基于MRI-T1增強影像組學特征分析預測腦膜瘤p53基因表型

歐陽治強， 李倩， 孫學進， 魯毅

腦膜瘤(meningioma)起源于腦膜上皮細胞，約占所有顱內腫瘤的37%[1]。2016年WHO中樞神經系統腫瘤分類將其分為Ⅲ級15個亞型，不同級別、不同亞型的腦膜瘤有著不同侵襲性、復發率和臨床預后[2]。目前，WHO分級系統已成為影響腦膜瘤臨床治療方案制定以及預后評估關鍵因素，但僅依賴該分級系統還不足以讓臨床醫生完全掌握腦膜瘤復雜生物學行為，這是因為腦膜瘤存在豐富變異性，組織學上不同亞型良性腦膜瘤即使在完全切除后也可能變異成為非典型或間變型等高級別亞型，進而表現出高復發風險和較差的臨床預后[3-4]，而想要了解這些復雜生物學行為就必須對腦膜瘤基因分子學特征進行研究。p53基因作為人類最重要的抑癌基因，其突變所涉及腫瘤類型極為廣泛，研究表明人類50%以上的腫瘤組織中存在p53基因突變[5]，包括肝癌、乳腺癌、胃癌和前列腺癌等，而腦膜瘤作為顱內最常見的腫瘤之一，其腫瘤大小、惡性程度、復發率及預后均與p53基因有著密切的聯系。然而，現階段臨床主要通過組織標本的免疫組化分析或基因測序來明確腦膜瘤p53基因表型，其中取樣誤差[6-7]、時效欠佳以及費用高昂等不利因素都限制了p53基因在腦膜瘤患者治療方案制定以及預后評價中的作用。相比之下，影像組學(radiomics)能夠及時、全面、無創地對腫瘤整體特征進行評價[8]且之前的研究證實通過影像組學預測腫瘤p53基因表達具有一定可行性[9-10]；本研究運用影像組學特征分析方法探索性地構建腦膜瘤p53基因預測模型，期望能為臨床醫生前瞻腦膜瘤生物學行為提供一定分子學依據。

材料與方法

1.研究對象

回顧性搜集本院2016年6月-2020年6月經術后病理及免疫組化證實腦膜瘤患者105例，按照納入與排除標準進行篩選。納入標準：①所有入組患者均接受手術治療并經術后病理及免疫組化證實顱內占位為腦膜瘤；②所有患者接受手術治療前均在同一磁共振掃描儀上行頭部MR平掃及增強檢查且掃描參數保持一致；③所有患者均行p53基因免疫組化分析，并具有明確分析結果(組織切片中p53蛋白表達即p53(+)是p53基因突變的指標[11-12])。排除標準：①未在同一磁共振掃描儀上接受MR檢查患者；②MR增強圖像質量不佳者；③未行p53基因免疫組化分析者。最終入組80例，p53(-)和p53(+)各40例。

2.設備儀器與方法

MR檢查：所有入組患者術前均于Philips Achieva 1.5T超導型磁共振掃描儀聯合8通道相控陣線圈的條件下行頭部MR平掃及增強檢查。具體掃描序列及參數：平掃行軸面T1WI、T2WI、T2-FLAIR掃描，采用快速自旋回波序列(TSE)；T1WI(TR 550 ms,TE 15 ms)，T2WI(TR 4000 ms,TE 100 ms)，T2-FLAIR(TR 7000 ms,TE 120 ms,TI 2200 ms)，層厚6 mm，層間距1 mm，FOV 240 mm×240 mm，NEX 1；增強掃描使用高壓注射器經肘靜脈注入釓噴酸葡胺(Gd-DTPA)對比劑，劑量0.2 mmol/kg，速率2.0 mL/s，注射完成后加推15～2 0mL生理鹽水，行軸、冠、矢狀面3方位T1WI及軸面T2-FLAIR掃描。

p53基因免疫組化分析：手術切除標本采用10%甲醛溶液固定，經組織脫水后使用石蠟切片封埋處理行p53基因免疫組化染色，于100倍顯微鏡下觀察，據結果分為p53(-)和p53(+)，p53(+)即p53基因突變型，指細胞核內出現深染棕黃色顆粒。

