检测神经母细胞瘤的新成像技术
神经母细胞瘤是一种罕见的儿童癌症，源自未成熟的神经细胞，称为神经母细胞。这些细胞作为胎儿发育的残余，通常在出生后成熟或消失，这也是为什么这种癌症几乎仅影响婴儿和幼儿。肿瘤最常发生在肾上腺，即位于肾脏顶部的腺体，但也可以出现在腹部、胸部或颈部的交感神经系统的任何地方。神经母细胞瘤的表现独特而不可预测；一些婴儿的肿瘤可能会自行消失，而其他肿瘤可能高度侵袭性并快速扩散。这种变异性使得通过医学成像进行准确的诊断和分期变得至关重要，以确定正确的治疗路径。
在探索新技术之前，了解用于诊断和分期神经母细胞瘤的标准成像工具是至关重要的。这些常规方法提供了肿瘤的基础解剖图像。 超声波 (US) 通常是第一步，使用声波确认肿块是否为实体肿块。接下来， 计算机断层扫描 (CT) 提供详细的横截面图像，定义肿瘤的大小以及与附近器官和血管的关系。最后， 磁共振成像 (MRI) 在不使用放射线的情况下，优越于可视化软组织，使其在评估靠近脊髓的肿瘤时理想。尽管至关重要，这些扫描主要显示结构，这也是为什么更新的功能性和分子成像技术如此革命性的原因。
分子成像的进展：超越 MIBG
尽管常规扫描显示解剖结构，分子成像揭示了肿瘤的生物活动，通常是通过使用正电子发射断层扫描 (PET) 来追踪体内的特定示踪剂。多年来，MIBG 扫描一直是神经母细胞瘤的标准，但更新、更敏感的工具正在提供对该疾病更清晰的窗口。
FDG-PET 扫描
该扫描使用一种叫做 FDG 的放射性糖类物质。因为侵袭性癌细胞消耗的能量超过健康细胞，因此它们吸收更多的示踪剂并在扫描中“亮起”。这种技术特别适用于识别 MIBG 阴性肿瘤——即那些不吸收传统 MIBG 示踪剂的肿瘤——并评估疾病的全面程度。通过提供癌症的新陈代谢特征，FDG-PET 帮助医生监测治疗如何有效地关闭肿瘤的能量供应。
生长抑素受体成像
一个重大突破是针对生长抑素受体，这是许多神经母细胞瘤细胞表面的一种蛋白质。在 PET 扫描中使用的示踪剂叫做 DOTATATE，与这些受体结合具有特别的精确性。这些 DOTATATE PET 扫描能够以显著的清晰度检测神经母细胞瘤病变，常常能够识别 MIBG 漏掉的病灶。这一进步也为“治疗诊断学”（theranostics）铺平了道路，这是一种策略，其中相同的靶向分子被用于诊断以及直接向癌细胞提供靶向放射治疗。
F-DOPA PET 扫描
该技术利用神经母细胞瘤细胞独特的生物学，它们参与激素（如多巴胺）的产生。F-DOPA 是此过程中的一种天然构建模块的放射性版本。通过追踪 F-DOPA 蓄积的地方，医生可以获得神经母细胞瘤肿瘤的高度特异性地图。该方法通常产生高质量的图像，背景干扰比其他扫描少，使得更容易发现小的病灶，并在某些儿童中比 MIBG 更敏感。
功能性 MRI 技术的日益重要性
虽然传统的 MRI 显示肿瘤的结构，但功能性 MRI 技术通过深入肿瘤生物学增加了另一层信息。这些先进的方法揭示了细胞组成和活动的细节——如水的运动和血流——而不会使孩子暴露于电离辐射之下。
扩散加权成像 (DWI)
该强大技术测量水分子在组织中移动的容易程度。在密集的肿瘤中，水的运动受到限制，使这些区域突出显示。因此，DWI 可以表明肿瘤的侵袭性，并提供治疗是否有效的早期迹象。随着化疗杀死癌细胞，它们会崩溃，使水分子能更自由地移动——这种变化 DWI 可以在肿瘤明显缩小之前早期探测到。
动态对比增强 (DCE) MRI
DCE-MRI 提供了肿瘤血供的详细观察。在对比剂注射后，扫描仪跟踪其流经肿瘤血管的方式。这揭示了血管的漏液和无序情况——是肿瘤侵袭性的关键指标。这些信息对监测抗血管生成疗法的有效性也很有价值，这些疗法旨在切断肿瘤的血供。
血氧水平依赖 (BOLD) MRI
该技术利用一个简单的事实，通过绘制肿瘤内的氧气水平。富氧和缺氧血液具有不同的磁性特性。扫描仪可以检测这些差异，创建地图，显示肿瘤的哪些部分缺乏氧气或低氧状态。由于缺氧区域通常对放射线和化疗更具抵抗力，BOLD MRI 使医生能够识别这些顽固的腔体，并可能调整治疗方案，以获得更有效的策略。
新兴领域：放射组学与人工智能
先进的成像提供了惊人的图像，但大量数据仍然隐藏在肉眼无法察觉的地方。下一个前沿领域使用强大的计算工具来解锁这些数据，将标准医学扫描转变为丰富的预测信息来源。
什么是放射组学？
放射组学是一种“数字活检”，分析医学图像，远超视觉所能显现。专业软件从扫描中提取数千个定量特征，测量纹理、形状和强度的细微变化。这个过程为肿瘤创建了独特的数据特征，或称“放射组学特征”。这个特征可以反映潜在的生物学属性，可能在不进行侵入性程序的情况下，揭示癌症的侵袭性或遗传构成。
人工智能的角色
放射组学生成的巨大数据集对于人工解读而言过于复杂，这也是人工智能 (AI) 和机器学习大显身手的地方。算法在与临床结果相关的数千个患者图像上进行训练。通过分析这些例子，人工智能学习识别放射组学特征中预测肿瘤行为的细微模式，例如对特定疗法的反应。
神经母细胞瘤的潜在临床应用
放射组学与人工智能的结合为个性化神经母细胞瘤护理提供了巨大希望。例如，人工智能工具可以分析儿童的初始扫描并帮助预测肿瘤是高风险还是低风险，从而指导从第一天起的治疗强度。它还可以通过检测肿瘤纹理中的微观变化，以更有效地监测治疗的效果，这些变化可能表明积极反应，从而允许更快地调整儿童的治疗方案。
