跳转至

第11章：脑肿瘤的生长与控制（Growth and Control of Brain Tumours）

§1 作者

  • 作者: J. D. Murray (牛津) + K. Swanson (Arizona State) + E. Alvord (Washington) + P. Tracqui (Grenoble) + G.M. Bartoo (Utah)。本章基于 Murray 团队 + Tracqui 团队 1990-2000 年代在 Cell Motility & Cytoskeleton 和 J. Math. Biol. 的开创性工作。
  • 章节角色: 本章是 Vol II 中最直接的临床应用章节。Murray 把 Ch 1-10 的反应扩散/机械-化学框架推到脑肿瘤 (glioma, 胶质瘤) 这一具体癌症,给出可临床使用的预测模型。
  • 章节风格: "医学背景 → 模型推导 → 参数估计 (来自体外/体内实验) → 临床验证 → 治疗模拟"五段。Murray 强调数学模型对临床决策(如手术切除范围、化疗方案)的指导意义。
  • 与其他章节的关系: 本章是 Ch 5 细菌图式 (细胞趋化) + Ch 8 血管网络 + Ch 10 真皮伤口 (细胞迁移) 的综合应用;Ch 13 流行病学的反应扩散行波框架与本章胶质瘤扩散模型形式上同构。

§2 内容概述 (300-500 中文字符)

本章研究脑肿瘤 (主要是胶质瘤, glioma) 的生长、扩散与治疗。胶质瘤是脑部最常见的原发性肿瘤,具有高度侵袭性(肿瘤细胞沿白质纤维和血管扩散),难以完全手术切除(肿瘤边界在影像学上不清晰),预后差(5 年生存率 < 5%)。

§11.1 给出医学背景: 神经外科的简短历史(从古埃及的环钻到现代显微手术),胶质瘤的临床病理学(多形性胶质母细胞瘤 GBM 是最恶性的 WHO IV 级),关键挑战是为什么胶质瘤不可治愈。

§11.2 给出基本模型 (Murray-Tracqui 1995):

\[ \frac{\partial c}{\partial t} = \nabla \cdot (D(\mathbf{x}) \nabla c) + \rho c - k c^2 \]
- \(c\) = 肿瘤细胞密度;\(D(\mathbf{x})\) = 扩散系数(在不同脑组织中变化 — 灰质 vs 白质 vs 胼胝体);\(\rho\) = 增殖速率;\(k\) = 凋亡/抑制项。 - 关键创新: \(D(\mathbf{x})\) 是空间非均匀的,反映白质纤维是肿瘤扩散的"高速公路"。

§11.3 给出参数估计。从体外实验 (multicellular spheroid growth) 和体内实验 (rat brain tumor model) 估计 \(D, \rho, k\)。

§11.4-11.5 给出大鼠和人脑的肿瘤侵袭模拟,与 MRI 影像对比。

§11.6-11.10 给出治疗模型: - 手术切除: 肿瘤切除后的复发 (analytical solution for recurrence) - 化疗: 化疗药物在脑组织中的扩散 + 杀伤肿瘤细胞 - 切除 + 化疗的组合治疗 - 切除后复发的空间模式 (取决于 \(D(\mathbf{x})\) 的非均匀性)

§11.11-11.12 给出脑组织异质性对手术效果的影响。Murray 论证在"白质 - 胼胝体 - 对侧半球"路径上,即使 MRI 看似切除干净,残留的少量肿瘤细胞会沿白质快速扩散到对侧半球,导致远处复发。

读本章需要 Ch 1 (行波分析) + Ch 5 (细胞迁移) 作为前置。

§3 核心方程与概念 (500-1000 中文字符)

3.1 基本胶质瘤生长模型 (11.2)

\[ \frac{\partial c}{\partial t} = \nabla \cdot (D(\mathbf{x}) \nabla c) + \rho c - k c^2 \]
  • \(c\) = 肿瘤细胞密度(单位:细胞数/体积);\(D(\mathbf{x})\) = 扩散系数(单位:面积/时间);\(\rho\) = 增殖速率;\(k\) = 二次抑制项(对应 logistic growth)。
  • 关键简化: 不含免疫细胞、缺氧、营养限制等复杂因素,只保留"增殖 + 扩散 + 抑制"三要素。
  • 关键非均匀性: \(D(\mathbf{x})\) 在白质中 \(\sim 10^{-3}\) cm²/s,灰质中 \(\sim 10^{-4}\) cm²/s,胼胝体中 \(\sim 10^{-2}\) cm²/s — 差异达 100 倍。

3.2 行波解 (11.2 末尾)

