李鼎，王效春

作者單位：1.山西醫(yī)科大學(xué)醫(yī)學(xué)影像學(xué)院，太原 030001；2.山西醫(yī)科大學(xué)第一醫(yī)院影像科，太原 030001

0 前言

腦膠質(zhì)瘤是最常見的原發(fā)惡性中樞神經(jīng)系統(tǒng)（central nervous system, CNS）腫瘤，約占CNS 原發(fā)惡性腫瘤的75%[1]。盡管手術(shù)、放療和化療等醫(yī)療方案不斷進(jìn)步，但是腦膠質(zhì)瘤患者的預(yù)后仍然較差[2]。替莫唑胺（temozolomide, TMZ）是膠質(zhì)瘤標(biāo)準(zhǔn)治療方案的一部分，其治療敏感性很大程度上與O6-甲基鳥嘌呤-DNA 甲基轉(zhuǎn)移酶（O6-methylguanine-DNA methyltransferase, MGMT）甲 基 化 狀 態(tài) 有 關(guān)[3-4]。MGMT是修復(fù)DNA的酶，當(dāng)MGMT啟動(dòng)子甲基化時(shí)，其DNA修復(fù)活性被抑制，從而使腫瘤細(xì)胞對(duì)TMZ的細(xì)胞毒性作用更加敏感[5]。因此，MGMT 成為腦膠質(zhì)瘤重要的強(qiáng)預(yù)后和預(yù)測(cè)分子標(biāo)志物之一[6]，除此之外，MGMT啟動(dòng)子甲基化狀態(tài)與膠質(zhì)瘤假性進(jìn)展（pseudoprogression,PSP）之間的相關(guān)性也被多項(xiàng)研究報(bào)道[7-8]，MGMT 啟動(dòng)子甲基化的腦膠質(zhì)瘤患者可能更易發(fā)生PSP。由此可見，確定MGMT 啟動(dòng)子甲基化狀態(tài)對(duì)于膠質(zhì)瘤患者的診療及預(yù)后都有著重要的臨床價(jià)值。

目前，確定MGMT 啟動(dòng)子甲基化狀態(tài)的主要方式仍是手術(shù)取樣并進(jìn)行焦磷酸測(cè)序[9]，但其耗時(shí)長(zhǎng)，會(huì)受到腫瘤異質(zhì)性的限制，并且在活檢時(shí)可能損害神經(jīng)功能。而影像組學(xué)是在近些年被廣泛研究的一種非侵入性的影像方法，包括圖像處理、圖像分割、特征提取、模型建立及驗(yàn)證，通過高通量的特征提取，將醫(yī)學(xué)圖像轉(zhuǎn)化為可挖掘的高維數(shù)據(jù)[10]，這也在一定程度上克服了腫瘤異質(zhì)性的影響?；谝幌盗蠱RI序列的影像組學(xué)在預(yù)測(cè)腦膠質(zhì)瘤MGMT啟動(dòng)子甲基化狀態(tài)中極具潛力，MRI 影像組學(xué)以及深度學(xué)習(xí)（deep learning, DL）的研究方法得到了大量研究的嘗試，本文將從MRI 影像組學(xué)和基于DL 的MRI 影像組學(xué)研究現(xiàn)狀展開綜述，旨在為后續(xù)的相關(guān)研究拓展思路。

1 MRI 影像組學(xué)預(yù)測(cè)腦膠質(zhì)瘤MGMT 啟動(dòng)子甲基化狀態(tài)的研究現(xiàn)狀

1.1 常規(guī)MRI序列研究現(xiàn)狀

1.1.1 對(duì)比增強(qiáng)T1WI 是影像組學(xué)預(yù)測(cè)MGMT 啟動(dòng)子甲基化的強(qiáng)預(yù)測(cè)序列

