《Advanced Science》：Data-Driven Feedback Identifies Focused Ultrasound Exposure Regimens for Improved Nanotheranostic Targeting of the Brain
編輯推薦：
本文報道了一種基于機器學習（ML）的閉環（CL）控制策略，通過分析微泡（MB）聲學發射（AE）信號，成功預測并預防慣性空化（寬帶發射事件），從而將血腦屏障（BBB）開放的治療窗口擴展了約300%。該數據驅動的ML輔助閉環（ML-CL）控制器能在最大化BBB滲透性（通過Ktrans值評估）的同時，顯著提高大尺寸納米顆粒（如46 nm和120 nm PEG化聚苯乙烯NPs）在健康及腦膠質瘤（如GL-261和F98模型）動物（從小鼠放大到大鼠）腦部的遞送效率，并增強腫瘤相關生物標志物（如高斯熒光素酶GLuc蛋白和循環腫瘤DNA ctDNA）向血液循環的釋放，為安全、高效的腦部納米診療（Nanotheranostics）和液體活檢（Liquid Biopsy）提供了新一代人工智能（AI）驅動的超聲技術平臺。
摘要
本研究開發并評估了一種數據驅動的閉環超聲納米診療平臺，用于經顱干預。該方法通過整合機器學習（ML）來顯著改善治療窗口，克服了納米顆粒遞送和腦部循環腫瘤DNA（ctDNA）檢測中的限速障礙。
1 引言
血腦屏障（BBB）嚴重阻礙了納米藥物向腦部的有效遞送以及腦部疾病相關循環DNA的可靠檢測。微泡增強聚焦超聲（MB-FUS）可瞬時增加BBB通透性。然而，平衡BBB開放效能與安全性極具挑戰性，當前的控制方法（如開環OL和閉環CL控制器）反應遲緩，治療窗口狹窄（約50 kPa）。機器學習（ML）等數據驅動方法能識別復雜數據集中的非線性關系，但其在治療性超聲，特別是微泡（MB）動力學控制中的應用仍有限。
2 結果
2.1 多層感知器實現高靈敏度預測寬帶發射
研究人員利用來自114只小鼠、415個不同腦靶點的54,040個聲學發射（AE）數據集，訓練了一個監督分類ML模型——多層感知器（MLP）。該MLP模型包含一個具有10個神經元的隱藏層。在測試數據集上，該模型預測寬帶發射事件（定義為高于基線噪聲6 dB）的總體準確度為93%，靈敏度（召回率）為94%，精確度為52%，特異性為99%。高靈敏度表明該模型能有效檢測真實的寬帶發射事件，其相對較低的精確度反映了模型偏向保守性，優先避免漏報，這在臨床轉化中是可取的特性。
2.2 機器學習輔助閉環控制器（ML-CL）的設計與解讀
將訓練好的MLP模型整合到已有的閉環（CL）控制器中，形成ML輔助閉環（ML-CL）控制器。MLP作為一個額外的安全層（咨詢回路），在預測到寬帶事件時覆蓋控制器的決策，而不干擾其正常操作。這種設計具有靈活性，可與各種控制算法兼容。通過沙普利加和解釋（SHAP）分析模型發現，影響預測的關鍵特征包括：被動空化探測器（PCD）在3.5 MHz（如第6、7次超諧波和第7次諧波）的峰值靈敏度、MB動力學強度（如第1次超諧波）、MB數量（MB動力學）和峰值負壓。有趣的是，分析還提示腫瘤的存在會增加寬帶發射的可能性，且聲壓的影響并非單調的。
2.3 ML-CL在BBB開放中的安全性和有效性評估
在健康小鼠中評估ML-CL控制器。選擇第7次諧波發射目標水平為36 dB（高于空化閾值曲線范圍）。與開環（OL, 使用ML-CL的平均壓力PAvg和最大壓力PMax）和閉環（CL）控制器相比，ML-CL在達到可比較的BBB通透性（通過DCE-MRI測量的Ktrans值）和聲發射（AE）水平的同時，顯著降低了寬帶發射事件的發生率：OL-PAvg為1.05%，OL-PMax為4.39%，CL為1.34%，而ML-CL僅為<0.1%。ML-CL將聲學治療窗口從反應性控制器（OL/CL）的0.02 MPa擴展至0.09 MPa，擴大了約4倍。組織學分析（H&E染色）顯示，OL和CL控制器組在有寬帶發射事件的靶點出現出血（點狀出血），而ML-CL組僅在一個檢測到寬帶事件的靶點出現出血。免疫熒光染色（GFAP, Iba1）進一步證實，ML-CL在6小時后未引起顯著的星形膠質細胞增生（GFAP表達增加），而OL-PAvg組則顯示出早期星形膠質細胞增生的跡象。