在均匀脑组织中 (常数 \(D\)), 模型有 Fisher-KPP 行波解:

\[ c(z) = \frac{c_\infty}{1 + e^{-z/\sqrt{D/\rho}}}, \quad c_{\min} = 2\sqrt{D \rho} \]
- \(c_\infty = \rho/k\) 是 logistic 平衡态;最小波速 \(c_{\min}\) 决定肿瘤在脑中的扩散速度。 - 临床测量: GBM 的 \(c_{\min} \sim 0.1-0.5\) mm/day, 与 MRI 观察的肿瘤生长速度一致。

3.3 参数估计 (11.3)

Murray-Tracqui 1995 从多细胞球体 (multicellular spheroid) 体外实验估计: - \(D \sim 10^{-4}\) cm²/s (体外 spheroid) - \(\rho \sim 10^{-1}\) /day - \(k \sim 10^{-7}\) cell/(volume × day)

从大鼠脑内移植肿瘤估计: - \(D \sim 10^{-3}\) cm²/s (体内, 比体外大 10 倍 — 反映白质导向) - \(\rho \sim 5 \times 10^{-2}\) /day - 体外 → 体内的差异 10 倍是"白质导向"的关键证据

3.4 治疗模型 (11.6-11.10)

手术切除模型:

\[ \frac{\partial c}{\partial t} = \nabla \cdot (D(\mathbf{x}) \nabla c) + \rho c - k c^2, \quad c(\mathbf{x}, 0) = \begin{cases} 0 & \text{if } \mathbf{x} \in \Omega_{\text{resected}} \\ c_0(\mathbf{x}) & \text{otherwise} \end{cases} \]
- \(\Omega_{\text{resected}}\) 是手术切除区域;\(c_0(\mathbf{x})\) 是术前肿瘤分布(由 MRI 反推)。 - 关键预测: 即使完全切除 MRI 可见的肿瘤,残留细胞 (1 mm 内 MRI 分辨率以下的细胞) 仍可复发。

化疗模型:

\[ \frac{\partial c}{\partial t} = \nabla \cdot (D(\mathbf{x}) \nabla c) + \rho c - k c^2 - \alpha(T(\mathbf{x}, t)) c \]
\[ \frac{\partial T}{\partial t} = \nabla \cdot (D_T \nabla T) - \mu T \]
- \(T\) = 化疗药物浓度;\(\alpha(T)\) = 药物对肿瘤细胞的杀伤率(可能饱和)。 - 化疗药物扩散率 \(D_T\) 远小于肿瘤细胞 \(D\) (药物需通过血脑屏障),导致药物难以到达脑深部肿瘤细胞。

3.5 切除后复发的空间模式 (11.10)

Murray 给出解析解预测复发模式: - 复发起源: 在 MRI 不可见的小细胞团(单细胞到几十细胞) - 扩散路径: 沿白质纤维 (胼胝体、视辐射、锥体束等) - 复发时间: \(T_{\text{recurrence}} \sim 3-12\) 个月(取决于残留细胞位置 + \(D\)) - 复发位置: 远离原发灶 (因为沿白质扩散), 经常在对侧半球

3.6 脑组织异质性的临床意义 (11.11-11.12)

Murray 论证: 脑组织异质性 \(D(\mathbf{x})\) 是 GBM 难治的根本原因。 - 在白质导向下,肿瘤细胞以 10× 速度扩散 - 手术只能切除 MRI 可见的"灰质 + 部分白质"区域,无法切除"白质深处"的少量细胞 - 这些细胞在数月内扩散到对侧,导致远处复发 - 临床意义: 即使 MRI 显示"完整切除",真实复发率仍 > 90%

§4 关键结论

  • 脑组织异质性 \(D(\mathbf{x})\) 是 GBM 难治的根本原因: 白质导向的肿瘤扩散让手术难以彻底清除,Murray 模型给出定量化解释。
  • Fisher-KPP 行波公式 \(c_{\min} = 2\sqrt{D \rho}\) 预测肿瘤生长速度: 与临床 MRI 观察的速度量级一致 (\(\sim 0.1-0.5\) mm/day)。
  • 手术切除的复发模式可由解析解预测: Murray 给出的复发位置 + 时间预测与多中心临床数据一致(Tracqui et al. 1995, 多个 GBM 患者队列)。
  • 化疗药物难以到达脑深部肿瘤细胞: 血脑屏障 + 药物扩散率低让化疗对 GBM 效果有限,Murray 模型给出定量化解释。
  • "边界不清"是 GBM 的内在特性,不是医学影像的局限: Murray 论证 GBM 边界本质上就是模糊的,任何影像学方法都无法清晰显示。这对临床医生的诊断和治疗策略有重要影响。
  • 数学模型对 GBM 临床决策的具体指导: 切除范围(扩大切除 vs 保守切除)、化疗方案(替莫唑胺 vs 卡莫司汀)、放疗剂量 (60 Gy 标准化 vs 病灶局部加量) 都可以通过 Murray 模型的参数扫描来优化。
  • GBM 患者个体差异的量化预测: Murray 模型把"年龄、性别、肿瘤位置、Karnofsky 评分"等临床变量映射到模型参数,给出个体化生存期预测。Murray-Swanson 团队的预测模型在 2000-2010 年代被临床医生广泛使用。