對(duì)于CNS 而言，最常用的成像方式是MRI。常規(guī)MRI（conventional MRI, cMRI）序列的特征可以反映腦膠質(zhì)瘤MGMT 啟動(dòng)子甲基化狀態(tài)[11]，各種機(jī)器學(xué)習(xí)（machine learning, ML）分類器也被廣泛應(yīng)用于腦膠質(zhì)瘤MGMT 啟動(dòng)子甲基化狀態(tài)的預(yù)測(cè)研究中[12-14]。如XI 等[15]納入98 例已知MGMT 啟動(dòng)子甲基化狀態(tài)的膠質(zhì)母細(xì)胞瘤（glioblastoma, GBM）患者，手動(dòng)分割T1WI、T2WI、對(duì)比增強(qiáng)T1WI（contrast enhanced T1-weighted, CE-T1WI）序列的整個(gè)腫瘤部分，高通量提取、量化并使用最小絕對(duì)收縮和選擇算法（least absolute shrinkage and selection operator, LASSO）正則化最終保留了36 個(gè)特征同時(shí)輸入支持向量機(jī)（support vector machine, SVM）分類器。研究發(fā)現(xiàn)SVM通過單一MRI序列及組合序列模型均可區(qū)分MGMT啟動(dòng)子甲基化狀態(tài)，但各單一MRI序列相比，CE-T1WI明顯具有更高的準(zhǔn)確度（82.01%）、敏感度（84.27%）和特異度（79.19%），僅次于三者的組合模型。由此可見CE-T1WI可能是一種強(qiáng)預(yù)測(cè)序列，其特征可能是影像組學(xué)預(yù)測(cè)MGMT啟動(dòng)子甲基化的重要特征。HUANG 等[16]也進(jìn)一步證實(shí)了CE-T1WI 特征的重要性，該研究分別提取了T1WI、CE-T1WI、T2WI 及T2- 液體衰減反轉(zhuǎn)恢復(fù)（T2-fluid attenuated inversion recovery, T2-FLAIR）成像序列中的前五個(gè)最強(qiáng)大的紋理特征，并將其線性組合成影像組學(xué)評(píng)分（Radscore），然后使用多因素邏輯回歸分析建立基于每個(gè)Radscore 的組合模型，其中CE-T1WI 被加權(quán)并且貢獻(xiàn)最大。另外，沙永建等[17]引入CE-T1WI和T2-FLAIR 構(gòu)建影像組學(xué)模型預(yù)測(cè)較低級(jí)別膠質(zhì)瘤（lower-grade gliomas, LGGs）異檸檬酸脫氫酶突變（isocitrate dehydrogenase mutation, IDHmut）合并MGMT 啟動(dòng)子甲基化（O6-methylguanine-DNA methyltransferase promoter methylation, MGMTmet），經(jīng)過單因素分析發(fā)現(xiàn)T2-FLAIR并沒有特征被保留下來，而CE-T1WI 卻保留了21 個(gè)特征。最終通過多因素邏輯回歸建立的影像組學(xué)模型在訓(xùn)練集和測(cè)試集的曲線下面積（area under the curve, AUC）分別為0.842和0.935。

上述研究表明，cMRI 序列影像組學(xué)模型可以較好反映腦膠質(zhì)瘤MGMT 啟動(dòng)子甲基化狀態(tài)，而無論是單序列模型還是多序列聯(lián)合模型，CE-T1WI 都有著更高的預(yù)測(cè)價(jià)值，并且表現(xiàn)出了更大的預(yù)測(cè)潛力，在未來的相關(guān)研究中值得獲得更多的關(guān)注。

