科学家将数学应用于脑科学，有效提高了脑胶质瘤分级与基因分型准确性

上海数学与交叉学科研究院丘成桐院士团队与南京鼓楼医院张冰教授团队合作，将计算几何与最优传输理论应用于脑科学领域，实现影像数据的高效处理，并通过创新性代数模型显著提升了深度学习在脑胶质瘤分级与基因分型中的准确性，为多中心医学影像临床分析提供了新的研究范式和技术支撑，也为“数学+人工智能(AI)”研究医学应用问题提供了全新的研究思路。相关研究7月9日发表于美国《国家科学院院刊》。

胶质瘤是最常见的原发性中枢神经系统肿瘤，表现为高度异质性，在临床实践中存在诸多挑战。当前，胶质瘤的临床决策严重依赖术后病理诊断，但侵入性活检可能给患者带来额外风险，且对于位于脑干等关键部位的肿瘤，手术取样往往不可行。因此，术前分级和基因分析对于神经胶质瘤患者的治疗至关重要。随着医学影像技术和AI的发展，基于MRI的多模态影像和组学数据研究成为破解这一困局的利器，但目前相关研究仍存在诸多局限。

研究团队共收集了来自16个不同中心的超过3500例脑胶质瘤数据，提出最优传输-代数预分类模型，结合对象建模技术(OMT)将不规则大脑变换至规则张量，借助密度函数增强影像中肿瘤区域特征，实现高效数据标准化，并完成高精度自适应肿瘤分割。

进一步地，研究团队基于多模张量奇异值分解，将代数方法与深度学习模型相融合，在图像模型基础上加入张量代数特征，显著提升了模型识别肿瘤和基因分型的能力。

测试成果显示，通过在多中心数据上进行模型训练，OMT-APC模型在标准测试集TCGA上的胶质瘤分级、IDH突变状态、1p/19q共缺失分类精度分别能够达到85.5%、91.7%和80.9%。在应用层面，该模型为不适合进行肿瘤切除手术、仅需钻孔活检进行诊断的患者，提供了一种高精度的非侵入性替代方案，在无创条件下帮助患者获取胶质瘤基因信息。此外，当样本误差导致诊断结果不明确时，OMT-APC方法可作为组织学结果的额外核查手段，为医生提供辅助诊断依据。

据了解，目前成果相关算法软件已在南京鼓楼医院影像科布置并参与临床检验，其影像处理效果与分析精度均得到影像科医生一致认可。经医生检验，临床测试超过86%的病例WT分割精度超95%，TC分割精度超90%。