基于ADC和增強(qiáng)MRI的影像組學(xué)模型預(yù)測(cè)低級(jí)別膠質(zhì)瘤TERT啟動(dòng)子突變狀態(tài)

盧俊， 李祥， 黎海亮

膠質(zhì)瘤是顱內(nèi)常見(jiàn)原發(fā)性腫瘤，2016年世界衛(wèi)生組織(WHO)將分子標(biāo)志物納入膠質(zhì)瘤的診斷中，進(jìn)一步闡明了分子特征在診斷、治療和預(yù)后評(píng)估中的價(jià)值[1,2]。如異檸檬酸脫氫酶(isocitrate dehydrogenase，IDH)突變型膠質(zhì)瘤較野生型預(yù)后更好(突變型和野生型分別為31個(gè)月和15個(gè)月)[3]；端粒酶逆轉(zhuǎn)錄酶基因(telomerase reverse transcriptase,TERT)啟動(dòng)子突變是成人膠質(zhì)瘤中最常見(jiàn)的單基因突變。有研究表明，TERT突變對(duì)低級(jí)別膠質(zhì)瘤和膠質(zhì)母細(xì)胞瘤的預(yù)后影響不同，TERT突變的低級(jí)別膠質(zhì)瘤患者預(yù)后較好，而TERT突變的膠質(zhì)母細(xì)胞瘤患者預(yù)后較差[4]。最新癌癥基因組圖譜將WHO Ⅱ級(jí)和Ⅲ級(jí)膠質(zhì)瘤歸入彌漫性低級(jí)別膠質(zhì)瘤[5](low-grade gliomas，LGGs)，TERT突變多發(fā)生于IDH突變和1p19q共缺失的少突膠質(zhì)瘤中，TERT突變?cè)谛切渭?xì)胞瘤中的發(fā)生率低于少突膠質(zhì)瘤。在少突膠質(zhì)瘤和星形細(xì)胞瘤患者中，TERT突變均為患者預(yù)后較好的預(yù)測(cè)因子。TERT突變?cè)诘图?jí)別膠質(zhì)瘤患者的發(fā)展中發(fā)揮了關(guān)鍵作用，對(duì)預(yù)后評(píng)估具有重要價(jià)值。近年來(lái)，隨著精準(zhǔn)治療的研究深入，TERT啟動(dòng)子突變被證實(shí)參與下游細(xì)胞信號(hào)轉(zhuǎn)導(dǎo)，其突變位點(diǎn)有望成為新的治療靶點(diǎn)[6]。

然而，由于目前TERT突變的檢出主要在活檢或手術(shù)切除取得腫瘤組織后進(jìn)行；耗時(shí)長(zhǎng)、腫瘤異質(zhì)性高等都是現(xiàn)有檢測(cè)技術(shù)的缺點(diǎn)，在術(shù)前診斷的應(yīng)用中具有一定局限性。隨著影像檢查技術(shù)的快速發(fā)展，術(shù)前利用影像特征無(wú)創(chuàng)預(yù)測(cè)分子標(biāo)志物是一個(gè)可行的辦法。有研究探討形態(tài)學(xué)特征與TERT突變狀態(tài)之間的關(guān)系，結(jié)果表明預(yù)測(cè)效能有限[7]。影像組學(xué)的發(fā)展，能夠從常規(guī)MRI圖像中高通量獲取腫瘤特征并建立預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，既往在實(shí)體腫瘤分級(jí)分期中已經(jīng)呈現(xiàn)出預(yù)測(cè)價(jià)值[8,9]，在膠質(zhì)瘤IDH、1p/19q和Ki-67等分子標(biāo)志物預(yù)測(cè)中也體現(xiàn)出術(shù)前預(yù)測(cè)價(jià)值[10-12]。隨著TRET的診斷、治療和預(yù)后價(jià)值被發(fā)現(xiàn)，亟需探討影像組學(xué)特征與TERT突變狀態(tài)之間的關(guān)系。故本研究旨在探討術(shù)前MRI圖像影像組學(xué)特征預(yù)測(cè)TERT啟動(dòng)子突變狀態(tài)的價(jià)值。

