lication of MRI radiomics predictive model in grading non-enhancing adult diffuse gliomas

LIUYanhongl，ANGYhnl2，HEZelong，WANGngxiao2，UJiayi3，ZHANGXuemeng2，LUJalin，NGul 1ChinesePLAMedicalScholBeijing853，hina;DepartmentfdiologyFirstMedicalCenterfineseGeel Hospital，Beijingo5，hina；DepartmentofRadiologyForthMedicalCenterofhinesePLAGeneralHospital，eijing 100048，China;eparmntofurosugeryrstdicalnterofnseealspialeiinga [Abstract]Objective：Toevaluate thevalueof preoperative MRIradiomicsmodelsingradingnon-enhancingadultdifuse gliomas.Methods：Aretrospectiveanalysisof153patients（16Olesions）withadultdifusegliomaswasconstructed.Al lesionshadnoenhancementonTWIcontrast-enhancement（TWI-CE）image.Amongthe16Olesions，103lesionswere clasifiedintothelow-gradegliomagroupand57lesionsinthehigh-gradegliomagroup，thenrandomlydivided into the trainingset（128lesions）andthevalidationset（32lesions）ataratioof8：2.TWIandADCimageswereco-registered with T ¹ WI-CEimages，andROIsweredelineatedonTWIiamges.Atotalof1132featureswereextractedformTWI， TIWI-CEandADCimages，comprisingshape，first-orderhistogram，second-ordertextureandwaveletfeatures.Thefeatureswith stability（ICCgt;085）wereretained，andtheoptimalfeaturesubsetwasselectedviaelasticnetworkregression（ENR）comined withrecursivefeaturelimination（RFE）.Sixmachineleaningclasifiersereadoptedtoconstructthemodel，includinglogistic regresion，upportctorahine（adialsisuconerel，arel），K-eresteighor（K）isioee，ive Bayes.The predictiveperformanceofthemodelswasevaluatedusingtheAUC，accuracysensivity，specificityandFl-score. Results：Radiomicsmodelsefectivelypredictedhigh-gradeglioma.Themultiparametricmodel（TWI+TWI-CE+ADC）with KNNclasifierachievedAUCsof0.892and0.805，accuraciesof0805and0.719，sensitivitiesof0.915ad0.800，speciicties of 0.753and0.727，F(xiàn)1-scoresof 0.782and 0.506in the training set and thevalidationset.Conclusion ： Preoperative MRI radiomicsmodelsenableaccurategradingofnon-enhancingadultdifusegliomas，oferingcriticalsupportforclinical decision-making and patient management.

[Key words] Difuse glioma;High-grade glioma;Magnetic resonance imaging;Radiomics;Machine learning

腦膠質(zhì)瘤是中樞神經(jīng)系統(tǒng)最常見的原發(fā)性腫瘤，約占原發(fā)惡性腦腫瘤的 80%^[1] 。根據(jù)2021年WHO的中樞神經(jīng)系統(tǒng)分類標(biāo)準(zhǔn)，其分級基于分子遺傳特征和組織學(xué)表現(xiàn)[2]。高級別膠質(zhì)瘤（WHO 3、

4級）侵襲性強、預(yù)后差，需最大范圍安全切除，因此術(shù)前精準(zhǔn)分級至關(guān)重要[3-4]。MRI是膠質(zhì)瘤術(shù)前評估的常規(guī)檢查手段，但其更傾向于將非增強膠質(zhì)瘤診斷為低級別膠質(zhì)瘤。而 8%～18% 的非增強膠質(zhì)瘤為高級別膠質(zhì)瘤，傳統(tǒng)影像評估存在誤判風(fēng)險，易導(dǎo)致治療延誤或術(shù)式選擇不當(dāng)，影響預(yù)后[5]。本研究基于術(shù)前非增強膠質(zhì)瘤的MRI圖像，結(jié)合影像組學(xué)構(gòu)建模型，預(yù)測非增強膠質(zhì)瘤的分級，為臨床決策提供支持。