1.1.2 cMRI 影像組學(xué)聯(lián)合臨床因素或有助于提高M(jìn)GMT甲基化的預(yù)測(cè)效能

之前的多項(xiàng)研究[16,18-19]已經(jīng)表明加入臨床特征（如年齡等）不會(huì)提高模型的預(yù)測(cè)效能，反而會(huì)增加模型的復(fù)雜性。然而，ZHANG 等[20]的研究卻發(fā)現(xiàn)了年齡及膠質(zhì)瘤分級(jí)的重要性。由于IDHmut也是膠質(zhì)瘤的重要預(yù)后分子標(biāo)記物之一[21-23]，所以ZHANG 等[20]不再僅僅局限于膠質(zhì)瘤MGMT 啟動(dòng)子甲基化狀態(tài)的預(yù)測(cè)，而是基于機(jī)器學(xué)習(xí)方法預(yù)測(cè)MGMTmet 與IDHmut共現(xiàn)的狀態(tài)。該研究發(fā)現(xiàn)MGMTmet 與IDHmut 共現(xiàn)組和其他狀態(tài)組別在年齡及膠質(zhì)瘤分級(jí)方面有著顯著的差異。一項(xiàng)近期的研究[24]同樣構(gòu)建MRI 影像組學(xué)模型去預(yù)測(cè)MGMTmet 與IDHmut 共現(xiàn)狀態(tài)，并得到了相同的結(jié)論。這項(xiàng)研究構(gòu)建了影像組學(xué)模型、臨床模型及影像組學(xué)-臨床聯(lián)合模型，發(fā)現(xiàn)聯(lián)合模型表現(xiàn)最佳，納入臨床因素（年齡、腫瘤分級(jí)）在一定程度上改善了模型的預(yù)測(cè)效能，AUC 從單純影像組學(xué)模型的0.866 增加到了聯(lián)合模型的0.930。由此可見，臨床特征的作用或許不再是增加模型復(fù)雜性這樣的副作用，將其與cMRI 影像組學(xué)聯(lián)合或許有助于提高M(jìn)GMT啟動(dòng)子甲基化的預(yù)測(cè)效能。但需要注意的是，IDHmut與年齡相關(guān)，很少出現(xiàn)于65歲以上的患者，而且在2～3 級(jí)的膠質(zhì)瘤中更常見[25-27]。所以上述研究中的年齡及分級(jí)等臨床因素可能會(huì)受到IDHmut的影響，其對(duì)于腦膠質(zhì)瘤MGMT 啟動(dòng)子甲基化狀態(tài)的影響可能還需要進(jìn)一步研究的證實(shí)。

1.2 功能MRI序列研究現(xiàn)狀

1.2.1 擴(kuò)散加權(quán)成像及表觀擴(kuò)散系數(shù)

擴(kuò)散MRI序列可以提供細(xì)胞外空間彎曲度、組織細(xì)胞結(jié)構(gòu)和細(xì)胞膜完整性的信息[28],并且與多種基因的狀態(tài)密切相關(guān)[29-31]。WEI 等[32]在CE-T1WI 和T2-FLAIR的基礎(chǔ)上進(jìn)一步納入了功能MRI（functional MRI,fMRI）序列圖像中的表觀擴(kuò)散系數(shù)（apparent diffusion coefficient, ADC）圖，基于腫瘤區(qū)及瘤周水腫區(qū)提取特征并建立影像組學(xué)特征模型。遺憾的是，取自ADC 圖的特征未能較好區(qū)分MGMT 啟動(dòng)子甲基化狀態(tài)，最終由CE-T1WI 和T2-FLAIR 特征建立融合模型并取得最佳AUC 值（0.902），該研究將水腫程度和ADC值融合到影像組學(xué)特征模型中，發(fā)現(xiàn)預(yù)測(cè)效能下降。但是之后KIHIRA等[33]發(fā)現(xiàn)，在CE-T1WI和T2-FLAIR 中添加擴(kuò)散數(shù)據(jù)如ADC 和擴(kuò)散加權(quán)成像（diffusion weighted imaging, DWI）可以顯著提高IDH1、MGMT等的預(yù)測(cè)效能，其中MGMT預(yù)測(cè)效能的增量值最高，在加入擴(kuò)散MRI 特征后，聯(lián)合模型的預(yù)測(cè)效能顯著提高，最終AUC 為0.79。由此可見，DWI 與ADC圖的影像組學(xué)特征或許可以在一定程度上提高膠質(zhì)瘤MGMT 啟動(dòng)子甲基化的預(yù)測(cè)效能。HE 等[34]也證明了加入擴(kuò)散序列特征的多序列融合模型的AUC顯著高于各單序列模型。陳思璇等[35]基于T1WI、T2WI、CE-T1WI及ADC 圖構(gòu)建的邏輯回歸模型也取得了較好的預(yù)測(cè)效能，其AUC 值和準(zhǔn)確度分別達(dá)到了0.90 和91%。因此，DWI 及ADC 圖在反映MGMT 啟動(dòng)子甲基化狀態(tài)方面有著不可忽視的作用。

