影像組學聯合表觀彌散系數評估低級別腦膠質瘤IDH-1基因突變狀態

李 軍 程海平 毛椿平 劉余民

荊門市第一人民醫院，湖北 荊門 448000

根據最新2016年世界衛生組織（World Health Organization，WHO）中樞神經系統（central nervous system，CNS）腫瘤分類顯示低級別腦膠質瘤（lower grade gliomas，LGGs）異檸檬酸脫氫酶-1（isocitrate dehydrogenase-1，IDH-1）突變狀態的差異會導致患者的預后迥異［1-2］。國內外研究顯示，根據IDH-1的突變狀態對LGGs進行分子分型有助于協助臨床制定個體化的治療方案［3-4］。腫瘤異質性分為腫瘤時空異質性、腫瘤組成成分異質性、腫瘤微環境異質性，因此，針對LGGs患者進行IDH-1檢測時，易由于腫瘤異質性導致準確性降低，且IDH-1突變的檢測需通過取樣活檢的方式，對患者而言具有侵襲性［5-6］。通過磁共振彌散加權成像（diffusion-weighted imaging，DWI）計算水分子表觀擴散系數（apparent diffusion coefficient，ADC），可用于評估組織內水分子的擴散運動。研究表明，ADC可用于作為無侵襲性方法評估腦膠質瘤的級別以及患者的預后［7-8］。影像組學（radiomics）可基于感興趣區域影像提取紋理特征構建模型評估腫瘤信息，目前影像組學廣泛用于評估腫瘤異質性［9-12］。因此，本研究嘗試基于DWI提取影像組學特征聯合ADC構建聯合影像模型評估LGGs患者IDH-1的突變狀態。

1 資料與方法

1.1一般資料本研究通過單位依托倫理委員會審查及批準，入組患者均簽署知情同意書。回顧性納入荊門市第一人民醫院2015-05—2020-12經手術切除病理證實為Ⅱ～Ⅲ級的LGGs患者。排除標準：（1）患者IDH-1分子信息檢測結果不明；（2）患者接受多模態磁共振掃描（multi-parametric MRI，mpMRI）后其MRI圖像質量未滿足診斷標準，或序列掃描不完整；（3）由于不可知因素導致ADC值無法測量。

1.2IDH-1突變檢測IDH-1目前檢測方法分為高通量測序方法和免疫組化染色法［3］。取術中切除腫瘤樣本，切成大小≤1 cm3組織塊常規石蠟包埋，切5 m切片。90℃烤片1 h，程序脫蠟后，pH 6.0的檸檬酸鹽90℃抗原修復3 min，滴加10μL 3%過氧化氫3 min，加IDH-1鼠抗人單克隆抗體孵育1 h，5%PSB溶液洗片3次，加二抗孵育1 h，5%PSB溶液洗片3次，DAB顯色，蘇木精復染，中性樹脂封片。由兩位病理科醫師進行獨立閱片，隨機取視野下5個視野點，進行閱片。IDH-1表達于細胞漿，因此細胞胞質內有棕黃色或棕褐色顆粒判為陽性細胞，結果按陽性細胞百分比評分，0～5%則屬于IDH-1野生型，6%～100%則屬于IDH-1突變型，每個患者的切片閱片均由兩位病理醫師獨立閱片，最終取平均分。

1.3MRI掃描所有MRI掃描均采用3.0T MRI（Discovery 750，GE，USA），采用16通道頭部線圈，患者仰臥位，頭側先進。所有患者接受T2WI、T2/FLAIR、DWI、增強T1WI掃描。DWI掃描參數：TR/TE=3 000 ms/60 ms，b1=0 s/mm2，b2=1 000 s/mm2，FOV=250 mm，層厚/層間距=5 mm/2 mm，重建矩陣=256×256，掃描時長48 s；增強T1WI掃描參數：TR/TE=10.2 ms/4.8 ms，翻轉角（Flip angle）=10°，FOV=250 mm，層厚/層間距=5 mm/2 mm，重建矩陣=512×512，靜脈團注釓造影劑Gd-DOTA（恒瑞醫藥，中國），采用0.1 mmol/kg濃度，2 mL/s流速；T2WI掃描參數：TR/TE=3 000 ms/80 ms，成像時長4 min 30 s，FOV=200 mm，層厚/層間距=5 mm/2 mm，重建矩陣=512×512；T2/FLAIR掃描參數：TR/TE=9 000 ms/100 ms，成像時長2 min 10 s，FOV=200 mm，層厚/層間距=5 mm/2 mm，重建矩陣=512×512。