3.圖像處理

勾畫感興趣區(region of interest,ROI):將T1增強軸面圖像以醫學數字成像和通信格式(digital imaging and communications in medicine,DICOM)格式導入基于MATLAB R2014a平臺開發IBEX(Beta 1.0,http://bit.ly/IBEX_MDAnderson)圖像處理軟件，由1名影像科碩士研究生(醫師1)參照T2WI及T2-FLAIR平掃圖像逐層勾勒出所有腦膜瘤病灶(單發和多發)邊界，記為ROI1(圖1a、b)，同時由一名具有8年以上中樞神經系統影像診斷經驗高年資醫師復核，后由另1名影像科碩士研究生(醫師2)按照相同方法勾畫ROI2(圖1c、d)，再由同一名高年資醫師復核。最新的研究結果顯示腦膜瘤內部壞死、囊變、鈣化、出血以及被腫瘤侵犯的腦膜、顱骨和腦膜尾征作為常規影像上腫瘤異質性映射，與腦膜瘤惡性程度、侵襲性有著密切聯系[13-14]，故本研究所勾畫ROI包括以上內容。

圖1 a、b) 醫師1參照兩個腦膜瘤患者MR檢查中T2WI和T2-FLAIR圖像，在局部放大的T1增強軸面圖像上勾勒出腦膜瘤邊界(綠線)，記為ROI 1； c、d) 醫師2采取同樣方法在相同兩個腦膜瘤患者局部放大的T1增強軸面圖像上勾勒出腦膜瘤邊界(紅線)，記為ROI 2。 圖2 a) 使用LASSO對542個影像組學特征進行篩選系數收斂圖，縱坐標是LASSO系數，下橫坐標是log(λ)值，上橫坐標是非零系數個數，從左到右log(λ)逐漸增大，變量系數逐漸減小為0； b) 使用10倍交叉驗證法篩選效能最佳組學特征圖，下橫坐標是log(λ)值，上橫坐標是與log(λ)值相對應LASSO降維后特征個數，左側虛線表示最低平均分類錯誤率所對應的log(λ)值以及相應特征個數(最小方差)，右側虛線則表示最低平均分類錯誤率1倍標準差時所對應的log(λ)值以及相應的特征個數(最簡化模型)；本研究選取最簡化模型所提供的5個組學特征組成特征集。

影像組學特征提取:選擇IBEX軟件中拉普拉斯濾波(laplacian filter)和體素水平重采樣(resample voxel size)對兩次勾畫ROI行圖像預處理，隨后提取包括一階統計量特征、形態學特征及紋理特征在內的3大類特征。

影像組學特征篩選及預測模型構建:基于R軟件4.0.2版本(http://www.r-project.org)。首先，應用均值填充法對所得特征數據中缺項進行填充，再利用組間相關系數(interclass correlation coefficient,ICC)對兩次勾畫ROI數據進行觀察者間一致性進行評價，設定ICC≥0.75為一致性良好、重復性高，排除ICC<0.75影像組學特征；采用Z-score進行標準化處理并使用單因素方差分析篩選出差異有統計學意義特征，然后以1為隨機種子(random seed)按7:3的比例進行無放回的隨機選擇，將影像組學特征數據分為訓練組和驗證組；隨后，使用最小收縮和選擇算子(least absolute shrinkage and selection operator，LASSO)回歸與10倍交叉驗證對特征數據進行降維處理，提取具有非零系數影像組學特征組成特征集；再將此特征集納入邏輯回歸(logistic regression,LR)、決策樹(decision tree,DT)、支持向量機(support vector machine,SVM)以及自適應增強(adaptive boosting,AdaBoost)4種分類學習器分別構建腦膜瘤p53基因表型預測模型。最后，分析患者MRI影像資料，篩選出在腦膜瘤p53(-)和(+)組之間差異具有統計學意義影像特征并將其納入上述4種分類學習器中預測效能最佳的一個，構建影像特征模型、聯合模型(影像特征和影像組學特征)。

4.比較4種分類學習器以及影像特征模型和聯合模型預測效能并建立Nomogram模型

繪制受試者工作特征曲線(receiver operating characteristic curve,ROC)評價4種分類學習器以及影像特征模型、聯合模型預測效能，評價指標包括靈敏度(sensitivity)、特異度(specificity)、準確率(accuracy)和曲線下面積(area under curve,AUC)。整合影像特征與影像組學特征，構建Nomogram模型，采用校準曲線(calibration curve)與決策曲線(decision curve)對Nomogram模型進行評價。

