Artificial intelligence of imaging and clinical neurological data for predictive, preventive and personalized medicine for Gliomas

I gliomi diffusi rappresentano i più comuni tumori maligni primitivi cerebrali negli adulti e sono oggi classificati secondo criteri istopatologici e molecolari integrati, come proposto dalle più recenti linee guida WHO CNS5. Tra le alterazioni molecolari distintive, le mutazioni nei geni dell’isocitrato deidrogenasi (IDH) sono emerse come elementi cruciali per la prognosi e la stratificazione terapeutica, con sostanziali implicazioni per l’outcome clinico. Tuttavia, la determinazione dello stato IDH si basa attualmente su procedure invasive, quali biopsia chirurgica o resezione, evidenziando la necessità urgente di biomarcatori di imaging non invasivi. La risonanza magnetica (MRI), comprendente sequenze convenzionali e avanzate, consente di catturare caratteristiche strutturali e fisiologiche del tumore. Quando combinata con tecniche di AI, questa modalità di imaging può fornire biomarcatori predittivi dello stato mutazionale IDH. In questo studio, è stato sviluppato un framework AI multi-stadio per: (i) effettuare un benchmarking di architetture transformer-based e Convolutional Neural Network (CNN) su un dataset caratterizzato da condizioni difficili di rumore e variabilità anatomica (functional fetal brain MRI), con l’obiettivo di ottimizzare la selezione del modello, le caratteristiche di imaging e i parametri di preprocessing; (ii) applicare i modelli ottimizzati alla segmentazione del glioma in 105 pazienti, confrontando la segmentazione deep learning con le annotazioni degli esperti nelle diverse sottoregioni tumorali; e (iii) predire lo stato mutazionale IDH utilizzando machine learning (ML) basato su radiomica su MRI di diffusione e perfusione, oltre a 3D CNN addestrate da zero o adattate tramite transfer learning con backbone pre-addestrati. I risultati indicano che il modello basato su Swin-Transformer ha raggiunto prestazioni comparabili a quelle di una CNN (DSC = 0.92) nel task di segmentazione cerebrale su functional fetal MRI. Nell’esperimento di segmentazione dei gliomi, CNN e Swin-UNETR hanno ottenuto un’accuratezza comparabile (DSC medio ~0.85–0.92 nelle diverse sottoregioni), ma la CNN ha mostrato una marcata maggiore robustezza alla variabilità inter-rater. Le analisi dell’effect size hanno evidenziato differenze trascurabili tra le coppie CNN–rater (ad esempio, Cohen’s D = –0.014 per la componente FLAIR-ipertensa), mentre Swin- UNETR ha mostrato una variabilità di entità media (Cohen’s D = –0.352), in particolare per la segmentazione FLAIR-ipertensa. La segmentazione del core necrotico, valutata solo per Swin-UNETR, ha mostrato una buona concordanza con entrambi i rater e una variabilità minima. L’esperimento di classificazione molecolare ha mostrato che gli approcci ML tradizionali basati su caratteristiche radiomiche hanno raggiunto un’AUC di 82.9 ± 9.4, mentre i modelli deep learning hanno ottenuto 90.0 ± 3.3, indicando prestazioni competitive tra le due metodologie. Questi risultati evidenziano il significativo potenziale dei sistemi AI-based applicati alla MRI per la caratterizzazione molecolare non invasiva dei gliomi, sottolineando l’efficacia di approcci guidati dall’intelligenza artificiale che spaziano dall’elaborazione avanzata delle immagini alla definizione dei sottotipi genetici. Tuttavia, l’integrazione di tali strumenti nella pratica clinica richiede dataset più ampi e multi-istituzionali, necessari per una validazione imparziale e per una valutazione robusta della generalizzabilità in popolazioni di pazienti e protocolli di imaging eterogenei.

Diffuse gliomas represent the most common malignant primary brain tumors in adults and are now classified according to integrated histopathological and molecular criteria as proposed by the latest WHO CNS5 guidelines. Among the defining molecular alterations, mutations in isocitrate dehydrogenase (IDH) genes have emerged as pivotal for prognosis and therapeutic stratification with substantial implications for clinical outcome. However, current determination of IDH status relies primarily on invasive procedures such as surgical biopsy or resection, highlighting the urgent need for non-invasive imaging biomarkers. Magnetic resonance imaging (MRI), encompassing both conventional and advanced sequences, offers the ability to capture structural and physiological tumor characteristics. When combined with AI techniques, these imaging modalities can yield predictive biomarkers for IDH mutation status. In this study, we developed a multi-stage AI framework to: (i) benchmark transformer-based and Convolutional Neural Network (CNN) architectures on a dataset with challenging conditions of noise and anatomical variability (functional fetal brain MRI), aiming to optimize model selection, imaging characteristics and preprocessing parameters; (ii) apply these optimized models to glioma segmentation in 105 patients, comparing deep learning segmentation against expert annotations across tumor subregions; and (iii) predict IDH mutation status using radiomics-based machine learning (ML) on diffusion and perfusion MRI, as well as 3D CNNs trained from scratch or adapted via transfer learning with pretrained backbones. Findings suggest that Swin-Transformer-based model achieved performance comparable to that of a CNN (DSC=0.92) in a functional fetal MRI dataset brain segmentation task. In the glioma segmentation experiment, CNN and Swin-UNETR achieved comparable accuracy (mean DSC~0.85–0.92 across subregions), but the CNN demonstrated markedly higher robustness to inter-rater variability. Effect-size analyses showed negligible differences between CNN–rater pairs (e.g., Cohen’s D=-0.014 for FLAIR-hyperintense), whereas Swin-UNETR exhibited medium variability (Cohen’s D=-0.352), particularly for FLAIR-hyperintense segmentation. Necrotic-core segmentation evaluated only for Swin-UNETR, showed good agreement with both raters and minimal variability. The molecular classification experiment revealed that traditional ML approaches using radiomic features achieved AUC of 82.9±9.4, while deep learning models attained 90.0±3.3, indicating competitive performance between methodologies. These results highlight the significant promise of MRI AI-based systems for non-invasive glioma molecular characterization, emphasizing the effectiveness of AI-driven approaches spanning from advanced image processing to genetic subtyping. However, the integration of these instruments into current clinical practice requires larger, multi-institutional datasets for unbiased validation and robust generalization assessment across diverse patient populations and imaging protocols.