1.4影像組學分析由本科室兩位5～10年診斷經驗醫師遵循單盲原則進行腫瘤病灶分割，首先分別基于b=0 s/mm2、1 000 s/mm2DWI圖像在工作站上轉換為ADC mapping，并在工作站中計算病灶的平均ADC值。分割時基于T2WI、FLAIR、增強T1WI作為結構對比，將ADC mapping導入ITK-SNAP（version 3.8.0）上勾畫腫瘤每一層病灶，最后合成3D病灶。勾畫時需注意盡量避免血管以及壞死區域。基于python導 入 pyradiomics包（https：//pyradiomics.readthedocs.io/en/latest/）提取影像組學特征，共395個特征，其中包括First order features、shape features、GLCM features、GLRLM features、GLSZM features、RLM features。繼而按照隨機分層的原則將患者按照7∶3比例分為訓練組和測試組，基于訓練組患者進行影像組學特征去冗除雜，首先采用最小冗余、最大相關（max-relevance and min-redundancy，mRMR）進行特征降維，繼而以IDH-1是否突變采用套索回歸（least absolute shrinkage and selection operator，LASSO）構建影像組學標簽，并聯合患者ADC構建多元邏輯回歸模型評估患者IDH-1是否突變，最后采用ROC、Hosmer-Lemeshow以及ADC評估模型效能。

1.5統計學分析采用R4.0.3和R studio進行統計分析，采 用“tidyverse”“caret”“pROC”“rms”“Publish”“glmnet”“ModelGood”“ggpubr”“rmda”“DescTools”“mRMR”“e1071”程輯包。以P<0.0為差異有統計學意義。

2 結果

2.1臨床資料回顧性篩選280例，其中112例由于mpMRI掃描序列不全排除，48例無IDH-1突變檢查結果；最終納入120例患者，按照7∶3的比例分層隨機的原則分為訓練組和測試組，其中訓練組患者85例，測試組患者35例；訓練組患者年齡（51.3±7.2）歲，女39例，男46例；測試組患者年齡（51.7±7.6）歲，女18例，男17例；其中訓練組IDH-1野生型30例，突變型55例，測試組IDH-1野生型12例，突變型23例；訓練組中ADC為（0.916±0.246）×10-3mm2/s，測試組中ADC為（0.954±0.197）×10-3mm2/s。訓練組與測試組患者的年齡、性別、WHO分級類型、腫瘤病理類型、IDH-1類型、ADC差異均無統計學意義（P>0.05，表1）。

表1 訓練組和測試組患者的臨床特征Table 1 Clinical data of patients in two groups

2.2IDH-1突變影像組學標簽構建基于訓練組中所有患者的影像組學特征，以IDH-1是否突變為分類標簽，采用LASSO進行影像組學特征降維后，取最小懲罰系數Logλ=0.005 2對應的特征集合（圖1A），共15個影像組學特征構建影像組學標簽Rad_score，15個影像組學特征在構建Rad_score時權重系數不同（圖1B）Rad_score的計算公式如下：

圖1 影像組學特征降維LASSO圖以及構建影像組學標簽影像組學特征權重系數圖A：LASSO回歸中采用十折交叉驗證方法，A上圖通過調節懲罰系數從而降低影像組學標簽的二項式偏差，最小二項式偏差對應最小懲罰系數對應的特征集合則具有最佳分類效能；A下圖為LASSO篩選特征的特征系數收斂圖，圖中的每條曲線代表了不同懲罰系數對應的自變量系數的變化軌跡，虛線為上圖中最小懲罰系數，此時特征個數為15個；B：當取最小懲罰系數時，對應的特征集合以及每個特征的權重系數值Figure 1 Dimension reduction LASSO diagram of radiomics features and weight coefficient diagram of radiomics constructed for radiomics signature.A：10-fold cross validation method was used in LASSO regression.In figure A，the binomial deviation of radiomics signature was reduced by adjusting the penalty coefficient，and the feature set corresponding to the minimum binomial deviation corresponding to the minimum penalty coefficient had the best classification efficiency.In figure A，the following figure is the feature coefficient convergence graph of LASSO screening features.Each curve in the figure represents the change track of the independent variable coefficient corresponding to different penalty coefficients.The dotted line in the figure is the minimum in the figure above，and the number of features is 15.B：when the minimum is taken，the corresponding feature set and the weight coefficient value of each feature

2.3影像組學標簽鑒別IDH-1突變效能根據Rad_score公式計算訓練組和測試組中每個患者的Rad_score，訓練組中IDH-1野生型患者Rad_score低于IDH-1突變型患者，且差異有統計學意義（P=0.000 002 5，圖2A）；測試組中IDH-1野生型患者Rad_score低于IDH-1突變型患者Rad_score，且差異有統計學意義（P=0.001 8，圖2B）。采用ROC評估Rad_score鑒別訓練組和測試組中IDH-1突變和野生型患者，訓練組AUC為0.83（95%CI：0.74～0.92，圖2C），測試組AUC為0.83（95%CI：0.66～1.00，圖2D）。

