基于擴散峰度成像直方圖構建低級別膠質瘤預后的列線圖模型

施蒙，馬躍虎，任軍，王同興，殷信道，彭明洋*

作者單位：1.南京市中西醫結合醫院醫學影像科，南京 210000；2.南京醫科大學附屬南京醫院（南京市第一醫院）醫學影像科，南京 210006

腦膠質瘤仍然是最常見的原發性腦腫瘤[1]。根據WHO 2016 年分類可將其分為高級別膠質瘤（WHOⅢ～Ⅳ級）和低級別膠質瘤（WHO Ⅰ～Ⅱ級）[2]。低級別膠質瘤（low-grade gliomas, LGG）雖然只占20%且生長緩慢，但具有轉化為高級別膠質瘤的風險[3-4]。即便采取最佳的治療措施，患者仍然存在較高的復發及致死致殘率。擴散峰度成像（diffusion kurtosis imaging, DKI）是描述組織內水分子擴散非高斯分布的擴散成像新技術，能更好地反映組織的微觀結構復雜性[5]。基于像素分布的直方圖分析可提供更多反映腫瘤異質性的定量參數，能更全面地評估腫瘤的生物學特征[6]。以往的研究顯示發病年齡、腫瘤發生位置、病理組織學類型、腦血流量、治療方法及DKI參數等與膠質瘤患者的生存預后相關[7-10]。但目前為止，尚無系統的評價體系綜合納入這些因素。列線圖模型可通過聯合多指標診斷或預測某一臨床事件的發生，已廣泛應用于腫瘤患者的生存期預測中[11-12]。本研究旨在基于DKI直方圖影像組學特征構建預測LGG患者生存率的列線圖，建立一個相對準確直觀的評價模型來預測LGG患者的總生存率。

1 資料與方法

1.1 研究對象

本研究經過南京醫科大學倫理委員會批準（批準文號：2018-448），免除受試者知情同意。回顧性分析2018 年1 月至2020 年6 月在南京市第一醫院神經外科就診的LGG 患者病例資料。納入標準：（1）所有患者均為初發首治；（2）術前均行頭顱DKI 檢查；（3）生存資料及病理生理資料完整（如年齡、性別、WHO 分級、病理類型、腦葉位置、腫瘤部位、術后是否放療等）；（4）術前未接受化療或放療。排除標準：（1）接受過皮質類固醇或抗生素治療或曾接受過腦部手術的患者；（2）DKI 圖像因運動偽影太重無法評估；（3）30 d內死亡的患者。根據頭顱MRI、PET/CT、病理評估預后，分為復發和未復發，并每半年通過電話隨訪患者生存情況。隨訪時間為2年。

1.2 MRI掃描參數

所有患者在治療前行MRI掃描，采用西門子醫療系統的3.0 T MR 掃描（Magnetom Verio, Siemens Medical Solutions，Erlangen, Germany），掃描序列包括T1WI、T2WI、液體衰減反轉恢復序列（fluid attenuated inversion recovery, FLAIR）、擴散加權成像（diffusion-weighted imaging, DWI）、DKI和T1 增強掃描。DKI 掃描參數如下：TR 3000 ms；TE 109 ms；矩 陣128×128；FOV 256 mm×256 mm；FA 90°；層數15；層厚4 mm；b 值0、500、1000、1500、2000和2500 s/mm2，方向30。

1.3 圖像處理及VOI勾畫

使用FMRIB擴散工具包（版本v6.0, Oxford, UK,http://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FSL）對 圖像進行頭部運動和渦流畸變校正，應用DKE軟件（版本DKE 2.6,http://www.nitrc.org/projects/dke）對DKI圖像進行剛體配準和空間平滑（高斯平滑），以獲得參數圖各向異性分數（fractional anisotropy, FA）、平均擴散率（mean diffusivity, MD）、平均峰度（mean kurtosis, MK）、峰度各向異性分數（kurtosis fractional anisotropy, KFA）和平均峰度張量（mean kurtosis tensor, MKT）。使用ITK-SNAP軟件（版本3.4.0, http://www.itksnap.org）在DKI 圖像上逐層勾畫獲取整個腫瘤實質區作為感興趣容積（volume of interest,VOI）進行直方圖分析（圖1）。勾畫過程中以橫斷位T1WI增強圖像作為參考，避免包含較大的囊變、壞死、出血及血管所在的區域。最后獲得各個參數圖的直方圖參數，包括：平均值、最小值、最大值、方差、第20百分位數（20th）、第50 百分位數（50th）、第75 百分位數（75th）、偏度和峰度，共獲得45 個DKI 特征。所有VOI勾畫均由1名具有5年中樞影像診斷經驗的高年資主治醫師在未告知臨床資料的前提下進行勾畫，并由另外1 名具有10 年中樞影像診斷經驗的副主任醫師校對。意見不統一時經協商達成一致。