材料與方法

1.病例資料

回顧性分析2019年1月至2021年3月在本院就診的LGG患者的臨床和影像學(xué)資料。病例納入標(biāo)準(zhǔn)：①術(shù)后病理證實(shí)為彌漫性低級(jí)別膠質(zhì)瘤；②術(shù)前2周行MRI檢查；③具有完整的ADC和對(duì)比增強(qiáng)T1WI(T1CE)圖像；④經(jīng)Sanger測(cè)序獲得TERT突變狀態(tài)(包括C228T和C250T兩個(gè)位點(diǎn))。病例排除標(biāo)準(zhǔn)：①?gòu)?fù)發(fā)性腫瘤；②檢查前接受過(guò)活檢、放療或化療；③圖像偽影嚴(yán)重或病理結(jié)果不全。最終，109例患者納入本研究，按7:3的比例將其隨機(jī)分為訓(xùn)練集(n=76)和驗(yàn)證集(n=33)。

2.MRI檢查方法

MRI檢查采用3.0T MRI 掃描儀(Skyra,Siemens,Germany)和8通道相控陣線圈。檢查時(shí)患者取仰臥位頭先進(jìn)掃描模式。常規(guī)MRI掃描序列及參數(shù)：①軸面FSE T1WI：TR 2200 ms，TE 13 ms，矩陣320×320，層厚/層間距6/0.6 mm，激勵(lì)次數(shù)1；②軸面FSE T2WI：TR 4940 ms，TE 125 ms，矩陣384×384，層厚/層間距6/0.6 mm，激勵(lì)次數(shù)2；③軸面磁化準(zhǔn)備快速梯度回波對(duì)比增強(qiáng)T1WI：TR 1700 ms,TE 2.5 ms,層厚/層間距1/0 mm,矩陣288×288,視野256 mm×256 mm，對(duì)比劑為釓噴酸葡胺，劑量0.1 mmol/kg，流率2.0～3.0 mL/s；④DWI采用單次激發(fā)SE-EPI序列，b值取0、 1000 s/mm2，TR 2610 ms，TE 55 ms，層厚/層間距6/0.6 mm，矩陣160×160，激勵(lì)次數(shù)1，ADC圖在工作站上由DWI自動(dòng)生成。

3.圖像后處理和特征提取

將ADC和T1CE圖像以DICOM格式保存，將病灶最大且顯示清晰的層面分別導(dǎo)入MaZda軟件(4.6版，http://www.eletel.p.lodz.pl/mazda/)。然后將圖像進(jìn)行灰階度標(biāo)準(zhǔn)化，使圖像灰度在[μ-3σ，μ+3σ](μ和σ分別為平均灰度值和標(biāo)準(zhǔn)差)范圍內(nèi)。然后由兩位分別具有5年和10年MRI診斷經(jīng)驗(yàn)的放射科醫(yī)生參考其他常規(guī)MRI圖像，共同商量確定ROI后，在ADC和T1CE圖像上選取病灶最大截面所在層面，沿腫瘤邊緣手動(dòng)勾畫(huà)ROI(圖1)。考慮到腫瘤異質(zhì)性，應(yīng)包含腫瘤全域，即包含囊變、壞死、鈣化、出血等區(qū)域，但應(yīng)避開(kāi)正常的解剖結(jié)構(gòu)。最終，每例患者提取到558個(gè)紋理特征，包括18個(gè)一階特征：灰度直方圖，490個(gè)二階特征：灰度共生矩陣、游程矩陣、絕對(duì)梯度以及50個(gè)高階特征：自回歸模型、小波轉(zhuǎn)換。