5.統計學分析

結 果

1.患者一般資料與MRI影像資料分析

本研究共納入80例腦膜瘤患者，p53(-)和p53(+)各40例，所有病例按7：3比例隨機分配到訓練組和驗證組，訓練組56例(陰性和陽性各28例)，驗證組24例(陰性和陽性各12例)。訓練組和驗證組中p53(-)和p53(+)患者的性別、年齡差異均無統計學意義(P≥0.05)。據患者MRI影像資料分析可知訓練組和驗證組中腫瘤強化均勻度與是否存在擴散受限這兩個影像特征在p53(-)和p53(+)腦膜瘤中差異有統計學意義(P<0.05)即行MRI檢查時腦膜瘤p53(+)者較p53(-)者更易出現強化不均勻和擴散受限表現(表1)。

2.影像組學特征分析

提取到初始影像組學特征838個，經組間一致性檢驗排除ICC<0.75組學特征28個，經Z-score標準化處理以及單因素方差分析后得到542個差異有統計學意義(P<0.05)組學特征； LASSO回歸和10倍交叉驗證降維得到5個具有非零系數影像組學特征(圖2、表2)。

表2 影像組學特征集

3.四種分類學習器預測效能分析

將包含上述5個影像組學特征的訓練集分別納入LR、DT、SVM和AdaBoost分類學習器，構建腦膜瘤p53基因表型預測模型，利用驗證集對所得的4種預測模型進行檢驗，各模型所對應的訓練集與驗證集ROC曲線見圖3，預測效能如表3。分析可知，SVM模型的預測效能最佳，其訓練集與驗證集AUC均最高，分別為0.894和0.729。

圖3 4種分類學習器構建的影像組學預測模型訓練集(藍線)與驗證集(紅線)ROC曲線及曲線下面積(AUC)。a) LR； b) DT; c) SVM; d) AdaBoost。 圖4 基于SVM分類學習器構建的影像組學預測模型(藍線)、影像特征模型(紅線)和聯合模型(綠線)的ROC曲線及的曲線下面積(AUC)。

表3 4種分類學習器的預測效能

4.影像組學模型和影像特征模型以及聯合模型預測效能分析

將腫瘤強化均勻度與是否存在擴散受限這2個影像特征納入SVM分類學習器，最終得到影像組學模型、影像特征模型和聯合模型和3種模型的ROC曲線及預測效能(圖4、表4)。聯合模型的預測效能最佳，AUC為0.954，靈敏度、特異度和準確率分別為96.4%、82.1%、89.3%。

表4 影像組學模型、影像特征模型及聯合診斷模型的預測效能

5.Nomogram模型分析及校準

據MRI影像特征分析結果以及驗證集Radiomics值，構建Nomogram模型(圖5)。結果顯示強化均勻度(不均勻積14point、欠均勻積8point、均勻積0point)，擴散是否受限(受限積100point、不受限積0point)，Radiomics值(-8～6分別積0～38point)，以上各項積分相加得到總分，總分越高對應腦膜瘤患者p53基因突變幾率越高。Nomogram模型經Boostrap法行1000次內部抽樣驗證后得出模型預測值與臨床實際觀察值重合度較好，但偏離45°基線較多(圖6)，說明該模型校準度欠佳；而決策曲線(圖7)顯示Nomogram模型在預測腦膜瘤p53基因表型方面較單純影像組學模型存在明顯優勢。

圖5 預測腦膜瘤p53基因表型的Nomogram圖。存在患者，DWI及ADC序列相上表現為腫瘤擴散受限(100point)，MR增強掃描呈不均勻強化(14point)，Radiomics值1.6(約27point)，總分141point，依據Nomogram可推測該腦膜瘤患者p53基因突變率>90%，而其術后免疫組化分析結果為p53(+)。 圖6 Nomogram預測模型校準曲線。 圖7 影像組學模型、Nomogram模型預測腦膜瘤p53基因表型的決策曲線。