1.2.2 擴(kuò)散張量成像及擴(kuò)散峰度成像

擴(kuò)散張量成像（diffusion tensor imaging,DTI）可以通過腦內(nèi)水分子在各個(gè)方向的擴(kuò)散信號(hào)來反映腦組織的微觀結(jié)構(gòu)信息，從而對(duì)腦白質(zhì)纖維束進(jìn)行無創(chuàng)分析[36]。擴(kuò)散峰度成像（diffusion kurtosis imaging, DKI）作為一種非高斯擴(kuò)散成像技術(shù)，可以用來探測(cè)非高斯擴(kuò)散特性組織的復(fù)雜成分和微觀結(jié)構(gòu)[37-38]。TAN 等[39]探索了這兩項(xiàng)fMRI 技術(shù)對(duì)腦膠質(zhì)瘤MGMT 啟動(dòng)子甲基化狀態(tài)的預(yù)測(cè)效能，從平均峰度（mean kurtosis, MK）和平均擴(kuò)散系數(shù)（mean diffusivity, MD）參數(shù)圖中分別提取了整個(gè)腫瘤的364 個(gè)影像組學(xué)特征，然后選擇最有意義的影像組學(xué)特征并通過邏輯回歸建立影像組學(xué)模型，其AUC值為0.835（95%CI：0.686～0.951）。DTI及DKI可以提供常規(guī)序列無法提示的重要信息，使用其進(jìn)行腦膠質(zhì)瘤MGMT 啟動(dòng)子甲基化狀態(tài)的預(yù)測(cè)具有很大的潛力。不過到目前為止，相關(guān)的研究還較少，未來需要更多的研究進(jìn)一步探索，從而避免該結(jié)果的偶然性與片面性。

1.2.3 灌注加權(quán)成像

灌注加權(quán)成像（perfusion-weighted imaging,PWI）可以評(píng)估腫瘤內(nèi)的血管增生情況，對(duì)于判斷腫瘤的惡性程度以及病理分級(jí)有著一定的價(jià)值[40-41]。已經(jīng)有研究[42]通過動(dòng)態(tài)磁敏感對(duì)比（dynamic susceptibility contrast, DSC）增強(qiáng)成像的影像組學(xué)預(yù)測(cè)GBM 中MGMT 啟動(dòng)子甲基化狀態(tài)。該研究回顧性分析了59例GBM患者的DSC-MRI圖像，從相對(duì)腦血容量（relative cerebral blood volume, rCBV）和相對(duì)腦血流量（relative cerebral blood flow,rCBF）圖中共獲得92 個(gè)定量圖像特征（image features, IFs）。研究者將GBM 中MGMT 啟動(dòng)子甲基化狀態(tài)分成三組：未甲基化（unmethylated, UM）、中間甲基化（intermediate-methylated, IM）、甲基化（methylated, M）[43]，并用Mann-WhitneyU檢驗(yàn)評(píng)估患者組之間IFs差異是否存在統(tǒng)計(jì)學(xué)差異，其中有顯著差異的IFs 被稱為相關(guān)IFs（relevant IFs,rIFs）。在UM-M、IM-M 和（UM+IM）-M 組中發(fā)現(xiàn)了14 個(gè)rIFs，所以該研究將患者進(jìn)一步分為（UM+IM）組和M組，建立了機(jī)器學(xué)習(xí)模型，并得到了75%的敏感度和85%的特異度，AUC 值為0.84。有趣的是，在14 個(gè)rIFs 中，有10 個(gè)來自rCBV 圖，相比rCBF 圖，rCBV 圖似乎在MGMT 啟動(dòng)子甲基化狀態(tài)確定方面提供了更多可能性。所以PWI 對(duì)于預(yù)測(cè)腦膠質(zhì)瘤MGMT 啟動(dòng)子甲基化狀態(tài)有著一定的價(jià)值。

