多模態(tài)MRI 影像組學(xué)可預(yù)測彌漫性較低級別膠質(zhì)瘤的1p/19q共缺失狀態(tài)

盧明君，屈耀銘，馬安東，朱建彬，鄒 霞，林耕耘，李榆欣，劉昕孜，溫志波

南方醫(yī)科大學(xué)珠江醫(yī)院影像診斷科，廣東 廣州 510282

膠質(zhì)瘤是中樞神經(jīng)系統(tǒng)最常見的惡性腫瘤，是原發(fā)性腦腫瘤患者死亡的主要原因。彌漫性較低級別膠質(zhì)瘤（Ⅱ/Ⅲ級）占所有膠質(zhì)瘤的43.2%［1］。一部分彌漫性較低級別膠質(zhì)瘤可在幾月內(nèi)發(fā)展為多形性膠質(zhì)母細胞瘤［2］。早期檢測膠質(zhì)瘤1p/19q共缺失狀態(tài)與預(yù)后水平有關(guān)，對化療敏感，并且可以識別少突膠質(zhì)細胞瘤［3］。通常，使用熒光原位雜交（FISH）可以識別1p/19q的狀態(tài)，包括測量1p36/1q21和19q13/19p13的含量。但是，由于部分患者年齡較大、神經(jīng)系統(tǒng)狀況差和腫瘤的位置等原因，并不適合手術(shù)或活檢，因此需要一種非侵入性的方法來預(yù)測膠質(zhì)瘤1p/19q的狀態(tài)。

1p/19q共缺失與少突膠質(zhì)細胞瘤高度相關(guān)。一些常規(guī)的CT或MRI影像學(xué)特征可用于診斷及區(qū)分少突膠質(zhì)細胞瘤與星形細胞瘤。其中，T2-FLAIR錯配征是IDH突變型星形細胞瘤的一個重要的影像學(xué)特征，具有高特異性和低敏感性［4,5］。少突膠質(zhì)細胞瘤的鈣化發(fā)生率達到43%～80%［6］。然而，當膠質(zhì)瘤無鈣化或T2-FLAIR錯配征時，傳統(tǒng)的放射學(xué)鑒別少突膠質(zhì)膠質(zhì)瘤和星形細胞瘤的效果有限。

影像組學(xué)作為一種高通量方法，可以預(yù)測腫瘤表型、基因組學(xué)和生存水平。已有研究使用影像組學(xué)模型預(yù)測1p/19q狀態(tài)［7-11］，但是采用單一序列或者缺少功能序列，組學(xué)信息較少，而且構(gòu)建機器學(xué)習(xí)模型類型單一，尚未進行不同機器學(xué)習(xí)模型診斷效能的比較。本研究主要目的是構(gòu)建基于多模態(tài)MRI的影像組學(xué)模型來預(yù)測1p/19q共缺失狀態(tài)，并且建立多個組學(xué)模型進行比較，同時與影像醫(yī)師診斷效能作比較。

1 資料和方法

1.1 一般資料

本研究通過南方醫(yī)科大學(xué)珠江醫(yī)院倫理委員會批準（批件號：2020-KY-058-01）。收集從2015年10月～2022年9月本院292例接受手術(shù)并且病理證實為彌漫性較低級別膠質(zhì)瘤患者的資料，包括患者年齡、性別、腫瘤位置、MRI圖像以及病理資料。納入標準：患者年齡≥18 歲；病理證實為Ⅱ或Ⅲ級膠質(zhì)瘤；均經(jīng)過FISH檢測1p/19q狀態(tài)；MR檢查前未接受過放療和化療；排除標準：T1WI、T2WI、FLAIR、對比增強T1WI（CET1WI）、DWI序列不完整或缺失;圖像質(zhì)量較差；曾經(jīng)接受過放化療和復(fù)發(fā)的膠質(zhì)瘤患者。最終本研究共納入已知1p/19q狀態(tài)的彌漫性較低級別膠質(zhì)瘤104例患者，其中Ⅱ級膠質(zhì)瘤70例，Ⅲ級膠質(zhì)瘤34例，年齡為42.7±12.5歲（18～75歲），男性60例。

1.2 MRI圖像和處理

在3.0T Philip MR掃描儀上進行顱腦MRI掃描，包括Achieva、Ingenia和Ingenia Eltion X（Philips Medical System,Best,The Netherlands）。本研究流程圖見圖1。

圖1 本研究的影像組學(xué)流程圖Fig.1 Radiomics workflow of the study.

