廖天雙，陳東，李操，何如，劉思耘，陳光祥

腦膜瘤起源于蛛網(wǎng)膜粒帽細(xì)胞，是最常見(jiàn)的顱內(nèi)腦外腫瘤。在成年人中約占中樞神經(jīng)系統(tǒng)腫瘤的30%，而在兒童和青少年中則很少見(jiàn)(0.4%～4.6%)[1]。根據(jù)2016年WHO中樞神經(jīng)系統(tǒng)腫瘤分類(lèi)，將腦膜瘤分為Ⅰ-Ⅲ級(jí)，以反映其組織學(xué)特征以及復(fù)發(fā)率和臨床預(yù)后情況[2]。腦膜瘤的病理級(jí)別越高，越容易復(fù)發(fā)，不同級(jí)別腦膜瘤的治療方式也存在差異。

MRI是術(shù)前診斷腦膜瘤的重要手段，對(duì)腦膜瘤病理分級(jí)的判斷有一定價(jià)值，但當(dāng)腦膜瘤缺乏典型影像特征時(shí)，對(duì)其病理分級(jí)的預(yù)測(cè)非常困難。影像組學(xué)利用自動(dòng)化高通量的特征提取算法，可從影像圖中獲取肉眼無(wú)法辨別的腫瘤內(nèi)部特征，量化評(píng)估腫瘤整體的異質(zhì)性，能更全面地反映腫瘤的病理特征。本研究旨在探討基于多序列MRI的影像組學(xué)模型預(yù)測(cè)腦膜瘤病理分級(jí)的價(jià)值。

材料與方法

1.一般資料

搜集2015年1月-2019年9月在西南醫(yī)科大學(xué)附屬醫(yī)院行頭顱MRI檢查并符合本研究要求的215例腦膜瘤患者的臨床和影像資料。其中，低級(jí)別(Ⅰ級(jí))腦膜瘤174例，高級(jí)別(Ⅱ級(jí)34例+Ⅲ級(jí)7例)腦膜瘤41例。按照7∶3的比例，采用隨機(jī)分層抽樣方法將215例患者分為訓(xùn)練組(149例)和驗(yàn)證組(66例)。

納入標(biāo)準(zhǔn)：病理證實(shí)為腦膜瘤且有腦膜瘤病理分級(jí)結(jié)果；在同一磁共振機(jī)上行T2WI、DWI和對(duì)比增強(qiáng)T1WI掃描；MRI圖像質(zhì)量好，無(wú)偽影干擾；所有序列的圖像在患者接受手術(shù)治療前10天內(nèi)采集。

2.掃描設(shè)備和參數(shù)

使用Philips 1.5T磁共振機(jī)和標(biāo)準(zhǔn)頭部正交線(xiàn)圈。所有患者術(shù)前行T2WI、DWI和對(duì)比增強(qiáng)T1WI檢查。掃描序列和參數(shù)如下。①橫軸面SE T1WI：TR 490～1000 ms，TE 13～20 ms，層厚5.0 mm，層間距1.0 mm，視野240 mm×240 mm，矩陣256×256；②橫軸面TSE T2WI：TR 3000～4400 ms，TE 80～110 ms，層厚5.0 mm，層間距1.0 mm，視野240 mm×240 mm，矩陣256×256；③橫軸面SE-EPI DWI：TR 2300～2900 ms，TE 74～87 ms，b=0、1000 s/mm2，層厚5.0 mm，層間距1.0 mm，視野240 mm×240 mm，矩陣128×128；④對(duì)比增強(qiáng)T1WI：對(duì)比劑使用Gd-DTPA，經(jīng)肘靜脈注射，劑量0.1 mmol/kg， 注射流率1.0 mL/s，其它掃描參數(shù)同T1WI。

