基于多序列MRI影像組學模型預測腦膜瘤病理分級的價值

廖天雙，陳東，李操，何如，劉思耘，陳光祥

腦膜瘤起源于蛛網膜粒帽細胞，是最常見的顱內腦外腫瘤。在成年人中約占中樞神經系統腫瘤的30%，而在兒童和青少年中則很少見(0.4%～4.6%)[1]。根據2016年WHO中樞神經系統腫瘤分類，將腦膜瘤分為Ⅰ-Ⅲ級，以反映其組織學特征以及復發率和臨床預后情況[2]。腦膜瘤的病理級別越高，越容易復發，不同級別腦膜瘤的治療方式也存在差異。

MRI是術前診斷腦膜瘤的重要手段，對腦膜瘤病理分級的判斷有一定價值，但當腦膜瘤缺乏典型影像特征時，對其病理分級的預測非常困難。影像組學利用自動化高通量的特征提取算法，可從影像圖中獲取肉眼無法辨別的腫瘤內部特征，量化評估腫瘤整體的異質性，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的影像組學模型預測腦膜瘤病理分級的價值。

材料與方法

1.一般資料

搜集2015年1月-2019年9月在西南醫科大學附屬醫院行頭顱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，低級別(Ⅰ級)腦膜瘤174例，高級別(Ⅱ級34例+Ⅲ級7例)腦膜瘤41例。按照7∶3的比例，采用隨機分層抽樣方法將215例患者分為訓練組(149例)和驗證組(66例)。

納入標準：病理證實為腦膜瘤且有腦膜瘤病理分級結果；在同一磁共振機上行T2WI、DWI和對比增強T1WI掃描；MRI圖像質量好，無偽影干擾；所有序列的圖像在患者接受手術治療前10天內采集。

2.掃描設備和參數

使用Philips 1.5T磁共振機和標準頭部正交線圈。所有患者術前行T2WI、DWI和對比增強T1WI檢查。掃描序列和參數如下。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對比增強T1WI：對比劑使用Gd-DTPA，經肘靜脈注射，劑量0.1 mmol/kg， 注射流率1.0 mL/s，其它掃描參數同T1WI。

3.圖像分割及特征提取

從PACS系統中導出所有患者的圖像并以DICOM格式導入ITP-SNAP軟件。分別在T2WI、DWI和對比增強T1WI圖像上逐層手動勾畫腫瘤的邊界，提取出整個腫瘤的體積作為感興趣區。在勾畫的過程中，沿腫瘤邊緣內側1～2 mm處劃線，盡可能包括腫瘤內的所有成份，包括囊變、出血等，注意避開病灶周圍的水腫區及血管，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行勾畫(圖1)。采用AK軟件V3.1.0.R提取病灶的六大類共396個影像組學特征，包括直方圖(histogram)、形態學(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)及灰度區域大小矩陣(gray-level size zone matrix，GLSZM)特征。

圖1 腫瘤三維ROI提取過程示意圖。

4.特征的選擇及模型的構建

訓練組數據用于影像組學特征的選擇及模型的建立，驗證組數據用于評估模型的預測效能。在特征選擇前，首先采用中位數填補缺失數據，并對特征數據進行標準化。然后使用Spearman相關分析，計算影像組學特征間的相關系數r，設置閾值為0.9，去除|r|>0.9的高相關特征。最后采用多元logistic回歸算法對特征進行降維并構建影像組學標簽。最后再采用logistic回歸分析對前述步驟獲得的3個單獨序列的影像組學標簽進行綜合分析，構建綜合3個序列的多序列影像組學標簽。

5.模型的效能評估

采用受試者操作特征(ROC)曲線來評價影像組學模型的預測性能，計算曲線下面積(area under the curve，AUC)及相應的診斷符合率、敏感度及特異度。