圖2 影像組學標簽Rad_score在IDH-1野生型和突變型的差異以及Rad_score鑒別IDH-1野生型和突變型的ROC分析A：訓練組IDH-1野生型和突變型患者Rad_score箱圖，基于Rad_score計算公式計算訓練組中IDH-1野生型和突變型患者的Rad_score，采用Mann-Whitney檢測，P<0.05；B：測試組IDH-1野生型和突變型患者Rad_score箱圖；C：訓練組中Rad_score鑒別IDH-1野生型和突變型效能ROC分析；D：測試組中Rad_score鑒別IDH-1野生型和突變型效能ROC分析Figure 2 The difference between IDH-1 wild-type and mutant by Rad_score and ROC analysis of Rad_score in identifying IDH-1 wild-type and mutant.A：Rad_score box chart of wild type and mutant IDH-1 patients in the training group.Rad_score of wild type and mutant IDH-1 patients in the training group was calculated based on the calculation formula of Rad_score，and the difference of Rad_score between wild type and mutant IDH-1 patients was detected by Mann-Whitney，P<0.05，which means statistically significant.B：Rad_score box diagram of wild type and mutant IDH-1 patients in the test group.C：ROC analysis of the efficacy of Rad_score in identifying wild-type and mutant IDH-1 in the training group.D：ROC analysis of the efficacy of Rad_score in identifying wild and mutant IDH-1 in the test group

2.4Rad_score聯合ADC構建聯合模型評估IDH-1突變以訓練組患者ADC和Rad_score構建多元邏輯回歸模型Imagemodel，Imagemodel中截距值為16.091，ADC權重系數值為 16.326 1，Rad_score權重系數值為0.874 7，并采用Nomogram可視化（圖3A）。分別采用ROC評估Imagemodel、ADC以及Rad_score鑒別IDH-1突變，訓練組中Imagemodel的AUC值＞ADC＞Rad_score（0.98 vs 0.95 vs 0.83，圖3B），測 試 組 中Imagemodel的AUC值＞ADC＞Rad_score（0.99 vs 0.97 vs 0.83，圖3C）。

圖3 ADC聯合Rad_score構建多元邏輯回歸模型Imagemodel可視化Nomogram評估IDH-1突變型風險以及Imagemodel、ADC和Rad_score鑒別IDH-1突變型效能 A：Imagemodel可視化Nomogram，使用Nomogram時，首先提取患者影像組學特征，計算患者Rad_score，帶入Nomogram中Rad_score基線上垂直于Points基線得到Rad_score得分，繼而帶入患者ADC值于Nomogram中ADC基線上垂直于Points基線得到ADC得分，將ADC得分與Rad_score得分相加得到該患者的總得分，并找到Total Points上總得分值的相應位置，最后垂直于Risk線即得到該患者為IDH-1突變型的風險值；B：Imagemodel、ADC以及Rad_score在訓練組中鑒別IDH-1突變型和野生型的ROC分析；C：Imagemodel、ADC以及Rad_score在測試組中鑒別IDH-1突變型和野生型的ROC分析Figure 3 Multi-Logistic regression model built by ADC and Rad_score，Imagemodel visualized by Nomogram to assess the risk of IDH-1 mutation and the efficacy of Imagemodel，ADC and Rad_score in identifying IDH-1 mutation.A：For this Nomogram，take the patient's Imagemodel visual Nomogram and calculate the patient's Rad_score，then take the patient's ADC score from the Nomogram baseline perpendicular to the points baseline to get the Rad_score，add the ADC score to the Rad_score to get the total score，and find the corresponding position of the total points，and finally perpendicular to the risk line，the risk value of the patient is IDH-1 mutant.B：ROC analysis of Imagemodel，ADC and Rad_score to identify IDH-1 mutant and wild-type in the training group.C：ROC analysis of Imagemodel，ADC and Rad_score to identify mutant and wild-type IDH-1 in the test group

2.5Imagemodel模型診斷效能評估校準曲線表明，Imagemodel在訓練組（圖4A）和測試組（圖4B）中預測IDH-1突變的概率和實際IDH-1突變的概率具有良好的一致性。Hosmer-Lemeshow檢驗表明，訓練組和測試組的Imagemodel預測IDH-1與實際情況的差異無統計學意義（P=0.414 7 vsP=0.896 7）。Imagemodel、ADC以及Rad_score預測模型的ADC曲線顯示，Imagemodel的曲線凈收益高于其他兩種預測模型（圖4C）。