圖1 右側額葉星形細胞瘤Ⅱ級T1 增強及擴散峰度成像（DKI）圖感興趣區勾畫示例，1A～1F分別為T1增強、各向異性分數（FA）、平均擴散率（MD）、平均峰度（MK）、峰度各向異性分數（KFA）和平均峰度張量（MKT）圖。Fig. 1 An example of volume of interest delineation on T1 enhancement and diffusion kurtosis imaging (DKI) images in right frontal astrocytoma (grade Ⅱ),1A-1F: T1 enhancement, fractional anisotropy (FA), mean diffusivity (MD),mean kurtosis (MK), kurtosis fractional anisotropy (KFA) and mean kurtosis tensor(MKT),respectively.

1.4 特征選擇及DKI評分

采用最低絕對收縮和選擇算子（least absolute shrinkage and selection operator, LASSO）篩選預測預后的最佳影像特征，并根據最佳影像特征的系數加權線性組合計算出DKI評分。

1.5 統計學分析

所有數據均采用R 3.5.1 統計軟件進行處理。符合正態分布的計量資料以均數±標準差表示，并應用獨立t檢驗分析，不符合正態分布的計量資料以中位數（四分位數）表示，并應用Mann-WhitneyU檢驗分析，計數資料采用例數（百分比）表示，并采用χ2檢驗分析。使用Kappa分析評估觀察者間DKI感興趣區勾畫的一致性。使用R 軟件行Kaplan-Meier 法繪制生存曲線，Log-rank比較組間差異。單因素Cox回歸分析分析相關獨立的危險因素，進而納入多變量Cox回歸分析，最后產生獨立的風險因素。基于上述預后因素構建LGG 列線圖，采用1000 次重采樣的方法用于構建列線圖和校準曲線以減少過度擬合偏差，使用一致性指數(C-index)評估觀察值的和預測值之間的區別，利用C-index 比較列線圖與WHO 分級的預后效能。采用決策曲線分析（decision curve analysis, DCA）評價模型獲益情況，通過計算不同閾值概率下的凈效益，以確定本預測模型的臨床效益用途。應用受試者工作特征（receiver operating characteristic,ROC）曲線評估模型的預測效能。臨床變量模型和列線圖模型的效能比較采用Delong 檢驗。P＜0.05 為差異有統計學意義。

2 結果

2.1 LGG患者臨床數據及人口學特征

共95例LGG患者納入研究，其中5例曾接受過腦部手術，2 例DKI 圖像偽影較大，最終共88 例納入分析。其中男51 例，女37 例，年齡（54.15±12.83）歲，23 例患者復發，65 例患者術后未復發。少突星形細胞瘤8 例，少突膠質細胞瘤37 例，星形細胞瘤43 例。年齡、WHO分級、病理類型、腫瘤部位、是否放化療在生存組和死亡組間差異具有統計學意義（P＜0.05）（表1）。圖2為低級別膠質瘤復發與未復發的影像示例。

表1 低級別膠質瘤基線資料和組織病理學分布Tab.1 The clinical data and distribution of histopathological in low-grade glioma

圖2 典型低級別膠質瘤未復發與復發影像示例。2A～2E：右側額葉星形細胞瘤（WHO Ⅰ級），術后2年隨訪MRI（2E）未見明顯復發征象。2F～2J：右側枕葉星形細胞瘤（WHO Ⅱ級），術后1年隨訪MRI（2J）可見復發征象。Fig. 2 Typical example of low-grade gliomas with no recurrence and recurrence. 2A-2E: Right frontal lobe astrocytoma (WHO grade Ⅰ). No obvious recurrence signs were found on MRI (1E) after 2 years of follow-up.2F-2J: Right occipital astrocytoma (WHO grade Ⅱ). MRI (2J) showed signs of recurrence one year after operation.