6.統計學方法

使用SPSS 25.0軟件進行統計學分析。對兩組間患者性別的比較采用χ2檢驗；對患者的年齡進行正態性和方差齊性檢驗后，采用獨立樣本t檢驗進行組間比較。使用R軟件進行Spearman相關分析和多因素logistic回歸分析，對AK軟件提取的各個序列的特征參數分別進行降維，獲得鑒別診斷效能最佳的特征參數，然后進行多因素logistic回歸分析，建立預測模型，最后通過R軟件繪制其ROC曲線。所有統計學結果以P<0.05為差異具有統計學意義。

結 果

1.一般臨床資料

本研究中，低級別腦膜瘤組共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成的差異均無統計學意義(t=-0.529，P=0.559；χ2=1.144，P=0.285)。

訓練組和驗證組中腦膜瘤病理分級情況見表1。

表1 訓練組和驗證組病例數分布

2.影像組學模型的預測效能

分別基于T2WI、DWI和對比增強T1WI單序列圖像上提取的影像組學特征建立的3個腦膜瘤病理分級預測模型中，基于對比增強T1WI的影像組學模型的診斷效能最高。基于3個序列構建的聯合模型，其診斷效能較基于增強T1WI的預測模型略有提高，詳見表2、圖2。

圖2 各預測模型的 ROC 曲線。a)為各預測模型在訓練組的ROC曲線；b)為各預測模型在驗證組的ROC曲線。黑線為基于3個序列聯合影像組學模型的ROC曲線；藍線為基于增強T1WI的影像組學模型的ROC曲線；黃線為基于T2WI影像組學模型的ROC曲線；綠線代表基于DWI影像組學模型的ROC曲線。

表2 基于單序列及聯合預測模型的診斷效能

討 論

腦膜瘤是常見的顱內間葉組織起源腫瘤，通過影像學方法評估腦膜瘤病理級別對臨床決策有著積極的意義。目前，CT和MRI是腦膜瘤診斷和監測最常用的影像診斷方法，但高、低級別腦膜瘤有時會表現出相似的影像學特征，常導致常規MRI不能準確判斷腦膜瘤的高、低級別。影像組學利用自動化高通量的特征提取算法，可客觀量化評估腫瘤整體異質性，近年來引起了廣泛關注。因此本研究采用基于多序列MR圖像的影像組學模型預測腦膜瘤的病理級別。

近年來，有國內外學者嘗試通過提取MR圖像上腦膜瘤的紋理特征，用影像組學方法來量化醫學圖像上潛在的信息，從而鑒別腦膜瘤高低級別。在虞芯儀等[3]的研究中，基于常規MRI圖像進行紋理分析，結果顯示T2WI、FLAIR和ADC圖像上提取的標準差、ADC和FLAIR圖像上的偏度、對比增強T1WI、T2WI、FLAIR和ADC圖像上的熵，在高低級別腦膜瘤組間的差異具有統計學意義(P<0.05)，而且聯合4個序列的熵值對預測腦膜瘤分級的效能最佳，AUC可達0.799。類似地，張媛等[4]對多參數MR圖像進行紋理分析，結果顯示ADC圖像上的偏度值、T2WI和ADC圖像上的熵值對腦膜瘤病理分級有較強的預測能力，而且三者聯合時的AUC值可高達0.84 。國外學者Park等[5]通過分析基于增強T1WI的影像組學特征，發現腦膜瘤級別不同，其影像組學特征值不同，高級別腦膜瘤有較高的熵、相異度和粗糙度，而游程長度均勻性較低。類似地，Laukamp等[6]分析了多個序列MR圖像上腦膜瘤的影像組學特征，發現FLAIR圖像上病灶的形態學特征中的圓度、FLAIR和增強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T1WI圖像上的灰度能量，這4個影像組學特征預測腦膜瘤病理級別的診斷效能最高，這些特征的聯合診斷模型區分Ⅰ級與Ⅱ級腦膜瘤的AUC可高達0.91。由此可見，影像組學特征可用于預測腦膜瘤的病理分級，且影像組學特征聯合模型預測效能更佳。需要指出的是，上述這些學者的研究結果均顯示出基于MR各序列的影像組學模型及多參數聯合模型對腦膜瘤病理分級具有一定的預測價值，但這些研究中均未設立驗證組對模型的診斷效能進行驗證，也缺少對模型的客觀評價。

