentierten nekrotisch/zystischen Arealen lag (exemplarisch in Abb. 14 zu sehen). Für die Abhängigkeit der Segmentierung von WHO-Grad und Diagnose zeigten sich bessere Dice Koeffizienten bei höhergradigen Astrozytomen und Glioblastomen mit KM-Enhancement. Bei der Betrachtung der Intensitätslevel des APT zeigte sich, dass die Intensitätslevel grundsätzlich höher waren als die der Referenzsegmente (Abb. 54). Die APT-Intensitätslevel waren zudem in der Gruppe Erstdiagnose höher als in der posttherapeutischen Gruppe und bei Wildtyp-Tumoren tendenziell höher als bei IDH-mutieren Tumoren (Abb. 57). In der posttherapeutischen Gruppe konnte beobachtet werden, dass sich die APT-Intensitätslevel analog zum WHO-Grad steigend verhalten (Abb. 34). Die Intensitätslevel des NOE waren durchgängig niedriger als die der Referenzsegmente (Abb. 55). Bei IDH-mutierten Tumoren zeigten sich die NOE-Intensitätslevel niedriger als beim Wildtyp [AG101.1](Abb. 48). Eine Tendenz der NOE-Intensitätslevel konnte in Bezug auf WHO-Grad oder Therapie-Status nicht gezeigt werden. Schlussfolgernd lässt sich feststellen, dass die automatisierte Segmentierung gute Ergebnisse erzielt [AG102.1]hat, jedoch bei morphologisch atypischen Tumoren ohne KM-anreicherndes Areal mit hohem T2 Signal Probleme bei der Segmentierung des nekrotischen/zystischen Areals hatte. Die CEST-Bildgebung stellt vielversprechende und interessante Kontraste bereit. Vor allem die APT-gewichteten Aufnahmen zeigten eindeutige Tendenzen bezüglich Therapie- und Mutationsstatus der Patienten, sind jedoch durch die vorhandene Streuung noch nicht zur individuellen Therapieentscheidung geeignet.
Journal IF: unknown (could not be matched)Reference: [No authors listed]. Qualität und Anwendbarkeit von automatisierten Segmentierungen von Hirntumoren bei der Evaluation des Nutzens von APT- und NOE-CEST bei 3 T bei individuellen Patienten. Universitätsbibliothek Tübingen. [Epub ahead of print]. doi:10.15496/publikation-125797.Checked: Abstract only