脑肿瘤患者的脑网络经常发生改变。
这些改变甚至存在于正常标准神经系统检查的患者中。
受影响的脑网络通常与非传统的重要功能区有关。
Neuro-OncologyAdvances
在今年的美国神经外科学会年会(CNS)上，迈阿密大学米勒医学院的MichaelIvan教授展示了迈阿密大学对名接受脑肿瘤切除手术的患者进行的一项研究，通过将具有T1加权和DTI序列的术前MRI上传到Quicktome平台，来探索脑肿瘤如何影响大规模脑网络，以及传统和非传统的重要功能区域与高阶认知功能之间的关系。相关论文《使用机器学习评估脑肿瘤患者的大规模脑网络：传统和非传统的重要功能区域》发表于期刊Neuro-OncologyAdvances（NOA，《神经肿瘤学进展》,Volume4,Issue1,January-December号）。
Neuro-OncologyAdvances是开放式跨学科期刊，是Neuro-Oncology的子刊。涵盖与癌症和神经系统有关的所有领域的基础研究、应用研究和临床研究。影响因子（IF）为10.。
在神经肿瘤患者中，大规模的脑网络和较高的认知功能经常发生改变，但在临床环境中很难实现全面的无创脑测绘。我们使用无监督机器学习平台对脑肿瘤患者进行了首次大规模脑网络分析。我们的研究结果表明，最常受影响的大脑网络与非传统的重要功能区域有关，包括中央执行网络、背侧注意网络和默认模式网络。此外，我们发现，与没有神经缺陷的患者相比，有神经缺陷的患者脑网络改变的数量明显更高。最后，我们发现，在标准神经系统检查中发现神经系统完整的患者，非传统的重要功能区经常受到影响。将非侵入性脑图谱绘制机器学习技术整合到临床环境中可能有助于阐明如何保持与这些网络相关的高阶认知功能。
关键词：
脑网络，重要功能区，机器学习，神经肿瘤学
研究背景
在神经肿瘤患者中，大规模的脑网络和较高的认知功能经常发生改变，但在临床环境中很难实现全面的非侵入性脑图谱绘制。我们的研究目的是利用机器学习平台评估脑肿瘤患者的传统和非传统重要功能区。
研究方法
作者回顾性地纳入了在机构接受脑肿瘤切除手术的患者。将具有T1加权和DTI序列的术前MRI上传到Quicktome平台。我们对九个大规模大脑网络的完整性进行了分类：语言网络、感觉运动网络、视觉网络、腹侧注意网络、中央执行网络、默认模式网络、背侧注意网络、突显网络和边缘系统。网络完整性与术前临床数据相关。
(A)显示Quicktome平台工作流程的示意图。只有点A（导出数据集）和F（使用互联网浏览器访问平台）需要手动输入。所有其他步骤（B、C、D和E）都是自动化的，不需要人工干预。(B)大规模网络的定性网络分析。彩色线条代表白质纤维束，皮质分区可视化为具有相同颜色的点组。
研究结果
名患者参与了这项研究。受影响最大的网络是中央执行网络(49%)，其次是默认模式网络(43%)和背侧注意网络(32%)。术前有缺损的患者术前神经网络改变的数量明显高于无缺损的患者(3.42vs2.19,P.)。此外，我们发现无神经功能缺损的患者平均有2.19个神经网络受到影响，1.51个神经网络处于危险之中，其中大多数与非传统的重要功能区有关(P.)。
(A)和(B)热图描述有(A)和无(B)神经功能缺损的患者的肿瘤位置和大规模网络分析。数据表示为n(%)。(C)：传统和非传统重要功能区受影响的大脑网络的比较。我们发现在没有神经功能缺陷的患者中存在统计学上的显着差异(P=.)，与非传统重要功能区相关的受影响网络数量较多。这一发现并未出现在神经功能缺损患者队列中(P=.)。SM=感觉运动网络；VAN=腹侧注意网络；CEN=中央执行网络；DMN=默认模式网络；DAN=背侧注意网络。数据以受影响、有风险或未受影响网络的百分比表示。
研究结论
这项研究结果表明，即使没有明显的神经功能缺损，脑肿瘤患者的大规模脑网络也经常受到影响。在研究中，最常受影响的大脑网络与非传统的重要功能区有关。将非侵入性脑图谱绘制机器学习技术整合到临床环境中，可能有助于阐明如何保留与这些网络相关的高阶认知功能。