1資料與方法

1.1一般資料

回顧性收集2016年1月至2023年12月在中國人民解放軍總醫(yī)院第一醫(yī)學(xué)中心初診為成人彌漫性膠質(zhì)瘤且未經(jīng)過相關(guān)治療的患者153例（160個病灶），其中男91例，女62例；年齡 20～77 歲，平均 （41.98±11.47） 歲。160個病灶中，低級別膠質(zhì)瘤103個（低級別組），高級別膠質(zhì)瘤57個（高級別組）。將病灶按8：2比例隨機劃分為訓(xùn)練集128個和驗證集32個。

納入標(biāo)準(zhǔn)： ① 年齡 ≥18 歲； ② 術(shù)前MRI資料完整，包括 T₂WI，T₂ FLAIR .T₁WI 增強掃描和ADC圖； ③ 術(shù)前 T₁WI 增強掃描圖像顯示為非增強膠質(zhì)瘤，即腫瘤內(nèi)增強部分體積 ?1cm^3[6] 。排除標(biāo)準(zhǔn)： ① 病理診斷未明確級別； ② 根據(jù)2021年WH0分類標(biāo)準(zhǔn)被判定為未分類（NOS）或未評估（NEC）； ③ 圖像質(zhì)量不滿足診斷要求。

本研究經(jīng)中國人民解放軍總醫(yī)院醫(yī)學(xué)倫理委員會批準(zhǔn)（批號：2021-006-01）。

1.2儀器與方法

采用GE Discovery MR750 3.0 T MRI掃描儀、32通道頭部線圈。掃描序列及參數(shù)：軸位 T₂WI ，TR5642ms ，TE 93ms ，視野 24cm×24cm ，矩陣 512× 512，層厚 5.5mm ，層距 1.5mm ；軸位 T₁WI 增強掃描，TR 1743ms ，TE 27ms ，視野 24cm× 24cm ，矩陣 320×324 ，層厚 5.5mm ，層距 1.5mm ; DWI，TR 3000ms ，TE67.6ms ，視野 24cm×24cm ，矩陣160×160 ，層厚 6mm ，層距 1.5mm ，b值取 1000s/mm² ;ADC圖在GEAW4.6工作站自動生成。

1.3 圖像分析

由1位具有3年工作經(jīng)驗的影像醫(yī)師觀察MRI圖像上病灶的長徑、短T₂ 錯配征、部位和水腫程度。其中占位效應(yīng)分級基于腦室及中線結(jié)構(gòu)受壓程度判定：0級，無占位效應(yīng)；1級，局部腦溝/腦池受壓，但腦室及中線結(jié)構(gòu)形態(tài)正常；2級，腦室受壓變形，但中線無移位；3級，腦室受壓伴中線向?qū)?cè)移位 ?1cm ；4級，中線移位 gt; 1cm^[7] 。腦水腫程度判定：輕度，水腫寬度 ?2cm ；中度，水腫寬度 gt;2cm ，但未超過同側(cè)大腦半球1/2區(qū)域；重度，水腫范圍超過同側(cè)大腦半球1/2區(qū)域。

1.4影像組學(xué)分析

1.4.1MRI圖像預(yù)處理和腫瘤分割圖像由DICOM格式轉(zhuǎn)換為NIFTI格式后，依次行N4偏置場校正和歸一化處理?；贛ATLAB軟件的SPM插件（https：//www.fil.ion.ucl.ac.uk/spm），將 T₂WI 和ADC圖像配準(zhǔn)至對應(yīng)的 T₁WI 增強掃描圖像上。雙盲條件下，由1位具有3年工作經(jīng)驗的影像醫(yī)師使用ITK-SNAP（版本4.0.1）軟件，在軸位 T₂WI 圖像上手動勾畫全腫瘤區(qū)域ROI，包括鈣化、出血、囊變及壞死區(qū)域，但不包含瘤周水腫區(qū)域（圖1）。為準(zhǔn)確區(qū)分瘤周水腫和腫瘤，勾畫時參考 T₂ FLAIR 和 T₁WI 增強掃描圖像。為評估影像組學(xué)特征的可重復(fù)性，隨機抽取 30% 病灶，由同一位影像醫(yī)師在1個月后再次勾畫ROI。