由此可見，fMRI 序列在腦膠質(zhì)瘤MGMT 啟動(dòng)子甲基化狀態(tài)的預(yù)測(cè)方面有著不可忽視的潛力，其與cMRI 序列的融合或許可以起到信息互補(bǔ)的作用，從而進(jìn)一步提高預(yù)測(cè)效能。但是到目前為止，相關(guān)影像組學(xué)的研究還比較少，未來的研究空間還很大。

2 基于DL 的MRI 影像組學(xué)預(yù)測(cè)MGMT 啟動(dòng)子甲基化狀態(tài)的研究現(xiàn)狀

DL 作為一項(xiàng)重要的新興技術(shù)，已經(jīng)在許多不同的領(lǐng)域嶄露頭角。對(duì)于腦膠質(zhì)瘤MGMT啟動(dòng)子甲基化的預(yù)測(cè)，深度神經(jīng)網(wǎng)絡(luò)也表現(xiàn)出了較高的準(zhǔn)確性，而且在一定程度上減少了人工干預(yù)的影響。

2.1 單一MRI序列DL的研究現(xiàn)狀

DL 網(wǎng)絡(luò)構(gòu)架結(jié)合單一MRI 序列可以預(yù)測(cè)腦膠質(zhì)瘤MGMT 啟動(dòng)子甲基化狀態(tài)。KORFIATIS 等[44]基于T2WI 比較了三種深度殘差學(xué)習(xí)網(wǎng)絡(luò)（residual deep neural network, ResNet）模型，無須進(jìn)行獨(dú)特的腫瘤分割步驟即可評(píng)估它們預(yù)測(cè)MGMT甲基化狀態(tài)的能力。研究表明ResNet50（50 層）體系結(jié)構(gòu)優(yōu)于其他模型（ResNet18、ResNet34），并在155 例GBM 患者的預(yù)測(cè)中達(dá)到了94.90%的準(zhǔn)確度。這一結(jié)果說明ResNet的精度可能隨著層數(shù)的增加而增加。但層數(shù)超過50層會(huì)增加計(jì)算難度和過擬合，也因此ResNet50被研究人員視為最流行、穩(wěn)定且適應(yīng)良好的DL體系構(gòu)架之一[45-46]。同樣僅基于T2WI，YOGANANDA 等[47]的研究隊(duì)列包括247 例高、低級(jí)別膠質(zhì)瘤患者，該研究開發(fā)了僅基于T2WI 的網(wǎng)絡(luò)（MGMT-net），該網(wǎng)絡(luò)能夠單獨(dú)從T2WI確定腦膠質(zhì)瘤MGMT啟動(dòng)子甲基化狀態(tài)，準(zhǔn)確度、敏感度和特異度分別為94.7%、96.3%和91.6%，其性能優(yōu)于先前報(bào)道的算法[44,48]?？梢奃L 結(jié)合單一MRI序列確實(shí)可以區(qū)分膠質(zhì)瘤MGMT 啟動(dòng)子甲基化的狀態(tài)。還有研究比較了CE-T1WI 模型與T2-FLAIR 模型在DL 中的表現(xiàn)，如CHEN 等[49]提出了一種基于MRI 的DL 管道，以端到端方式進(jìn)行膠質(zhì)瘤自動(dòng)分割和MGMT啟動(dòng)子甲基化分類，并發(fā)現(xiàn)T2-FLAIR 訓(xùn)練的模型在膠質(zhì)瘤分割和MGMT啟動(dòng)子甲基化狀態(tài)預(yù)測(cè)中取得了最佳的效果，準(zhǔn)確度達(dá)到了0.827。以上研究均將DL與MRI序列結(jié)合在了一起，并且證實(shí)了其在預(yù)測(cè)腦膠質(zhì)瘤MGMT啟動(dòng)子甲基化狀態(tài)中的作用。但這些研究?jī)H僅局限于單一序列，未能探索多序列聯(lián)合應(yīng)用在腫瘤分割和分類中的價(jià)值。