2.4 ML-CL增強PEG化聚苯乙烯納米顆粒的安全高效遞送
在健康小鼠中，使用ML-CL（32 dB和36 dB目標水平）評估不同尺寸（37 nm, 46 nm, 120 nm）的PEG化聚苯乙烯納米顆粒（NPs）的腦部遞送。結果表明，36 dB目標水平的ML-CL聲波顯著增強了所有尺寸NPs的遞送（與未聲波處理區域相比，37 nm, 46 nm, 120 nm NPs分別提高了2.8倍、2.1倍和2.1倍）。考慮到NPs的體外熒光差異進行標準化后，發現46 nm NPs的遞送效率最高，這與先前關于MB-FUS后40-50 nm NPs遞送最優的理論預測一致。ML-CL在36 dB操作時僅記錄到一次寬帶發射事件，再次證明了其安全性。
2.5 ML-CL增強腦癌可溶性生物標志物向循環系統的釋放
在攜帶GL-261-GLuc膠質瘤的小鼠模型中，評估ML-CL對生物標志物釋放的影響。僅當ML-CL在36 dB目標水平下操作時，血液中的GLuc蛋白濃度在聲波處理后立即顯著增加了3.3倍。然而，由于ctDNA（GLuc基因）片段較大（~60 kDa）、拷貝數低、血液采集量有限以及檢測靈敏度等問題，在小鼠模型中未能一致地檢測到GLuc基因水平的顯著變化。
2.6 ML-CL改善大鼠膠質瘤中納米顆粒的遞送
為了評估ML-CL的魯棒性和可擴展性，研究在大鼠F98膠質瘤模型中進行。與開環控制器（OL-PAvg）相比，ML-CL（33.5 dB目標水平）產生了更高、更一致（標準差更小）且呈左偏態分布的第7次諧波發射水平，表明其能有效控制和維持 elevated 的MB動力學。盡管兩種控制器都保持了低概率的寬帶發射事件（ML-CL: 0.24%, OL-PAvg: 0.76%），但ML-CL顯著增強了46 nm NPs在腫瘤內的遞送，與對照組（無FUS）和OL-PAvg組相比，分別提高了7.2倍和2.6倍。值得注意的是，盡管Ktrans值顯示OL-PAvg和ML-CL均增加了BBB通透性，但實際的NPs遞送僅在ML-CL組有顯著改善，提示AE水平可能比基于小分子造影劑（釓）的Ktrans更能預測大分子（如NPs）的遞送效率。
2.7 ML-CL增強大鼠膠質瘤中ctDNA向循環系統的釋放
在免疫活性F98-GLuc膠質瘤大鼠模型中，利用更大的血液樣本量和巢式PCR預擴增技術提高檢測靈敏度。結果顯示，只有ML-CL組（33.5 dB）在聲波處理后，血液中的GLuc蛋白和ctDNA（GLuc基因）水平均出現顯著提升（分別增加1.5倍和2.1倍）。這凸顯了最大化AE水平（通過ML-CL實現）對于改善較大生物標志物（如ctDNA）釋放的重要性，同時也證實了增加血液采集量對于有效ctDNA檢測的關鍵作用。
3 討論與結論
本研究開發的數據驅動ML-CL超聲平臺，通過預測性地控制MB動力學，顯著擴展了MB-FUS介導的BBB開放的治療窗口。該平臺在從小鼠到大鼠、從健康腦到患病腦的模型中均表現出良好的安全性和有效性，成功提升了大型納米顆粒的腦部遞送效率和腫瘤生物標志物（包括ctDNA）的檢測靈敏度。ML模型的可解釋性分析（如SHAP）為研究體內MB動力學提供了新的數據驅動視角。該框架具有靈活性，可通過臨床數據集進行重新訓練以適應人類生理和顱骨特性，支持個性化聲波策略。盡管面臨人類顱骨更厚、MB信號衰減等臨床轉化挑戰，但ML-CL所展示的強健性能、安全性和可擴展性，為其在未來腦部疾病診斷、治療和監測的AI驅動超聲系統中的應用奠定了堅實基礎，有望推動該技術的廣泛傳播和有效臨床轉化。