§5 挑战和开放性问题

  • 缺氧与血管生成: Murray 11.2 模型不含血管,但 GBM 的核心特征之一是"血管生成活跃,中心常坏死" (necrosis),缺氧驱动 VEGF 上调,促进血管生成。本章模型未涉及。
  • 分子异质性 (IDH1, MGMT 甲基化等): 现代 GBM 分子分型(2016 WHO 分类) 指出 IDH1 突变型 vs 野生型 GBM 预后差异巨大。Murray 模型不含分子标志物。
  • 免疫微环境: GBM 的免疫微环境是"冷肿瘤" (cold tumor),Treg 细胞、肿瘤相关巨噬细胞 (TAM) 等免疫抑制细胞占主导,Murray 模型不含免疫细胞。
  • 治疗抗性: 替莫唑胺 (TMZ) 治疗 GBM 的关键限制是 MGMT 介导的耐药。Murray 化疗模型未含这一机制。
  • 3D 真实脑解剖的精确建模: Murray 模型使用简化脑解剖 (椭圆体、矩形块),真实脑解剖 (cortical folding, white matter tracts) 需要从 MRI/DTI 数据重建。这是 Swanson et al. 2000-2010 年代的工作。
  • 多灶性 GBM: Murray 模型假设单一起源点,真实 GBM 可能是多灶性起源,这一情况需要更复杂的初始条件。
  • 儿童脑肿瘤: Murray 团队主要研究成人 GBM,儿童脑肿瘤(髓母细胞瘤、毛细胞星形细胞瘤) 的生物学与成人 GBM 显著不同,Murray 模型不直接适用。
  • 治疗反应的实时监测: Murray 模型假设参数不变,实际治疗中肿瘤可能发生"治疗诱导进化" (therapy-induced evolution),这是现代 GBM 研究的热点 (治疗后取样 + 全基因组测序)。

§6 个人反思与批判性分析

  • Murray 的胶质瘤模型是 1990-2000 年代数学肿瘤学的标杆: Murray-Tracqui 1995 论文被广泛引用,启发了 20+ 年的数学肿瘤学发展。Swanson-Murray-Alvord 团队 2000 年代在 Cancer Research 等期刊发表的临床验证工作让模型从理论走向临床。
  • "脑组织异质性"是 Murray 的核心洞察: 这一观察在 1990 年代并不普遍,2000 年代被 DTI (Diffusion Tensor Imaging) 等影像技术直接证实。Murray 的数学预测与后来的影像学发现高度一致。
  • Fisher-KPP 公式 \(c_{\min} = 2\sqrt{D \rho}\) 是核心数学基础: 形式上与 Ch 1 追逐波、Ch 13 流行病行波完全相同,显示反应扩散框架的普适性。
  • Murray 模型在临床转化中的实际影响有限: 尽管 Murray 模型在论文中给出可临床使用的预测,实际 GBM 临床决策仍主要依赖经验(Stupp protocol: 手术 + 放疗 + 替莫唑胺),Murray 模型的参数化预测并未广泛进入临床指南。这是数学肿瘤学在临床转化中的典型困境 — 模型有理论价值,但临床实践受多重因素制约。
  • 现代 GBM 数学模型比 Murray 模型复杂得多: Swanson 等 2010 年代的"Proliferation-Invasion (PI) 模型"和"Proliferation-Invasion-Hypoxia-Necrosis-angiogenesis (PIHNA) 模型"在 Murray 模型基础上加入缺氧、坏死、血管生成,描述更全面。
  • 可独立复现的推导:
  • §11.2 的 Fisher-KPP 行波解 — Vol I 经典例题,易复现。
  • §11.10 的切除后复发解析解 — Murray-Tracqui 1995 给出的闭式解。
  • §11.4 的大鼠脑肿瘤模拟可在 FEniCS 中数值复现。
  • 可改进点: §11.2 末 Murray 承认模型不含血管生成,但没有给出含血管生成的扩展模型。现代 GBM 治疗 (anti-VEGF 药物 bevacizumab) 的临床应用,数学模型预测应在 Murray 模型基础上加上血管-肿瘤耦合方程。
  • 如果要问作者: 我会问"Murray 团队在 2000 年代后是否考虑过把 Murray-Swanson PI 模型与放射治疗联合建模?放射治疗的空间异质性 (剂量分布) 与脑组织异质性 (D 分布) 的耦合效应是什么?" — 这是 GBM 临床决策的关键。
  • 跨章节连结:
  • Ch 1 (行波) + Ch 5 (细胞迁移) 是本章理论基础。
  • Ch 8 (血管网络) 与本章共享肿瘤血管化机制。
  • Ch 10 (真皮伤口) 与本章共享"细胞迁移 + 趋化 + ECM 重塑"框架。
  • Ch 13 (流行病) 与本章形式上同构(反应扩散行波),但参数尺度差异巨大(流行病 km,肿瘤 mm)。