2.2 DKI特征篩選及評分

DKI感興趣區勾畫在2位醫師間具有很高的一致性（Kappa值：0.92）。經LASSO降維后共篩選出9個與預后最相關的特征，分別為MD 方差、MD 峰度、FA 最小值、FA 方差、FA 偏度、KFA 25th、KFA 偏度、MK 偏度、MKT 25th。LASSO系數分布圖見圖3。DKI評分公式為：

圖3 低級別膠質瘤擴散峰度成像（DKI）直方圖特征LASSO系數分布。Fig. 3 The distribution of LASSO coefficients of diffusion kurtosis imaging(DKI)histogram radiomics in low-grade glioma.

分數=（2.16×MD方差）+（-0.09×MD峰度）+

（-10.24×FA最小值）+（10.27×FA方差）+

（-1.22×FA偏度）+（-7.27×KFA 25th）+（0.26×

KFA偏度）+（-0.30×MK偏度）+（3.72×MKT 25th）。 （1）

2.3 Cox回歸分析各因素與LGG患者預后關系

單因素Cox回歸分析發現年齡、WHO分級、病理類型、腦葉位置、腫瘤部位、術后放療與否、DKI 評分是影響LGG 患者預后的關鍵因素。進一步多因素Cox回歸分析發現年齡、WHO 分級、腦葉位置、腫瘤部位、術后放療與否、DKI 評分仍然是影響LGG 患者預后的關鍵因素（表2）。基于以上關鍵的獨立危險因素，本研究構建了基于DKI 評分預測LGG 患者生存率的列線圖（圖4）。采用Bootstrap法對列線圖進行內部驗證，抽樣次數B＝1000，驗證結果顯示一致性指數為0.838（95%CI：0.816～0.860），具有良好的預測價值。基于以上變量和DKI 評分建立列線圖模型預測LGG 預后的曲線下面積為0.953，明顯大于基于臨床變量的模型的0.745（Z=-3.42，P=0.005）（圖5A）。DCA 顯示臨床變量模型的一致性指數為0.667（95%CI：0.614～0.719），列線圖模型的一致性指數為0.858（95%CI：0.833～0.882），表明列線圖模型的凈收益優于臨床變量模型（圖5B）。校準曲線提示在觀察值與預測值之間有良好的一致性（圖5C）。

表2 低級別膠質瘤患者復發與未復發的Cox回歸模型單因素和多因素分析Tab.2 Univariate and multivariate analysis of Cox regression model in low-grade glioma patients between no recurrence and recurrence

圖4 低級別膠質瘤患者五年生存率預后預測的列線圖。DKI：擴散峰度成像。 圖5 低級別膠質瘤預后模型效能評估結果。5A：臨床變量模型和列線圖模型預測低級別膠質瘤預后的受試者工作特征曲線；5B：臨床變量模型和列線圖模型的決策曲線圖；5C：低級別膠質瘤患者列線圖模型五年生存率校準曲線。Fig. 4 Prognosis prediction nomogram of 5-year survival rate in low-grade glioma patients. DKI: diffusion kurtosis imaging. Fig. 5 The evaluation results of low-grade glioma prognosis model. 5A: The receiver operating characteristic curve of clinical variable model and nomogram model for predicting the prognosis of low-grade gliomas; 5B: Decision curve analysis of clinical variable model and nomogram model; 5C: Calibration curve of 5-year survival rate of nomogram model in low-grade glioma patients.