1.4.2特征提取及篩選使用Python（版本3.9.0）中的Pyradiomics工具包提取影像組學(xué)特征，每個序列共提取1132個影像組學(xué)特征，包括形狀特征（14個）、一階直方圖特征（18個）、二階紋理特征（68個）和小波特征（1032個）。通過ICC行組間一致性分析，篩選出 ICC?0.85 的特征。采用彈性網(wǎng)絡(luò)回歸算法結(jié)合遞歸特征消除算法，計算最優(yōu)特征數(shù)量。最終，根據(jù)最優(yōu)特征子集的數(shù)量和特征權(quán)重排序，確定最具分級診斷價值的組學(xué)特征。

1.4.3模型建立及驗證采用邏輯回歸（logisticregression，LR）支持向量機（support vectormachine，SVM）、K-最近鄰（K-nearestneighbor，KNN）、決策樹（decision tree，DT）和樸素貝葉斯（naive Bayes，徑、壞死、囊變、占位效應(yīng)、邊緣清晰、圖1 增強掃描圖像上ROI勾畫示意圖

NB）進行模型構(gòu)建，其中SVM分類器包括徑向基函數(shù)核（SVMrbf）和線性核（SVMlinear）2種。 T₁WI 增強掃描、ADC序列獨立或組合生成7個影像特征組：單序列 （T₂WI，T₁WI 增強掃描、ADC）、雙序列 ΔT₂WI+T₁WI 增強掃描、 Ω，T₂WI+ADC，T₁WI 增強掃描 +. ADC）、三序列 （T₂WI+T₁WI 增強掃描 +ADC ）。7個影像特征組在6種分類器中進行訓(xùn)練和驗證，共建立42種模型，通過對比不同分類器和特征組的分類性能，篩選出診斷效能最佳的模型及影像特征組，以實現(xiàn)膠質(zhì)瘤術(shù)前分級的精確預(yù)測。

1.5 統(tǒng)計學(xué)分析

使用SPSS26.0軟件和R軟件（版本4.1.0）分析數(shù)據(jù)。計量資料以 表示，組間比較行獨立樣本χ_t 檢驗；計數(shù)資料以例 （%） 表示，組間比較行 χ² 檢驗。采用AUC、準(zhǔn)確率、敏感度、特異度和F1分數(shù)評估模型的預(yù)測效能。以 Plt;0.05 為差異有統(tǒng)計學(xué)意義。

2結(jié)果

2.12組MRI特征比較

2組病灶長徑、短徑、壞死、囊變、占位效應(yīng)、邊緣 清晰、 T₂ 錯配征、部位、水腫程度差異均無統(tǒng)計學(xué)意義（均 Pgt;0.05 ）（表1，圖2）。

表1低級別與高級別成人彌漫性膠質(zhì)瘤的MRI特征比較

圖2非增強成人彌漫性膠質(zhì)瘤的MRI圖像注：圖 2a～2c 為高級別膠質(zhì)瘤圖像，患者，女，29歲；圖2a為 T₂WI 圖像，示右側(cè)額葉高信號病灶伴輕度瘤周水腫；圖2b為 T₁WI 增強掃描圖像，示病灶無明顯強化；圖2c為ADC圖，病灶呈高信號。圖 2d～2f 為低級別膠質(zhì)瘤圖像，患者，女，23歲；圖2d為TWI圖像，示左側(cè)頂葉高信號病灶伴輕度瘤周水腫；圖2e為 T₁WI 增強掃描圖像，示病灶無明顯強化；圖2f為ADC圖，病灶呈高信號

2.2影像組學(xué)特征篩選結(jié)果

經(jīng)一致性分析，篩選 ICC?0.85 的特征，利用遞歸 特征消除算法去除冗余特征，確定最佳特征數(shù)量，其 中 T₁WI 增強掃描序列2個，ADC序列6個， T₂WI 序列 3個， T₂WI+T₁WI 增強掃描序列3個， T₂WI+ADC 序列 2個， T₁WI 增強掃描 + ADC序列5個， T₂WI+T₁WI 增強 掃描 + ADC序列7個。