圖1 星形細(xì)胞瘤患者，男，48歲，WHO Ⅲ級(jí)，TERT野生型。a)ADC圖像中病灶最大徑所在層面；b)紅色區(qū)域?yàn)檠啬[瘤邊緣勾畫(huà)的ROI；c)T1CE圖像中病灶最大徑所在層面；d)紅色區(qū)域?yàn)檠啬[瘤邊緣勾畫(huà)的ROI；e)ADC直方圖；f)T1CE直方圖。

采用三聯(lián)法(Fisher：Fisher相關(guān)系數(shù)，POE+ACC：分類錯(cuò)誤概率聯(lián)合平均相關(guān)系數(shù)，MI：交互信息)對(duì)提取的特征進(jìn)行降維，初步篩選具有預(yù)測(cè)價(jià)值的組學(xué)特征。

4.模型建立和模型評(píng)估

應(yīng)用兩種特征選擇方法，即三聯(lián)法(Fisher，POE+ACC，MI)和最小絕對(duì)收縮選擇算子(least absolute shrinkage selection operator，LASSO)進(jìn)行特征篩選。首先，采用三聯(lián)法消除冗余特征；然后，采用LASSO回歸分析并通過(guò)5折交叉驗(yàn)證篩選LASSO回歸模型得到最優(yōu)超參數(shù)λ值，在最優(yōu)λ值時(shí)將系數(shù)非零的特征納入模型；最后，行多因素logistic回歸分析，構(gòu)建影像組學(xué)預(yù)測(cè)模型。

本研究分別基于ADC、T1CE、聯(lián)合序列(ADC+T1CE)的影像組學(xué)特征來(lái)建立3個(gè)影像組學(xué)預(yù)測(cè)模型，模型的預(yù)測(cè)能力采用受試者工作特征(receiver operating characteristic，ROC)曲線來(lái)評(píng)估。

5.統(tǒng)計(jì)學(xué)分析

使用R語(yǔ)言(Version 4.1.0，www.R-project.org)、SPSS 22.0和MedCalc 19.6軟件進(jìn)行統(tǒng)計(jì)分析。計(jì)數(shù)資料的組間比較采用卡方檢驗(yàn)或Fisher確切概率法。計(jì)量資料的組間比較根據(jù)正態(tài)性和方差齊性分析結(jié)果分別采用獨(dú)立t檢驗(yàn)或Mann-WhitneyU檢驗(yàn)。ROC曲線用于評(píng)估模型的預(yù)測(cè)效能，應(yīng)用Delong檢驗(yàn)來(lái)比較3個(gè)預(yù)測(cè)模型之間的差異。以P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

結(jié) 果

1.一般資料

訓(xùn)練組(n=76)與驗(yàn)證組(n=33)患者的一般資料見(jiàn)表1，兩組間性別、年齡、TERT突變狀態(tài)、IDH突變狀態(tài)、病理組織學(xué)類型差異均無(wú)統(tǒng)計(jì)學(xué)意義(P值均>0.05)。

表1 2組低級(jí)別膠質(zhì)瘤患者的臨床病理特征比較 (n，%)

2.構(gòu)建影像組學(xué)預(yù)測(cè)模型

從ADC、T1CE和聯(lián)合序列(ADC+T1CE)中分別提取出279、279和558個(gè)影像組學(xué)特征。經(jīng)三聯(lián)法分別篩選出30、25和55個(gè)特征。應(yīng)用5折交叉驗(yàn)證篩選LASSO回歸模型得到最優(yōu)超參數(shù)λ值，最終分別選出5、3和6個(gè)影像組學(xué)特征建立3個(gè)影像組學(xué)預(yù)測(cè)模型(表2)。