3 討論

本研究基于88 例低級別膠質瘤的DKI 直方圖的影像特征分析，構建預后評估模型。Cox 回歸分析結果顯示年齡、WHO 分級、腦葉位置、腫瘤部位、術后放療與否、DKI 評分是LGG 預后的關鍵危險因素。基于以上危險因素構建列線圖模型，其預測效能明顯優于臨床變量模型，并具有較好的臨床效益。基于DKI直方圖的列線圖模型可直觀全面地預測LGG 患者預后，為臨床個性化評估患者生存預后提供有力工具。

3.1 低級別膠質瘤預后評估的國內外現狀

膠質瘤病理分級存在差異時，其治療方案的選擇及預后也會不同[13-14]。LGG 膠質瘤的治療主要以手術切除為主，輔以放射治療或化學治療[15]。準確評估LGG患者的生存率對神經外科醫生選擇合適的治療方案及后續治療、隨訪均具有重要意義[3,16]。本研究基于Cox回歸分析發現的年齡、WHO分級、病理類型、腦葉位置、腫瘤部位、術后放療與否、DKI 評分等關鍵因素構建了LGG 患者的個體生存列線圖，通過臨床參數和DKI評分預測患者生存率，并具有較高的準確率。

以往已有較多研究顯示年齡、組織學類型、腫瘤分級等與LGG 預后相關[17-20]。本研究經Cox 回歸分析發現的年齡、WHO 分級、病理類型、腦葉位置、腫瘤部位等是LGG預后的關鍵因素，這與以往的研究結果一致。Alattar 等[21]研究發現對于年齡＜50 歲的非額葉腫瘤患者，盡管IDH 突變率相當，但手術后患者的生存率仍存在差異，額葉LGG 患者的預后較好。此外，本研究顯示接受放療的患者通常預后較好。目前LGG患者放療的選擇仍存在爭議。林明健等[9]研究顯示雖然放療在Cox多因素中未見明顯差異，但列線圖中發現接受術后放療的患者預后更好。李文菲等[22]結果與本研究相同，顯示經過Cox 多因素后放療仍然是LGG 患者預后的關鍵因素，且在列線圖中，對于接受放療的患者其評分越低，五年生存率越高。此外，李文菲等[22]研究顯示多參數MRI 評分（常規MRI、擴散張量成像、動態磁敏感對比增強）可有效地預測LGG 患者預后，MRI 評分低危組與高危組的生存曲線存在明顯差異。然而，該MRI 評分需多序列掃描，并非所有患者都可掃描所有序列。

3.2 DKI 直方圖參數特征預測低級別膠質瘤預后的價值

本研究基于DKI直方圖參數進行特征篩選，獲得DKI 評分，用于LGG 患者預后評估，結果顯示DKI 評分是LGG 患者預后的關鍵因素，基于臨床變量和DKI 評分的列線圖預測五年生存率具有較高的準確性。DKI 是DTI 的擴展，通過量化擴散誘導信號衰減的高斯擴散行為的偏離度，可以提供組織特征的更精確的信息，并可從DKI中得到FA、MD、MK、KFA和MKT等參數[23-25]。直方圖分析可更全面地估計腫瘤的生物學特征[26]。以往已有較多研究顯示DKI 直方圖分析可較為準確地預測膠質瘤級別[27-30]。然而，目前尚無DKI直方圖分析與臨床變量相結合預測LGG患者的生存率，這也是本研究的創新點之一。該列線圖對LGG患者預后預測的AUC達0.95，明顯優于臨床變量預后預測效能（0.76）。且優于李文菲等[22]多參數MRI 評分列線圖的0.8。本研究中基于DKI直方圖參數特征和臨床變量的單因素、多因素分析及開發的列線圖模型的凈收益優于臨床變量模型。校準曲線提示在觀察值與預測值之間有良好的一致性。由此可見，該列線圖模型可為患者提供簡單、直觀的預后判斷，為臨床醫生對LGG 患者的生存率把握提供有利的工具，使患者得到最大獲益。

3.3 局限性分析

本研究仍然存在一定的局限性：首先，本研究樣本的病理類型較為單一；其次，其他影響因素如IDH基因突變、治療方案等未納入分析；最后，本研究為單中心研究，未來需進一步應用多中心數據進行驗證。

綜上所述，年齡、WHO 分級、病理類型、腦葉位置、腫瘤部位、術后放療與否、DKI評分等是影響LGG預后的獨立危險因素。基于臨床變量及DKI 直方圖參數的列線圖模型可更為準確、直觀地預測低級別膠質瘤的總生存率，為臨床提供個性化治療。

作者利益沖突聲明：所有作者均聲明不存在利益沖突。