3.圖像分割及特征提取

從PACS系統(tǒng)中導(dǎo)出所有患者的圖像并以DICOM格式導(dǎo)入ITP-SNAP軟件。分別在T2WI、DWI和對(duì)比增強(qiáng)T1WI圖像上逐層手動(dòng)勾畫(huà)腫瘤的邊界，提取出整個(gè)腫瘤的體積作為感興趣區(qū)。在勾畫(huà)的過(guò)程中，沿腫瘤邊緣內(nèi)側(cè)1～2 mm處劃線(xiàn)，盡可能包括腫瘤內(nèi)的所有成份，包括囊變、出血等，注意避開(kāi)病灶周?chē)乃[區(qū)及血管，如腫瘤境界不清晰，則參考其它能清晰顯示腫瘤邊界的序列進(jìn)行勾畫(huà)(圖1)。采用AK軟件V3.1.0.R提取病灶的六大類(lèi)共396個(gè)影像組學(xué)特征，包括直方圖(histogram)、形態(tài)學(xué)(form factor)、紋理(texture)、灰度共生矩陣(gray level co-occur-rence matrix,GLCM)特征、Haralick、灰度游程矩陣(gray run length matrix,GLRLM)及灰度區(qū)域大小矩陣(gray-level size zone matrix，GLSZM)特征。

圖1 腫瘤三維ROI提取過(guò)程示意圖。

4.特征的選擇及模型的構(gòu)建

訓(xùn)練組數(shù)據(jù)用于影像組學(xué)特征的選擇及模型的建立，驗(yàn)證組數(shù)據(jù)用于評(píng)估模型的預(yù)測(cè)效能。在特征選擇前，首先采用中位數(shù)填補(bǔ)缺失數(shù)據(jù)，并對(duì)特征數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化。然后使用Spearman相關(guān)分析，計(jì)算影像組學(xué)特征間的相關(guān)系數(shù)r，設(shè)置閾值為0.9，去除|r|>0.9的高相關(guān)特征。最后采用多元logistic回歸算法對(duì)特征進(jìn)行降維并構(gòu)建影像組學(xué)標(biāo)簽。最后再采用logistic回歸分析對(duì)前述步驟獲得的3個(gè)單獨(dú)序列的影像組學(xué)標(biāo)簽進(jìn)行綜合分析，構(gòu)建綜合3個(gè)序列的多序列影像組學(xué)標(biāo)簽。

5.模型的效能評(píng)估

采用受試者操作特征(ROC)曲線(xiàn)來(lái)評(píng)價(jià)影像組學(xué)模型的預(yù)測(cè)性能，計(jì)算曲線(xiàn)下面積(area under the curve，AUC)及相應(yīng)的診斷符合率、敏感度及特異度。

6.統(tǒng)計(jì)學(xué)方法

使用SPSS 25.0軟件進(jìn)行統(tǒng)計(jì)學(xué)分析。對(duì)兩組間患者性別的比較采用χ2檢驗(yàn)；對(duì)患者的年齡進(jìn)行正態(tài)性和方差齊性檢驗(yàn)后，采用獨(dú)立樣本t檢驗(yàn)進(jìn)行組間比較。使用R軟件進(jìn)行Spearman相關(guān)分析和多因素logistic回歸分析，對(duì)AK軟件提取的各個(gè)序列的特征參數(shù)分別進(jìn)行降維，獲得鑒別診斷效能最佳的特征參數(shù)，然后進(jìn)行多因素logistic回歸分析，建立預(yù)測(cè)模型，最后通過(guò)R軟件繪制其ROC曲線(xiàn)。所有統(tǒng)計(jì)學(xué)結(jié)果以P<0.05為差異具有統(tǒng)計(jì)學(xué)意義。

結(jié) 果

1.一般臨床資料

本研究中，低級(jí)別腦膜瘤組共174例，男45例、女129例，平均年齡(54.0±10.2)歲；高級(jí)別組共41例，男14例、女27例，平均年齡(55.3±14.0)歲。兩組之間年齡和性別構(gòu)成的差異均無(wú)統(tǒng)計(jì)學(xué)意義(t=-0.529，P=0.559；χ2=1.144，P=0.285)。