表2 影像組學(xué)預(yù)測(cè)模型中的影像組學(xué)特征

3.模型驗(yàn)證和比較

應(yīng)用ROC曲線評(píng)估3個(gè)模型的預(yù)測(cè)效能，聯(lián)合分析模型在訓(xùn)練集(0.928)和驗(yàn)證集(0.878)中的曲線下面積(area under curve,AUC)均最大，預(yù)測(cè)效能最高(表3)。Delong檢驗(yàn)結(jié)果顯示，基于T1CE的預(yù)測(cè)模型與聯(lián)合分析模型之間的AUC差異有統(tǒng)計(jì)學(xué)意義(P=0.007)，提示聯(lián)合分析模型的預(yù)測(cè)效能明顯優(yōu)于T1CE模型；而基于ADC圖像的預(yù)測(cè)模型與聯(lián)合分析模型之間的AUC差異無(wú)統(tǒng)計(jì)學(xué)意義(P=0.396)，但ADC模型的敏感度欠佳。所以，本研究中聯(lián)合分析模型(ADC+T1CE)的預(yù)測(cè)效能最佳(最優(yōu)超參數(shù)λ見(jiàn)圖2，ROC曲線見(jiàn)圖3)。

圖2 a) 聯(lián)合分析模型：5折交叉驗(yàn)證篩選LASSO回歸模型得到最優(yōu)超參數(shù)λ值，即第一個(gè)虛線所對(duì)應(yīng)的位置(最小均方差)； b) 通過(guò)圖2a得到的λ值(紅線所在位置)來(lái)尋找系數(shù)非零的特征，縱坐標(biāo)為系數(shù)，下橫坐標(biāo)為log(λ)，上橫坐標(biāo)為模型中非零系數(shù)的個(gè)數(shù)。 圖3 三個(gè)影像組學(xué)模型預(yù)測(cè)TERT突變狀態(tài)的ROC曲線，聯(lián)合分析(ADC+T1CE)模型預(yù)測(cè)效能最佳。a)訓(xùn)練集的ROC曲線；b)驗(yàn)證集的ROC曲線。

表3 三個(gè)影像組學(xué)模型在訓(xùn)練集和驗(yàn)證集中預(yù)測(cè)TERT突變狀態(tài)的效能

討 論

為了術(shù)前無(wú)創(chuàng)預(yù)測(cè)TERT啟動(dòng)子突變狀態(tài)，本研究建立了基于ADC、T1CE和兩者聯(lián)合的影像組學(xué)模型并驗(yàn)證了其預(yù)測(cè)效能。本研究結(jié)果顯示，3個(gè)影像組學(xué)模型均能有效預(yù)測(cè)TERT突變狀態(tài)，且多序列聯(lián)合分析能夠提高預(yù)測(cè)效能。

TERT突變發(fā)生在轉(zhuǎn)錄起始點(diǎn)的上游，分別命名為C228T和C250T。TERT啟動(dòng)子突變會(huì)導(dǎo)致轉(zhuǎn)錄因子結(jié)合位點(diǎn)的揭開(kāi)，調(diào)控端粒酶活性，與患者的預(yù)后密切相關(guān)，因此TERT突變位點(diǎn)有望成為新的治療靶點(diǎn)[6]。TERT突變的低級(jí)別膠質(zhì)瘤患者預(yù)后較好，所以，在低級(jí)別膠質(zhì)瘤患者就診初期，準(zhǔn)確判斷TERT啟動(dòng)子突變狀態(tài)對(duì)患者具有重要的臨床意義。