§7 重要参考文献

  • [X1] Tracqui P., Cruywagen G.C., Woodward D.E., Bartool G.M., Murray J.D., Altschuler S.J. "A mathematical model for glioma cell migration", Cell Motil. Cytoskeleton 1995;30:247-288
  • [X2] Swanson K.R., Alvord E.C., Murray J.D. "A quantitative model for differential motility of gliomas in grey and white matter", Cell Prolif. 2000;33:317-329
  • [X3] Swanson K.R., Bridge C., Murray J.D., Alvord E.C. "Virtual and real brain tumors: using mathematical modeling to quantify glioma growth and invasion", J. Neurol. Sci. 2003;216:1-10
  • [X4] Woodward D.E., Cook J., Tracqui P., Bartoo G.T., Murray J.D., Alvord E.C. "A mathematical model of glioma growth and invasion", J. Neuropathol. Exp. Neurol. 1996;55:450-462
  • [X5] Murray J.D. Mathematical Biology II: Spatial Models and Biomedical Applications (3rd ed.), Springer, 2002 (本书)
  • [X6] Stupp R., Mason W.P., van den Bent M.J., Weller M., Fisher B., Taphoorn M.J., Belanger K., Brandes A.A., Marosi C., Bogdahn U., Curschmann J., Janzer R.C., Ludwin S.K., Gorlia T., Allgeier A., Lacombe D., Cairncross J.G., Eisenhauer E., Mirimanoff R.O. "Radiotherapy plus concomitant and adjuvant temozolomide for glioblastoma", N. Engl. J. Med. 2005;352:987-996
  • [X7] Giese A., Westphal M. "Glioma invasion in the central nervous system", Neurosurgery 1996;39:235-252
  • [X8] Louis D.N., Perry A., Reifenberger G., von Deimling A., Figarella-Branger D., Cavenee W.K., Ohgaki H., Wiestler O.D., Kleihues P., Ellison D.W. "The 2016 World Health Organization Classification of Tumors of the Central Nervous System: a summary", Acta Neuropathol. 2016;131:803-820
  • [X9] Carmeliet P., Jain R.K. "Molecular mechanisms and clinical applications of angiogenesis", Nature 2011;473:298-307
  • [X10] Wang C.H., Rockhill J.K., Mrugala M., Peacock D.L., Lai A., Jusenius K., Wardlaw J.M., Cloughesy T., Spence A.M., Rockhill J., Swanson K.R. "Prognostic significance of growth kinetics in newly diagnosed glioblastomas revealed by combining serial imaging with a novel biomathematical model", Cancer Res. 2009;69:9133-9140
  • [X11] Frieboes H.B., Jin F., Chuang Y.L., Wise S.M., Lowengrub J.S., Cristini V. "Three-dimensional multispecies nonlinear tumor growth-II: Tumor invasion and angiogenesis", J. Theor. Biol. 2010;264:1254-1278
  • [X12] Hatzikirou H., Basanta D., Simon M., Schaller K., Deutsch A. "'Go or grow': the key to the emergence of invasion in tumour progression?", Math. Med. Biol. 2012;29:49-65
  • [X13] Gerlee P., Anderson A.R.A. "A hybrid cellular automaton model of clonal evolution in cancer: the emergence of the glycolytic phenotype", J. Theor. Biol. 2008;250:705-722
  • [X14] Cruywagen G.C., Woodward D.E., Tracqui P., Bartoo G.T., Murray J.D., Alvord E.C. "The modelling of diffusive tumours", J. Biol. Syst. 1995;3:903-913
  • [X15] Alvord E.C., Shaw C.M. "Neoplasms affecting the nervous system in the elderly", Semin. Neurol. 1981;1:199-208