使用SPM 12 軟件將T1WI、FLAIR、CE-T1WI 和DWI 序列配準到T2WI 序列中（https://www.fil.ion.ucl.ac.uk/spm/software/spm12/）。一位影像醫(yī)師（具有3年神經(jīng)腫瘤影像學(xué)診斷經(jīng)驗）使用ITK-SNAP軟件（www.ITK-SNAP.org）手動描繪了三維感興趣體積（VOI）。主要根據(jù)FLAIR 序列描繪腫瘤邊緣，然后使用T2WI 和CE-T1WI序列交叉檢查腫瘤邊緣的精細程度，并去除了腫瘤內(nèi)壞死、囊變和出血部分，另一位影像醫(yī)師(具有8年神經(jīng)腫瘤影像學(xué)診斷經(jīng)驗)隨機選擇了30例患者的MR數(shù)據(jù)，并對腫瘤區(qū)域進行了勾畫，對ROI勾畫不一致的進行討論，最終意見達成一致。兩位影像醫(yī)師對患者的臨床特征和腫瘤分子狀態(tài)并不知情。

1.3 影像特征提取

使用FAE軟件（0.5.3 version）從MRI圖像的VOI中提取影像組學(xué)特征［12］。對所有體素進行重新采樣后，提取特征，包括：（1）70個基于形狀的特征；（2）90個一階統(tǒng)計量；（3）120個灰度共生矩陣（GLCM）；（4）80個灰度大小區(qū)域（GLSZM）；（5）80 個灰級游程長度矩陣（GLRLM）；（6）25個相鄰灰度差矩陣（NGTDM）；（7）70個灰度相關(guān)性矩陣（GLDM），從多參數(shù)MRI 中提取535個特征，包括T2WI、T1WI、FLAIR、CE-T1WI和DWI序列。

1.4 數(shù)據(jù)預(yù)處理

在FAE軟件中刪除無效的特征和病例。104例患者根據(jù)其臨床特征（年齡和性別）按照7:3的比例分成訓(xùn)練集和驗證集。

1.5 影像特征選擇和分類

為了消除不相關(guān)和冗余的特征并且避免數(shù)據(jù)的過度擬合，挖掘特征是一個必要的過程。在特征選擇之前，使用上采樣來消除訓(xùn)練集和驗證集的不平衡。我們在特征矩陣上應(yīng)用了Z分數(shù)和均值歸一化。由于特征空間的維數(shù)很高，我們比較了每個特征對的相似度。如果特征對的PCC值大于0.990，刪除其中一個特征。遞歸特征消除（RFE）、方差分析（ANOVA）、KW和Relief用于特征選擇，特征選擇數(shù)量范圍為0～21。使用邏輯回歸（LR）、支持向量機（SVM）、基于邏輯回歸的最小絕對收縮和選擇算子（LRlasso）和線性判別分析（LDA）作為分類器來構(gòu)建模型。最后，為了確定模型的超參數(shù)（例如特征數(shù)量），對訓(xùn)練集進行10折交叉驗證。

1.6 影像醫(yī)師預(yù)測1p/19q狀態(tài)