訓(xùn)練組和驗(yàn)證組中腦膜瘤病理分級(jí)情況見(jiàn)表1。

表1 訓(xùn)練組和驗(yàn)證組病例數(shù)分布

2.影像組學(xué)模型的預(yù)測(cè)效能

分別基于T2WI、DWI和對(duì)比增強(qiáng)T1WI單序列圖像上提取的影像組學(xué)特征建立的3個(gè)腦膜瘤病理分級(jí)預(yù)測(cè)模型中，基于對(duì)比增強(qiáng)T1WI的影像組學(xué)模型的診斷效能最高?；?個(gè)序列構(gòu)建的聯(lián)合模型，其診斷效能較基于增強(qiáng)T1WI的預(yù)測(cè)模型略有提高，詳見(jiàn)表2、圖2。

圖2 各預(yù)測(cè)模型的 ROC 曲線(xiàn)。a)為各預(yù)測(cè)模型在訓(xùn)練組的ROC曲線(xiàn)；b)為各預(yù)測(cè)模型在驗(yàn)證組的ROC曲線(xiàn)。黑線(xiàn)為基于3個(gè)序列聯(lián)合影像組學(xué)模型的ROC曲線(xiàn)；藍(lán)線(xiàn)為基于增強(qiáng)T1WI的影像組學(xué)模型的ROC曲線(xiàn)；黃線(xiàn)為基于T2WI影像組學(xué)模型的ROC曲線(xiàn)；綠線(xiàn)代表基于DWI影像組學(xué)模型的ROC曲線(xiàn)。

表2 基于單序列及聯(lián)合預(yù)測(cè)模型的診斷效能

討 論

腦膜瘤是常見(jiàn)的顱內(nèi)間葉組織起源腫瘤，通過(guò)影像學(xué)方法評(píng)估腦膜瘤病理級(jí)別對(duì)臨床決策有著積極的意義。目前，CT和MRI是腦膜瘤診斷和監(jiān)測(cè)最常用的影像診斷方法，但高、低級(jí)別腦膜瘤有時(shí)會(huì)表現(xiàn)出相似的影像學(xué)特征，常導(dǎo)致常規(guī)MRI不能準(zhǔn)確判斷腦膜瘤的高、低級(jí)別。影像組學(xué)利用自動(dòng)化高通量的特征提取算法，可客觀量化評(píng)估腫瘤整體異質(zhì)性，近年來(lái)引起了廣泛關(guān)注。因此本研究采用基于多序列MR圖像的影像組學(xué)模型預(yù)測(cè)腦膜瘤的病理級(jí)別。