圖4 Imagemodel預測IDH-1突變的校正曲線和Imagemodel、ADC以及Rad_score決策曲線分析 A：訓練組中Imagemodel預測IDH-1突變的校正曲線；B：測試組中Imagemodel預測IDH-1突變的校正曲線；C：Imagemodel、ADC以及Rad_score評估IDH-1突變型的決策曲線，Imagemodel、ADC以及Rad_score進行預測后的臨床收益均優于隨機預測（粉色）和拒絕評估（黑色）Figure 4 Correction curve of Imagemodel predicting IDH-1 mutation and DCA analysis of Imagemodel，ADC and Rad_score.A：Calibration curve of Imagemodel predicting IDH-1 mutation in the training group.B：calibration curve of IDH-1 mutation predicted by ImageModel in the test group.C：DCA analysis of IDH-1 mutant was evaluated by Imagemodel，ADC，and Rad_score.The clinical benefits predicted by Imagemodel，ADC，and Rad_score were all superior to random prediction（pink）and rejection assessment（black）

3 討論

本研究基于DWI生成ADC mapping提取影像組學構建Rad_score進行LGG患者是否IDH-1突變研究，訓練組及測試組中野生型患者Rad_score均低于突變型患者（P<0.05），且Rad_score在訓練組和測試組的LGG患者均展示較高診斷效能，因此基于ADC構建Rad_score可以協助臨床進行IDH-1無侵襲性評估。同時，利用LGG病灶平均ADC值進行直線回歸模型評估，結果顯示，ADC評估LGG患者IDH-1是否突變也具有較高診斷效能，繼而聯合ADC與Rad_score構建多元邏輯回歸模型Imagemodel用以評估LGG患者IDH-1突變，Imagemodel有效提高IDH-1分子分型的診斷，Hosmer-lemeshow以及ADC分析均顯示采用Imagemodel對患者進行分子分型評估時具有較高臨床收益。

前期研究中，ADC值作為無侵襲性水分子標志物在腦膠質瘤的診斷、預后均具有較好的診斷效能。TAKAHASHI等［13］檢測55例膠質瘤患者發現，膠質母細胞瘤和LGG患者之間ADC值差異顯著，利用ADC鑒別膠質母細胞瘤和LGG準確度＞95%；同時ADC可用于腦膠質瘤患者治療后的療效分析，NOWOSIELSKI等［14］研究發現HGG患者接受抗血管生成治療后，可利用治療期間的ADC mapping的直方圖偏斜度評估HGG患者對于該治療方案的療效。因此，ADC可用于嘗試無侵襲性的途徑評估腦膠質瘤疾病。本研究在構建影像組學標簽后，同時利用訓練組患者ADC構建模型評估患者IDH-1突變狀態，ADC在訓練組和測試組中鑒別IDH-1突變的診斷效能較高，可有效分辨IDH-1突變型和野生型。MAYNARD等［15］針對82例IDH-1野生型患者和107例IDH-1突變患者測量ADC，分類準確度達80%以上，與本研究結果類似。本研究顯示ADC構建模型評估IDH-1突變的效能高于Rad_score。國內外研究顯示，聯合ADC與影像組學可有效提高影像定量評估的準確性，KIM等［16］研究發現單個ADC或血流灌注參數構建模型診斷膠質瘤的疾病進展較好，然而再聯合Radiomics后，可提高無侵襲性定量評估膠質瘤疾病進展的預測效能。本研究中雖然ADC的診斷效能高于Rad_score，然而聯合兩者后發現診斷效能高于ADC及Rad_socre，與KIM等［16］研究相符。因此，在目前功能MRI定量診斷、預測疾病的同時，聯合影像組學可提高模型診斷效能。

本研究中聯合ADC與Rad_score構建多元邏輯回歸模型進行疾病評估，該模型最終可采用公式進行表達，然而在實際運用過程中，將患者的數據直接帶入公式存在一定的計算量，因此本研究采用Nomogram進行模型可視化，Nomogram可在平面坐標中基于分類模型中不同參數值的權重系數做線段，直接將患者的指標值帶入對應線段中進行加和，最終獲得患者是否某一種分類的風險值，可提高模型的實用性，因此目前Nomogram常見于分類模型以及生存模型的可視化［17-19］。

IDH-1基因突變對于膠質瘤患者的預后具有重要意義。研究表明LGG患者若出現IDH-1突變，預示患者接受放化療預后較好，可較好延長患者生存期［20-22］。然而IDH-1的檢測方法始終存在侵襲性［23-25］，因此本研究嘗試給予影像無侵襲性的方式評估LGG患者IDH-1突變狀態，聯合模型Imagemodel最終顯示較好的診斷效能。

本研究存在以下局限性：（1）本組病例樣本偏少，后期需要擴大樣本量研究；（2）本組患者均屬于本院患者，Imagemodel的可重復性以及穩定性需要在非本院的多中心醫院進行驗證，后期需要擴大中心進行研究。

本研究基于LGG患者術前DWI影像計算ADC mapping提取患者病灶ADC值，并聯合影像組學構建聯合模型，從而在術前預測患者的IDH-1突變狀態，協助臨床評估患者是否需要術前采取放化療，從而改善患者的預后。