一名住院醫(yī)師（在神經(jīng)腫瘤影像學(xué)方面具有3年診斷經(jīng)驗）和一名主治醫(yī)師（在神經(jīng)腫瘤影像學(xué)方面具有7年診斷經(jīng)驗）根據(jù)T2WI、T1WI、FLAIR、CE-T1WI和DWI圖像來對彌漫性較低級別膠質(zhì)瘤患者1p/19q共缺失狀態(tài)進行預(yù)測，主要觀察腫瘤是否出現(xiàn)鈣化、位置深淺和T2-FLAIR錯配征。影像組學(xué)模型和影像醫(yī)師獲得圖像信息是相同的，對患者的臨床特征和分子狀態(tài)都不知情。影像醫(yī)師使用5分法來預(yù)測1p/19q共缺失狀態(tài)。1分（可信度：0%～20%），2分（可信度：20%～40%），3分（可信度：40%～60%），4分（可信度：60%～80%：，5分（可信度：80%～100%）。

1.7 統(tǒng)計學(xué)分析

本研究使用SPSS 27.0 和MedCalc 20.1.4軟件進行統(tǒng)計分析，所有連續(xù)變量表示為均數(shù)±標準差，分類變量表示為計數(shù)（百分比）。采用Shapiro-Wilk檢驗對連續(xù)變量進行正態(tài)檢驗，符合正態(tài)分布的連續(xù)變量采用兩獨立樣本t檢驗，否則采用Mann-Whitney檢驗。分類變量采用卡方檢驗。使用受試者工作特性曲線下面積（AUC）來評估影像組學(xué)模型和影像醫(yī)師的預(yù)測效能。不同影像組學(xué)模型和醫(yī)生的AUC值對比采用DeLong檢驗。P＜0.05（雙側(cè)）為差異具有統(tǒng)計學(xué)意義。

2 結(jié)果

2.1 患者特征

訓(xùn)練集包括73例患者，驗證集包括31例患者。訓(xùn)練集和驗證集在年齡、性別、組織學(xué)分型和WHO分級方面的分布差異無統(tǒng)計學(xué)意義（P＞0.05，表1）。

表1 訓(xùn)練集和驗證集描述Tab.1 Description of the training and validation datasets

2.2 影像組學(xué)模型的預(yù)測性能

從T2WI、T1WI、FLAIR、CE-T1WI和DWI圖像中共提取535個特征。應(yīng)用10折交叉驗證，選擇8個特征構(gòu)建最優(yōu)的4個模型（表2），LR模型訓(xùn)練集和驗證集的AUC為0.923和0.833，LRlasso模型訓(xùn)練集和驗證集的AUC 為0.915 和0.819，SVM 模型訓(xùn)練集和驗證集的AUC達到0.920和0.824，LDA模型訓(xùn)練集和驗證集的AUC達到0.912和0.819。這4組模型的驗證集AUC值比較接近（P＞0.1，表3、4）。

表2 8個特征構(gòu)建LR、LRlasso、SVM、LDA影像組學(xué)模型Tab.2 Eight features for constructing the LR,LRlasso,SVM,and LDAmodels

表3 4組影像組學(xué)模型在訓(xùn)練集的分類性能Tab.3 Classification performance of the 4 radiomics models on the training dataset

表4 4組影像組學(xué)模型在驗證集的分類性能Tab.4 Classification performance of the 4 radiomics models on the validation dataset

2.3 影像醫(yī)師的預(yù)測性能

影像科住院醫(yī)師的AUC=0.645（95%CI: 0.441～0.849）低于4 組影像組學(xué)模型（AUC=0.833、0.819、0.824、0.819；P=0.011，0.022，0.016，0.030），但是影像科主治醫(yī)師的AUC=0.838（95%CI:0.692-0.985）稍高于4組影像組學(xué)模型（P＞0.05，圖2）。

圖2 LR、LRlasso、SVM和LDA模型以及影像醫(yī)師的ROC曲線分析Fig.2 ROC curve analysis of the prediction results by LR,LRlasso,SVM,and LDA models and by the neuroradiologists.