有研究嘗試尋找與TERT突變相關(guān)的形態(tài)學(xué)特征，如腫瘤位置、增強(qiáng)容積、壞死容積以及壞死容積百分比等，結(jié)果表明大部分形態(tài)學(xué)特征在TERT突變與TERT野生兩組間無(wú)顯著差異[7,13]。Tian等[14]證實(shí)了高級(jí)別膠質(zhì)瘤影像組學(xué)特征預(yù)測(cè)TERT啟動(dòng)子突變的可行性。隨后，有研究開(kāi)始探索影像組學(xué)特征術(shù)前預(yù)測(cè)低級(jí)別膠質(zhì)瘤TERT突變狀態(tài)的可能性[15]。本研究創(chuàng)新性地將ADC和T1CE圖像的影像組學(xué)特征結(jié)合預(yù)測(cè)低級(jí)別膠質(zhì)瘤患者的TERT啟動(dòng)子突變狀態(tài)，結(jié)果顯示多序列結(jié)合的聯(lián)合分析模型展現(xiàn)出很好的預(yù)測(cè)效能，與楊易等[16]的結(jié)論一致。聯(lián)合分析模型的預(yù)測(cè)效能高于單一影像組學(xué)模型，其預(yù)測(cè)效能較高可能得益于ADC圖像和T1CE圖像的結(jié)合。ADC圖像主要反映水分子受限程度，從而反映細(xì)胞增殖程度；T1CE圖像能夠反映腫瘤血管生成情況。而且由于釓對(duì)比劑的引入、1 mm層厚的選擇，相較于之前研究中選用的5.0 mm層厚[15]，可以更準(zhǔn)確地反映腫瘤血管生成情況。ADC圖像能給模型提供很多必要的信息，但是缺乏邊界信息，剛好能與T1CE圖像補(bǔ)充，與臨床工作中的診斷經(jīng)驗(yàn)一致。

Tian等[14]認(rèn)為腫瘤壞死、壞死容積百分比與TERT突變狀態(tài)有關(guān)。類似的，本研究將腫瘤囊變和壞死也納入分析。預(yù)測(cè)效能最佳的聯(lián)合分析模型(ADC+T1CE)包含了6個(gè)影像組學(xué)特征，包括2個(gè)一階直方圖特征和4個(gè)二階紋理特征(灰度共生矩陣和絕對(duì)梯度)。一階特征(灰度直方圖)能夠在像素水平上量化腫瘤的局部異質(zhì)性，定量提供更多腫瘤相關(guān)特征[17]。灰度共生矩陣用灰度的空間分布表征紋理。由于粗紋理的灰度分布隨距離的變化比細(xì)紋理緩慢得多，因此兩者有完全不同的灰度共生矩陣。其中對(duì)比度、自相關(guān)、熵等紋理特征能夠反映圖像清晰度、相似程度和信息量的度量等紋理信息。膠質(zhì)瘤由于基因突變狀態(tài)差異而導(dǎo)致的腫瘤異質(zhì)性，可以體現(xiàn)在紋理變化上，而這些肉眼無(wú)法觀察的細(xì)節(jié)可以通過(guò)高通量提取影像組學(xué)特征來(lái)客觀描述。因此，MRI影像組學(xué)模型的客觀性和可行性在本研究中得到體現(xiàn)。然而，本研究預(yù)測(cè)模型中缺乏高階紋理特征，筆者初步推測(cè)是由于ROI采取二維分割所致，今后將采用三維分析提取腫瘤全域紋理特征來(lái)驗(yàn)證。

本研究存在以下局限性：①樣本量相對(duì)較少，只說(shuō)明了IDH在兩組中構(gòu)成比沒(méi)有差異，沒(méi)有進(jìn)一步分組分析不同IDH突變狀態(tài)下模型的預(yù)測(cè)效能，今后將進(jìn)一步擴(kuò)大樣本量進(jìn)行分組研究，確保預(yù)測(cè)模型的普適性；②本研究采取二維分割，今后將對(duì)病灶進(jìn)行三維分析，獲取更多有效特征。

綜上所述，常規(guī)MRI影像組學(xué)特征能夠有效預(yù)測(cè)低級(jí)別膠質(zhì)瘤TERT啟動(dòng)子突變狀態(tài)，多序列聯(lián)合能夠提高預(yù)測(cè)效能，為制定個(gè)體化治療方案提供參考依據(jù)。