本研究基于多序列MR圖像建立的腦膜瘤病理分級預測模型在訓練組和驗證組均表現良好。由于各序列圖像上所提取的影像組學特征有一定差異，建立的預測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T1WI建立的影像組學預測模型的預測性能最高，其在訓練組的AUC值為0.942，明顯高于基于T2WI及DWI 預測模型的AUC值(分別為0.746和0.714)；而基于增強T1WI的影像組學預測模型在驗證組中的AUC值也明顯高于T2WI和DWI(分別為0.913、0.714、0.705)。本研究結果與既往的研究結果基本一致[7]。基于DWI的影像組學模型的符合率相對較差，這可能與DWI序列的失真效應有關，因腦膜瘤多位于大腦凸面和顱底，鄰近骨質和鼻竇造成的異質磁場可能導致DWI圖像上局部結構變形，從而影響對腫瘤的顯示和識別。

本研究結果顯示，對于預測腦膜瘤的病理級別，基于多序列MRI的聯合模型在訓練組及驗證組中的AUC值分別為0.950和0.923，AUC值高于基于單序列的預測模型，此結果與既往的研究結果相似[8]。這可能是因為與單序列模型相比，多序列MRI聯合模型是由來自三個序列的數據所構建，包含的信息更多，能更充分、準確地反映腫瘤內部的特征。但在本研究中，基于多序列MRI聯合預測模型的預測性能較基于增強T1WI的影像組學模型差別不大，可能是由于在三個序列圖像上所選擇的影像組學特征中，T1WI增強圖像上保留的特征占了絕大部分，對模型預測性能起主要作用。在Hamerla等[9]利用影像組學預測腦膜瘤病理級別的研究中，嘗試了隨機森林(random forest，RF)、極端梯度增強(extreme gradient boosting，XGBoost)、支持向量機(support vector machine，SVM)和多層感知器(multilayer perceptron，MLP)四種分類器，并對所構建的不同分類器進行比較，構建出預測效能最佳的多參數MRI影像組學模型，其AUC高達0.97 ，高于筆者研究中的多參數MRI聯合模型，這可能與該研究組合了更多MR序列的影像組學特征以及分類器選擇不同有關。Yan等[10]基于增強T1WI提取了形態學特征和紋理特征參數，并分別基于形態學特征、紋理特征、形態學特征聯合紋理特征，并分別采用邏輯回歸(logistic regression，LR)、樸素貝葉斯(naive Bayes，NB)和SVM方法來構建腦膜瘤分級預測模型，并對這3個模型的預測效能進行比較，發現形態學特征聯合紋理特征的SVM分類器具有最佳的預測性能。這項研究為以后分類模型的選擇提供了依據。鄭茜等[11]比較了常規影像特征模型與影像組學特征模型對腦膜瘤病理分級的預測性能，也證實了影像組學分析在腦膜瘤病理分級中具有較高的應用價值。

本研究存在一定的局限性：第一，由于高級別腦膜瘤的發病率相對較低，因此腦膜瘤分級中的數據不均衡，高級別腦膜瘤的病例數較少；第二，本研究中采用手動方法來分割腫瘤，雖然手動分割可能比自動方法更準確，但由于部分病灶邊界判定困難，分割不準確的問題仍然不能完全避免；第三，本研究僅使用邏輯回歸分類算法建立影像組學預測模型，并沒有嘗試構建其它常用的分類模型，如支持向量機、隨機森林和卷積神經網絡等。但是，本研究的目的在于驗證影像組學模型可以用于準確鑒別腦膜瘤的病理級別，以及如何選擇合適的MRI序列來建立影像組學模型使得預測性能更佳，而不是為了比較各種分類算法的優劣。

綜上所述，基于多參數MRI數據的影像組學模型可用于術前預測腦膜瘤的病理級別，為臨床制訂個性化的治療策略提供客觀依據。