3 討論

本研究從T2WI、T1WI、FLAIR、CE-T1WI和DWI圖像中提取影像組學(xué)特征，并且構(gòu)建了LR、LRlasso、SVM、LDA 4個影像組學(xué)模型用于預(yù)測較低級別膠質(zhì)瘤1p/19q的共缺失狀態(tài)。研究結(jié)果顯示LR、LRlasso、SVM和LDA模型的AUC分別為0.833、0.819、0.824和0.819，但這4組模型之間的診斷效能差異無統(tǒng)計學(xué)意義（P均＞0.1）。4組影像組學(xué)模型的AUC均高于住院醫(yī)師，但和主治醫(yī)師診斷效能相仿。本研究證明多模態(tài)MRI影像組學(xué)模型可以非侵入性地預(yù)測彌漫性較低級別膠質(zhì)瘤1p/19q共缺失狀態(tài)。

本研究構(gòu)建4組不同的組學(xué)模型，其中篩選特征都相同，可能說明這些特征比較穩(wěn)定。篩選的特征包括從CE-T1WI提取的original_firstorder_Skewness特征，偏度表示腫瘤內(nèi)部體素信號不一致，有研究顯示1p/19q共缺失膠質(zhì)瘤更容易發(fā)生囊變、水腫和鈣化等［13,14］，所以腫瘤內(nèi)部信號差異較大，即偏度相對越大。從T1WI序列中提取original_ngtdm_Busyness 特征，Busyness 稱為繁忙度，是像素到相鄰區(qū)域變化的度量，與腫瘤內(nèi)部信號不均勻有關(guān)。

1p/19q是膠質(zhì)瘤最重要的分子之一，1p/19q共缺失不僅可以識別少突膠質(zhì)細胞瘤，而且對化療敏感。除了對輔助治療敏感外，1p/19q也是指導(dǎo)手術(shù)切除的重要分子。有研究發(fā)現(xiàn)，星形細胞瘤的全部切除有利于患者的預(yù)后，但是對少突膠質(zhì)細胞瘤的患者沒有受益［15］。據(jù)報道，全切和非全切對IDH突變和1p/19q共缺失型WHOⅢ級膠質(zhì)瘤患者的預(yù)后無差異，但是對IDH突變和1p/19q非共缺失膠質(zhì)瘤患者有顯著影響［16］。因此，識別1p/19q狀態(tài)對于外科醫(yī)師選擇手術(shù)方式非常重要。目前在臨床中，主要通過手術(shù)或者穿刺這種侵入性方式來識別1p/19q共缺失狀態(tài)，非侵入性地預(yù)測1p/19q共缺失狀態(tài)仍然是一項挑戰(zhàn)。

有研究發(fā)現(xiàn)當T2-FLAIR錯配比例大于50%時可以非常準確地預(yù)測1p/19q非共缺失（特異度為100%），而腫瘤內(nèi)部出現(xiàn)鈣化可以高度預(yù)測1p/19q共缺失（特異度為97%）［17］。在臨床中有些患者缺少CT資料，所以腫瘤內(nèi)部的鈣化有時并不容易判斷，同時T2-FLAIR錯配癥和鈣化的敏感度較低（敏感度分別為37%和29%），且這項研究樣本量較小，所以我們并不能完全依賴這些特征來預(yù)測1p/19q的狀態(tài)。Yang等［18］發(fā)現(xiàn)使用常規(guī)序列和先進的功能序列（DWI、SWI、DSC-PWI）可以預(yù)測膠質(zhì)瘤1p/19q共缺失狀態(tài)，當把所有常規(guī)序列和功能序列結(jié)合預(yù)測1p/19q共缺失狀態(tài)時，其敏感度、特異度和AUC分別為80.36%、78.57%、0.88。有研究顯示使用功能序列DWI、PWI和MRS雖然可以預(yù)測腫瘤的分級［19］，但是無法區(qū)分1p/19q的狀態(tài)。