近年來(lái)，有國(guó)內(nèi)外學(xué)者嘗試通過(guò)提取MR圖像上腦膜瘤的紋理特征，用影像組學(xué)方法來(lái)量化醫(yī)學(xué)圖像上潛在的信息，從而鑒別腦膜瘤高低級(jí)別。在虞芯儀等[3]的研究中，基于常規(guī)MRI圖像進(jìn)行紋理分析，結(jié)果顯示T2WI、FLAIR和ADC圖像上提取的標(biāo)準(zhǔn)差、ADC和FLAIR圖像上的偏度、對(duì)比增強(qiáng)T1WI、T2WI、FLAIR和ADC圖像上的熵，在高低級(jí)別腦膜瘤組間的差異具有統(tǒng)計(jì)學(xué)意義(P<0.05)，而且聯(lián)合4個(gè)序列的熵值對(duì)預(yù)測(cè)腦膜瘤分級(jí)的效能最佳，AUC可達(dá)0.799。類(lèi)似地，張媛等[4]對(duì)多參數(shù)MR圖像進(jìn)行紋理分析，結(jié)果顯示ADC圖像上的偏度值、T2WI和ADC圖像上的熵值對(duì)腦膜瘤病理分級(jí)有較強(qiáng)的預(yù)測(cè)能力，而且三者聯(lián)合時(shí)的AUC值可高達(dá)0.84 。國(guó)外學(xué)者Park等[5]通過(guò)分析基于增強(qiáng)T1WI的影像組學(xué)特征，發(fā)現(xiàn)腦膜瘤級(jí)別不同，其影像組學(xué)特征值不同，高級(jí)別腦膜瘤有較高的熵、相異度和粗糙度，而游程長(zhǎng)度均勻性較低。類(lèi)似地，Laukamp等[6]分析了多個(gè)序列MR圖像上腦膜瘤的影像組學(xué)特征，發(fā)現(xiàn)FLAIR圖像上病灶的形態(tài)學(xué)特征中的圓度、FLAIR和增強(qiáng)T1WI圖像上灰度集簇陰影、DWI和ADC圖像上的灰度不均勻性、FLAIR和增強(qiáng)T1WI圖像上的灰度能量，這4個(gè)影像組學(xué)特征預(yù)測(cè)腦膜瘤病理級(jí)別的診斷效能最高，這些特征的聯(lián)合診斷模型區(qū)分Ⅰ級(jí)與Ⅱ級(jí)腦膜瘤的AUC可高達(dá)0.91。由此可見(jiàn)，影像組學(xué)特征可用于預(yù)測(cè)腦膜瘤的病理分級(jí)，且影像組學(xué)特征聯(lián)合模型預(yù)測(cè)效能更佳。需要指出的是，上述這些學(xué)者的研究結(jié)果均顯示出基于MR各序列的影像組學(xué)模型及多參數(shù)聯(lián)合模型對(duì)腦膜瘤病理分級(jí)具有一定的預(yù)測(cè)價(jià)值，但這些研究中均未設(shè)立驗(yàn)證組對(duì)模型的診斷效能進(jìn)行驗(yàn)證，也缺少對(duì)模型的客觀評(píng)價(jià)。

本研究基于多序列MR圖像建立的腦膜瘤病理分級(jí)預(yù)測(cè)模型在訓(xùn)練組和驗(yàn)證組均表現(xiàn)良好。由于各序列圖像上所提取的影像組學(xué)特征有一定差異，建立的預(yù)測(cè)模型的診斷效能也不同。在本研究中的單序列模型中，基于增強(qiáng)T1WI建立的影像組學(xué)預(yù)測(cè)模型的預(yù)測(cè)性能最高，其在訓(xùn)練組的AUC值為0.942，明顯高于基于T2WI及DWI 預(yù)測(cè)模型的AUC值(分別為0.746和0.714)；而基于增強(qiáng)T1WI的影像組學(xué)預(yù)測(cè)模型在驗(yàn)證組中的AUC值也明顯高于T2WI和DWI(分別為0.913、0.714、0.705)。本研究結(jié)果與既往的研究結(jié)果基本一致[7]。基于DWI的影像組學(xué)模型的符合率相對(duì)較差，這可能與DWI序列的失真效應(yīng)有關(guān)，因腦膜瘤多位于大腦凸面和顱底，鄰近骨質(zhì)和鼻竇造成的異質(zhì)磁場(chǎng)可能導(dǎo)致DWI圖像上局部結(jié)構(gòu)變形，從而影響對(duì)腫瘤的顯示和識(shí)別。