2.3模型的診斷效能評估

單序列組中 T₁WI 增強掃描影像組學(xué)特征KNN模型效能最高，訓(xùn)練集及驗證集AUC分別為0.874、0.864；雙序列組中基于 T₂WI+T₁WI 增強掃描特征的KNN模型效能最高，訓(xùn)練集及驗證集AUC分別為0.887、0.839；三序列組中KNN模型效能最高，訓(xùn)練集及驗證集AUC分別為0.892、0.805（表2）。

表27個影像特征組中效能最佳的影像組學(xué)模型在訓(xùn)練集和驗證集中的診斷效能

注：KNN為K-最近鄰，DT為決策樹。

3討論

高級別成人彌漫性膠質(zhì)瘤術(shù)前MRI常表現(xiàn)為花環(huán)樣不均勻強化、周圍水腫及壞死等特征，但有 8%～ 18% 病灶術(shù)前未見明顯強化，呈低級別膠質(zhì)瘤外觀，為診斷帶來挑戰(zhàn)[5]。高、低級別膠質(zhì)瘤在手術(shù)切除范圍及預(yù)后管理上存在顯著差異，因此，準(zhǔn)確診斷對臨床制訂個性化方案至關(guān)重要。本研究應(yīng)用機器學(xué)習(xí)方法開發(fā)了一種基于術(shù)前MRI的無創(chuàng)診斷非增強高級別成人彌漫性膠質(zhì)瘤的影像組學(xué)模型，發(fā)現(xiàn)各模型均具有較好的診斷效能。

研究表明，對比增強圖像中的強化常被視為腫瘤侵襲性的影像學(xué)特征，與預(yù)后較差相關(guān)[8]。對比增強在惡性腫瘤中常被解釋為微血管增生和血-腦脊液屏障通透性增加，使得對比劑更易滲入腫瘤組織。既往研究顯示，對比增強是預(yù)測異檸檬酸脫氫酶（isocitratedehydrogenase，IDH）野生型膠質(zhì)瘤的可靠影像學(xué)特征，但非增強并不是IDH突變型膠質(zhì)瘤的有效預(yù)測指標(biāo)[9-10]。另一項研究顯示，所有非增強膠質(zhì)瘤均為IDH突變型，其用于判斷IDH1突變狀態(tài)的準(zhǔn)確率高達 97.5%^[11] 。這一差異可能與不同版本的WHO中樞神經(jīng)系統(tǒng)分類對膠質(zhì)瘤分級標(biāo)準(zhǔn)的不同有關(guān)。自2016年WH0分類更新后，分子基因首次被納人膠質(zhì)瘤分級標(biāo)準(zhǔn)，膠質(zhì)瘤的高級別判定不再僅依賴于組織學(xué)改變2，這擴大了高級別膠質(zhì)瘤的定義范圍。

人工智能作為計算機科學(xué)的一個新興分支，借助復(fù)雜的算法和訓(xùn)練模型，可從大量影像數(shù)據(jù)中集中挖掘隱藏信息，實現(xiàn)精準(zhǔn)診斷及對生存與治療反應(yīng)的預(yù)測。目前，多項研究表明影像組學(xué)在術(shù)前預(yù)測膠質(zhì)瘤分級方面具有重要潛力[12]。van der Voort等[13]開發(fā)了一種自動分割腫瘤區(qū)域并預(yù)測膠質(zhì)瘤分級的模型，其在獨立測試集中的AUC達0.81，并在IDH和 IpI9q 缺失狀態(tài)的預(yù)測上表現(xiàn)出良好的性能。Cheng等[14]基于多參數(shù)MRI及影像組學(xué)建立了術(shù)前預(yù)測膠質(zhì)瘤分級的模型，該模型在使用腫瘤內(nèi)特征、瘤周特征和融合特征時均表現(xiàn)出優(yōu)異效能，AUC達0.975。然而，目前尚缺乏針對非增強膠質(zhì)瘤術(shù)前分級的研究報道。