污泥熱解反應(yīng)特征參數(shù)見表2，不同升溫速率下的 DTG、TG曲線具有較好的一致性。在較低的升溫速率下，由于升高到相同溫度所需的時(shí)間長(zhǎng)，污泥在第二反應(yīng)階段的失重率相對(duì)較高升溫速率下的失重率變大。由圖1可見，不同升溫速率下的TG曲線相交于334 ℃～361 ℃，而且在高溫區(qū)域，較低升溫速率下的污泥失重率小于較高升溫速率下的污泥失重率。這可能是由于低升溫速率下的污泥熱解時(shí)間延長(zhǎng)，導(dǎo)致縮聚等二次反應(yīng)加強(qiáng)，揮發(fā)分析出量減少[5]。隨著溫度的升高，二次反應(yīng)減弱，污泥的失重率又略有增大。但在熱解反應(yīng)終溫階段，不同升溫速率過程下的總失重率基本接近。

2.2 多MRI序列DL的研究現(xiàn)狀

相比單一MRI序列，多序列聯(lián)合預(yù)測(cè)或許能夠提供更加全面的信息。CHEN 等[50]提取了T1WI、T2WI、ADC 圖和CE-T1WI 4 個(gè)序列的影像組學(xué)特征，并聯(lián)合輸入ResNet，研究發(fā)現(xiàn)基于腫瘤核心區(qū)的ADC 與CE-T1WI 聯(lián)合模型表現(xiàn)最好，準(zhǔn)確度（91%）和AUC（0.90）均為該研究所有模型中最高。與之前的DL研究方法不同，該研究將提取的特征作為DL 網(wǎng)絡(luò)的輸入項(xiàng)，而且該研究不再僅僅使用單一的MRI 序列，而是納入了多個(gè)序列，進(jìn)一步探索并證實(shí)了多序列間的聯(lián)合預(yù)測(cè)價(jià)值。除此之外，還有研究[48]也證實(shí)了多MRI 序列DL 模型對(duì)于預(yù)測(cè)腦膠質(zhì)瘤MGMT 啟動(dòng)子甲基化 狀 態(tài) 的 能 力。如CHANG 等[48]結(jié) 合T1WI、T2WI 及T2-FLAIR 序列，使用DL 網(wǎng)絡(luò)模型的預(yù)測(cè)準(zhǔn)確度達(dá)到了83%。由此可見，多MRI 序列DL 模型可以更好地預(yù)測(cè)腦膠質(zhì)瘤MGMT啟動(dòng)子甲基化狀態(tài)。

總之，基于DL 的MRI 影像組學(xué)對(duì)于腦膠質(zhì)瘤MGMT 啟動(dòng)子甲基化狀態(tài)的預(yù)測(cè)具有很大的潛力，而多序列聯(lián)合可能會(huì)進(jìn)一步提高其預(yù)測(cè)效能。