本研究結(jié)果顯示，對(duì)于預(yù)測(cè)腦膜瘤的病理級(jí)別，基于多序列MRI的聯(lián)合模型在訓(xùn)練組及驗(yàn)證組中的AUC值分別為0.950和0.923，AUC值高于基于單序列的預(yù)測(cè)模型，此結(jié)果與既往的研究結(jié)果相似[8]。這可能是因?yàn)榕c單序列模型相比，多序列MRI聯(lián)合模型是由來(lái)自三個(gè)序列的數(shù)據(jù)所構(gòu)建，包含的信息更多，能更充分、準(zhǔn)確地反映腫瘤內(nèi)部的特征。但在本研究中，基于多序列MRI聯(lián)合預(yù)測(cè)模型的預(yù)測(cè)性能較基于增強(qiáng)T1WI的影像組學(xué)模型差別不大，可能是由于在三個(gè)序列圖像上所選擇的影像組學(xué)特征中，T1WI增強(qiáng)圖像上保留的特征占了絕大部分，對(duì)模型預(yù)測(cè)性能起主要作用。在Hamerla等[9]利用影像組學(xué)預(yù)測(cè)腦膜瘤病理級(jí)別的研究中，嘗試了隨機(jī)森林(random forest，RF)、極端梯度增強(qiáng)(extreme gradient boosting，XGBoost)、支持向量機(jī)(support vector machine，SVM)和多層感知器(multilayer perceptron，MLP)四種分類(lèi)器，并對(duì)所構(gòu)建的不同分類(lèi)器進(jìn)行比較，構(gòu)建出預(yù)測(cè)效能最佳的多參數(shù)MRI影像組學(xué)模型，其AUC高達(dá)0.97 ，高于筆者研究中的多參數(shù)MRI聯(lián)合模型，這可能與該研究組合了更多MR序列的影像組學(xué)特征以及分類(lèi)器選擇不同有關(guān)。Yan等[10]基于增強(qiáng)T1WI提取了形態(tài)學(xué)特征和紋理特征參數(shù)，并分別基于形態(tài)學(xué)特征、紋理特征、形態(tài)學(xué)特征聯(lián)合紋理特征，并分別采用邏輯回歸(logistic regression，LR)、樸素貝葉斯(naive Bayes，NB)和SVM方法來(lái)構(gòu)建腦膜瘤分級(jí)預(yù)測(cè)模型，并對(duì)這3個(gè)模型的預(yù)測(cè)效能進(jìn)行比較，發(fā)現(xiàn)形態(tài)學(xué)特征聯(lián)合紋理特征的SVM分類(lèi)器具有最佳的預(yù)測(cè)性能。這項(xiàng)研究為以后分類(lèi)模型的選擇提供了依據(jù)。鄭茜等[11]比較了常規(guī)影像特征模型與影像組學(xué)特征模型對(duì)腦膜瘤病理分級(jí)的預(yù)測(cè)性能，也證實(shí)了影像組學(xué)分析在腦膜瘤病理分級(jí)中具有較高的應(yīng)用價(jià)值。

本研究存在一定的局限性：第一，由于高級(jí)別腦膜瘤的發(fā)病率相對(duì)較低，因此腦膜瘤分級(jí)中的數(shù)據(jù)不均衡，高級(jí)別腦膜瘤的病例數(shù)較少；第二，本研究中采用手動(dòng)方法來(lái)分割腫瘤，雖然手動(dòng)分割可能比自動(dòng)方法更準(zhǔn)確，但由于部分病灶邊界判定困難，分割不準(zhǔn)確的問(wèn)題仍然不能完全避免；第三，本研究?jī)H使用邏輯回歸分類(lèi)算法建立影像組學(xué)預(yù)測(cè)模型，并沒(méi)有嘗試構(gòu)建其它常用的分類(lèi)模型，如支持向量機(jī)、隨機(jī)森林和卷積神經(jīng)網(wǎng)絡(luò)等。但是，本研究的目的在于驗(yàn)證影像組學(xué)模型可以用于準(zhǔn)確鑒別腦膜瘤的病理級(jí)別，以及如何選擇合適的MRI序列來(lái)建立影像組學(xué)模型使得預(yù)測(cè)性能更佳，而不是為了比較各種分類(lèi)算法的優(yōu)劣。

綜上所述，基于多參數(shù)MRI數(shù)據(jù)的影像組學(xué)模型可用于術(shù)前預(yù)測(cè)腦膜瘤的病理級(jí)別，為臨床制訂個(gè)性化的治療策略提供客觀依據(jù)。