影像組學(xué)特征通過定量分析腫瘤強度、紋理等圖像參數(shù)，可表征組織異質(zhì)性和微環(huán)境特征[15-16]本研究中多序列組篩選的7個關(guān)鍵特征中，3個一階特征反映了腫瘤組織內(nèi)像素強度的分布特征，可能與腫瘤的異質(zhì)性相關(guān)；4個紋理特征則通過量化影像中灰度值的空間分布和紋理信息，反映腫瘤組織的異質(zhì)性和微觀結(jié)構(gòu)[16-17]。其中ADC的 90% 百分位數(shù)及 T₁WI 增強掃描的偏度特征反映了高級別膠質(zhì)瘤的典型病理改變—高細胞密度及微血管增生[18-20]，這從生物學(xué)機制層面解釋了模型的分級鑒別能力。KNN是一種基于實例的監(jiān)督學(xué)習(xí)算法，用于分類和回歸任務(wù)，具有算法簡單、高效、適合小數(shù)據(jù)集等優(yōu)點。既往研究表明，KNN在腫瘤類型鑒別、基因分子改變預(yù)測、腫瘤級別與復(fù)發(fā)判斷，以及預(yù)后評估方面的表現(xiàn)優(yōu)于其他模型[21-24]

本研究具有以下局限性：僅分析臨床常用的T₂WI，T₁WI 增強掃描和ADC序列，今后可考慮采用更先進的MRI技術(shù)，如DTI和MRS；使用6種機器學(xué)習(xí)方法（SVMrbf、SVMlinear、LR、KNN、DT和NB）構(gòu)建最佳模型，未來可探索更多機器學(xué)習(xí)方法，如深度學(xué)習(xí)和集成學(xué)習(xí)方法，進一步優(yōu)化MRI影像組學(xué)模型；樣本來源于單中心，后續(xù)擬開展多中心研究，并擴大樣本量，進一步提高預(yù)測模型的穩(wěn)健性和普適性。

綜上所述，基于術(shù)前常規(guī)MRI圖像的影像組學(xué)結(jié)合KNN模型能非侵入性地鑒別診斷非增強高級別成人彌漫性膠質(zhì)瘤，為患者的個性化診療和預(yù)后管理提供重要依據(jù)。

[參考文獻]

[1]OSTROMQ T，PRICE M，NEFFC，etal.CBtrus statisti

cal report： primary brain and other central nervous system tumors diagnosed in the united states in 2016- 2020[J].Neuro-Oncology，2023，25（Supplement_4）：iv1- iv99.

[2］楊學(xué)軍，江濤，陳忠平．世界衛(wèi)生組織中樞神經(jīng)系統(tǒng)腫瘤 分類的演變：1979—2021年[J]．中國現(xiàn)代神經(jīng)疾病雜 志，2021，21（9）：710-724.

[3]PARK YW，VOLLMUTH P，F(xiàn)OLTYN-DUMITRU M， et al.The 2O21 WHO classification for gliomas and implications on imaging diagnosis：part 1-key pointsof the fifth edition and summary of imaging findings on adult-type diffuse gliomas[J]. JMRI，2023，58（3）： 677- 689.

[4]NOORBAKHSH A，TANG J A，MARCUS L P，et al. Gross-total resection outcomes in an elderly population with glioblastoma：a SEER-based analysis[J].J Neurosurg，2014，120（1）：31-39.

[5]EICHBERG D G，DI L，MORELL A A，et al. Incidence ofhigh gradegliomas presenting as radiographically non-enhancing lesions：experience in 111surgically treated non-enhancing gliomas with tissue diagnosis[J]. J Neurooncol，2020，147（3）：671-679.

[6]PARK Y W，HAN K，AHN S S，et al.Prediction of IDH1-mutation and 1p/19q-codeletion status using preoperative MR imaging phenotypes in lower grade gliomas[J].AJNR Am J Neuroradiol，2018，39（1）：37-42.