討 論

p53基因作為人類發現最早且研究最多的抑癌基因之一，早在1979年就由Lane等在SV40感染的小鼠細胞中發現。野生型p53基因產物具有轉錄因子的功能，參與細胞周期中DNA修復調節并誘導細胞凋亡，能夠殺滅腫瘤細胞的同時還能抑制腫瘤血管生成，從而有效防止腫瘤的復發和轉移，而當p53基因發生突變時，其不但失去抑制腫瘤細胞生長的能力，反而會促使腫瘤發生和發展[15]。有研究表明，p53基因過度表達與腦膜瘤惡性程度具有顯著相關性[16,4]；其在誘導腦膜瘤復發及惡性轉化中存在著潛在作用[17]；Kotipatruni等[18]發現p53基因上調可導致NDRG4原癌基因在侵襲性腦膜瘤中過度表達，他們認為p53基因可間接導致腦膜瘤惡性轉化。由此觀之，p53基因與腦膜瘤惡性程度、復發率及預后均有著密切的聯系，對腦膜瘤患者p53基因表型進行術前預測，將有助于外科醫生前瞻性評估腦膜瘤的侵襲性、惡性程度以及復發可能，為臨床治療方案制定提供重要參考依據。

本研究結果顯示基于腦膜瘤患者術前T1增強圖像進行的影像組學特征分析，最終獲得了5個具有非零系數的影像組學特征；先前有研究[9]通過對宮頸鱗癌術前T2WI圖像進行影像組學特征分析，發現最大強度、強度值范圍、反差分矩和短行程優勢4個影像組學特征在預測宮頸鱗癌p53基因表達方面具有一定的價值，AUC分別為0.66、0.67、0.71和0.71，但此研究所納入病例數較少，未使用分類學習器對所得影像組學特征進行整合的同時也也未設置驗證組對所得結果進行驗證，而本研究不僅利用LR、DT、SVM和AdaBoost 4種分類學習器來構建腦膜瘤p53基因表型預測模型，還設置驗證組對所有模型進行了檢驗，分析后發現SVM模型具有較好的預測效能，訓練集與驗證集AUC分別為0.894和0.729。此外，本研究還對所有患者的MRI影像資料進行分析，發現腫瘤強化均勻度與擴散是否受限這兩個影像特征在腦膜瘤p53基因(-)與(+)組間的差異有統計學意義(P<0.05)，將這兩個影像特征參數納入SVM分類學習器得到影像特征模型預測效能欠佳，但將影像特征與影像組學特征整合后得到聯合模型，其預測效能有了顯著提升，AUC和準確度分別升至0.954和89.3%；王睿[19]基于XGboost回歸建立CT影像模型、動脈期組學模型、靜脈期組學模型在評估胃神經內分泌癌不同病理級別時準確率分別為81.8%、86.0%和87.8%，隨后，其進一步對CT影像模型和動、靜脈期組學模型中的重要因子進行整合并再次納入XGBoost回歸后得到的聯合診斷模型，診斷準確率升高至91.0%，表明聯合診斷模型具有最佳的診斷效能，本研究所得結果與之一致。我們對影像特征與影像組學特征進行量化后構建了能夠用于預測腦膜瘤p53基因突變風險的Nomogram模型，結果顯示腦膜瘤患者出現強化不均勻、擴散受限表現以及Radiomics系數增高時，其p53基因為突變型的概率越高；相較于廖詩琪等[20]結合一般臨床因素與CT影像征象建立的用于預測乙型肝炎病毒相關性肝細胞肝癌微血管浸潤情況的Nomogram模型，本研究構建的Nomogram模型已然具備一定的臨床應用與推廣價值。

本研究存在的不足之處，首先，此項研究為回顧性研究，在對象的選擇上難免存在選擇性偏倚進而對最終結果產生不利影響；其次，相較于其他影像基因組學研究，本研究總樣本量偏小且只選取了T1增強序列進行影像組學特征提取，這可能導致最終獲得的預測模型可靠性欠佳；最后，本研究是通過免疫組化分析來識別腦膜瘤患者p53基因表型而不是使用基因測序這一“金標準”，所以在p53基因表型區分方面可能存在一定實驗誤差。

綜上所述，本研究基于MRI-T1增強影像組學特征分析建立的SVM分類學習模型在預測腦膜瘤p53基因表型時已初具有較良好的效能表現。而整合影像特征與影像組學特征所構建的聯合模型，預測效能有了進一步的提升，最終建立的Nomogram模型則對各個因子權重進行了量化，是預測腦膜瘤患者p53基因直觀且有用的參考工具。