3 MRI影像組學(xué)聯(lián)合DL預(yù)測(cè)MGMT啟動(dòng)子甲基化狀態(tài)的研究現(xiàn)狀

利用MRI 影像組學(xué)聯(lián)合DL 網(wǎng)絡(luò)構(gòu)架來預(yù)測(cè)腦膠質(zhì)瘤MGMT 啟動(dòng)子甲基化也得到了很多嘗試[50-52]。CALABRESE 等[51]評(píng)估了一種人工智能架構(gòu)，該架構(gòu)將MRI 影像組學(xué)和卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network, CNN）圖像特征結(jié)合到一個(gè)單一模型中，用于預(yù)測(cè)GBM 的MGMT 啟動(dòng)子甲基化狀態(tài)。研究結(jié)果表明，結(jié)合影像組學(xué)和CNN特征可能有助于提高GBM 基因生物標(biāo)志物預(yù)測(cè)的準(zhǔn)確性。SAXENA 等[52]研究了各種ML 和DL 的方法，如SVM、隨機(jī)森林（random forest, RF）及ResNet 等，最后分析了一種融合深度學(xué)習(xí)框架。該框架結(jié)合了DL框架和ML框架的特點(diǎn)，優(yōu)于單獨(dú)的ML框架15%，優(yōu)于單獨(dú)DL框架7%。ZHONG 等[46]比較了ResNet50 和卷 積3D（convolutional 3D, C3D）兩種DL的性能，發(fā)現(xiàn)后者具有更高的準(zhǔn)確度（91.11%），并基于后者、MRI 影像組學(xué)特征及語義特征建立多模態(tài)模型。值得注意的是，該研究發(fā)現(xiàn)語義特征的加入可以為MGMT 啟動(dòng)子甲基化模型帶來8%～10%的增益。上述研究均表明，DL 網(wǎng)絡(luò)構(gòu)架與MRI 影像組學(xué)的結(jié)合會(huì)提高腦膠質(zhì)瘤MGMT 啟動(dòng)子甲基化狀態(tài)的預(yù)測(cè)效能。

綜上所述，MRI 影像組學(xué)與DL 聯(lián)合或許可以使二者優(yōu)勢(shì)互補(bǔ)，從而使模型獲得更高的預(yù)測(cè)效能，這一點(diǎn)需要未來更多的研究進(jìn)一步證實(shí)。

4 局限性與前景展望

對(duì)于腦膠質(zhì)瘤MGMT 啟動(dòng)子甲基化狀態(tài)的預(yù)測(cè)，MRI 影像組學(xué)已經(jīng)表現(xiàn)出了較好的預(yù)測(cè)效能，但仍然存在著一些局限性。大多數(shù)研究均表明，將一些臨床因素（年齡、膠質(zhì)瘤分級(jí)等）納入預(yù)測(cè)模型并不會(huì)提高腦膠質(zhì)瘤MGMT 啟動(dòng)子甲基化狀態(tài)的預(yù)測(cè)效能，反而會(huì)增加其復(fù)雜性，這一點(diǎn)還需要后續(xù)更多研究并納入更多臨床因素進(jìn)一步證實(shí)；大多數(shù)研究都存在樣本量過小、缺乏獨(dú)立驗(yàn)證隊(duì)列等局限性，這可能會(huì)降低研究結(jié)果的準(zhǔn)確度；基于DL 的MRI 影像組學(xué)可以在一定程度上排除人工勾畫感興趣區(qū)的主觀性差異，但是到目前為止，DL 的研究主要基于cMRI 序列。fMRI序列在腦膠質(zhì)瘤MGMT啟動(dòng)子甲基化狀態(tài)的預(yù)測(cè)方面有著不可忽視的潛力，所以將其納入研究并聯(lián)合cMRI序列或?qū)⒊蔀槲磥硌芯口厔?shì)。

5 小結(jié)

作者利益沖突聲明：全體作者均聲明無利益沖突。

作者貢獻(xiàn)聲明：王效春設(shè)計(jì)本綜述的方案，并對(duì)稿件重要的智力內(nèi)容進(jìn)行了修改，獲得了國(guó)家自然科學(xué)基金項(xiàng)目的資助；李鼎起草和撰寫稿件，獲取、分析并解釋本綜述的參考文獻(xiàn)；全體作者都同意最后的修改稿發(fā)表，都同意對(duì)本研究的所有方面負(fù)責(zé)，確保本綜述的準(zhǔn)確性和誠(chéng)信。