[7] SAWAYA R，YAMAGUCHI S，ISHI Y，et al. Increased CD44 expresion in primary meningioma：its clinical significance and association with peritumoral brain edema [J].J Neurosurg，2024，141（1）：100-107.

[8]PIERALLINI A，BONAMINI M，BOZZAO A，et al. Supratentorial diffuse astrocytic tumours：proposal of an MRI classification[J]. Eur Radiol，1997，7（3）：395-399.

[9]MERENZON M A，GOMEZ ESCALANTE J I，PROST D，et al. Preoperative imaging features：are they useful tools for predicting IDH1 mutation status in gliomas grades II-IV？[J]. Surg Neurol Int，2022，13：332.

[10]LASOCKI A，TSUI A，GAILLARD F，et al.Reliability ofnoncontrast-enhancing tumor asabiomarkerof IDH1 mutation status in glioblastoma[J].J Clin Neurosci，2017，39：170-175.

[11] CARRILLO J A，LAI A，NGHIEMPHU P L，et al. Relationship between tumor enhancement，edema，IDH1 mutational status，MGMT promoter methylation，and survival in glioblastoma[J].AJNR Am J Neuroradiol， 2012，33（7）：1349-1355.

[12]FAN H，LUO Y，GU F，et al. Artificial intelligencebased MRI radiomics and radiogenomics in glioma[J]. Cancer Imaging，2024，24（1）：36.

[13] VAN DER VOORT S R INCFKARA F WIINENCA M M J，et al. Combined molecular subtyping，grading， and segmentation of glioma using multi-task deep learning[J]. Neuro Oncol，2023，25（2） ：279-289.

[14]CHENG J，LIUJ，YUE H，et al.Prediction of glioma grade using intratumoral and peritumoral radiomic features from multiparametric MRI images[J].IEEE/ACM Trans Comput Biol Bioinform，2022，19（2）：1084-1095.

[15] AERTS H J W L，VELAZQUEZ E R，LEIJENAAR R T H，et al.Decoding tumour phenotype by noninvasive imaging using a quantitative radiomicsapproach[J]. Nat Commun，2014，5（1）.

[16] GILLIES R J，KINAHAN P E，HRICAK H. Radiomics ： imagesare more than pictures，they are data[J].Radiology，2016，278（2）：563-577.

[17]SONI N，PRIYA S，BATHLA G. Texture analysis in cerebral gliomas： a review of the literature[J].AJNR Am J Neuroradiol，2019，40（6）：928-934.

[18]POUSSAINT T Y，VAJAPEYAM S，RICCI K I，et al. Apparent diffusion coefficient histogram metrics correlate with survival in diffuse intrinsic pontine glioma：a report from the pediatric brain tumor consortium[J]. Neuro Oncol，2016，18（5）：725-734.

[19]MEYER H J，HOHN A K，HAMERLA G，et al.Histogram parameters derived from T2 weighted images are associated with histopathological findings in rectal cancer—a preliminary study[J].Am J Transl Res，2018， 10（11） ：3790.

[20] CHANG P D，MALONE H R，BOWDEN S G，et al. A multiparametric model for mapping cellularity in glioblastoma using radiographically localized biopsies [J]. AJNR Am JNeuroradiol，2017，38（5）：890-898.

[21]YANG Z，CHEN M，KAZEMIMOGHADAM M，et al. Ensemble learning for glioma patients overall survival prediction using pre-operative MRIs[J]. PhysMed Biol，2022，67（24）：245002.

[22]REN J，ZHAI X，YIN H，et al. Multimodality MRI radiomics based on machine learning for identifying true tumor recurrence and treatment-related effects in patients with postoperative glioma[J].Neurol Ther，2023， 12（5）：1729-1743.

[23]ZHAN T，F(xiàn)ENG P，HONG X，et al. An automatic glioma grading method based on multi-feature extractionand fusion[J].Technol Health Care，2017，25 （S1）：377-385.

[24] PATTANAIK B，ANITHA K，RATHORE S，et al. Brain tumor magnetic resonance images classification based machine learning paradigms［J]. Contemp Oncol （Pozn）， 2022，26（4）：268-274.

（收稿日期 2024-11-26）