影像組學(xué)由于其無創(chuàng)性和重復(fù)性強等特點，被用來預(yù)測腫瘤分級、分子分型以及預(yù)后。影像組學(xué)可以識別我們?nèi)庋蹮o法識別的特征，而這些特征與腫瘤異質(zhì)性有一定的相關(guān)性。較多學(xué)者使用常規(guī)MRI序列的影像組學(xué)模型來預(yù)測1p/19q共缺失狀態(tài)，但是使用較先進功能序列的影像組學(xué)模型來預(yù)測1p/19q共缺失的研究相對較少［20-23］。有研究發(fā)現(xiàn)DWI可以非侵入性地反映腫瘤細胞和細胞外空間［24］，且有研究認為1p/19q共缺失膠質(zhì)瘤比1p/19q非共缺失膠質(zhì)瘤強化比例更高［25,26］，因此，我們最終選擇將CE-T1WI、DWI與其他常規(guī)序列結(jié)合來預(yù)測較低級別膠質(zhì)瘤1p/19q共缺失狀態(tài)，并和影像醫(yī)師的診斷效能做比較。

有研究使用基于T2WI序列的影像組學(xué)模型預(yù)測1p/19q 共缺失，顯示AUC 為0.760（0.663～0.857）［8］。Sun等［7］使用1.5T和3T磁共振獲取常規(guī)MRI和DWI圖像，提取MRI影像組學(xué)特征后，構(gòu)建隨機森林（RF）模型來預(yù)測1p/19q共缺失狀態(tài)，AUC值為0.7579。相比之下，本研究構(gòu)建的4 組影像組學(xué)模型（AUC=0.833、0.819、0.824、0.819）診斷效能更優(yōu)，可能原因是：（1）使用多模態(tài)磁共振圖像；（2）勾畫三維ROI；（3）RF不是最優(yōu)模型；（4）MRI磁場強度不一致。有研究提取T2WI和CE-T1WI 圖像中特征，在構(gòu)建的7 組影像組學(xué)模型（Adaptive boosting、k-nearest neighbours、stochastic gradient descent、RF、SVM、Naive Bayes、Neural network），AUC范圍為0.7179～0.869［23］。本研究4個組學(xué)模型的AUC 比Adaptive boosting,k-nearest neighbours、stochastic gradient descent 模型較高，與RF、SVM、Naive Bayes和Neural network模型相仿，可能原因是：（1）我們使用了多模態(tài)的MRI序列；（2）可能Adaptive boosting、k-nearest neighbours 和stochastic gradient descent并不是最優(yōu)模型。此外，我們將影像醫(yī)師的預(yù)測性能和影像組學(xué)模型進行了比較，發(fā)現(xiàn)4個影像組學(xué)模型預(yù)測1p/19q共缺失的診斷效能高于住院醫(yī)師，而且達到了主治醫(yī)師的診斷級別。

本研究仍有一定的局限性：首先，樣本量較少，未來將收集更多樣本并使用深度學(xué)習(xí)方法來預(yù)測膠質(zhì)瘤的分子狀態(tài)。其次，這是一項單中心研究，沒有使用外部數(shù)據(jù)來驗證模型有效性和重復(fù)性，未來需與其他中心合作。第三，本研究使用常規(guī)序列和DWI序列來預(yù)測1p/19q共缺失，計劃應(yīng)用一些其他的功能MRI序列，比如灌注加權(quán)成像、磁共振波譜、酰胺質(zhì)子轉(zhuǎn)移加權(quán)、擴散張量成像等，這些序列其與腫瘤的微觀結(jié)構(gòu)相關(guān)。第四，1p/19q非共缺失和共缺失的彌漫性較低級別膠質(zhì)瘤患者比例不均衡。

綜上所述，基于多模態(tài)MRI（T2WI、T1WI、FLAIR、CE-T1WI、DWI）的影像組學(xué)模型可以在術(shù)前無創(chuàng)性地預(yù)測彌漫性較低級別膠質(zhì)瘤1p/19q共缺失狀態(tài)，對患者進行個性化治療提供可靠依據(jù)。本研究4個影像組學(xué)模型的診斷效能高于住院醫(yī)師，并且達到了主治醫(yī)師的診斷級別，將有助于臨床醫(yī)生提高診斷及預(yù)測效能，輔助臨床決策。