基于MR 成像的列線圖模型預測腦膜瘤分級的價值

儲海瑞，何劍，鄭屹峰，丁建平

（1.湖州市中心醫院放射科，浙江 湖州 313000；2.杭州師范大學附屬醫院放射科，浙江 杭州 310006）

腦膜瘤在顱內原發腫瘤中發病率較高，僅次于膠質瘤[1-2]。根據2021 年WHO 中樞神經系統腫瘤的分類，腦膜瘤分為WHO Ⅰ、Ⅱ、Ⅲ級[3]。腦膜瘤的治療手段以手術切除為主，歐洲神經腫瘤學會腦膜瘤診治指南中特別建議[4]：WHO Ⅰ級腦膜瘤如不伴有明顯臨床癥狀可定期隨訪，如伴有認知障礙等癥狀則需要手術切除，術后每年進行一次MR 檢查，隨訪5 年；WHO Ⅱ級或WHO Ⅲ級腦膜瘤則需要強制手術，并可根據病情輔助放療，或嘗試細胞毒藥物化療、激素治療、靶向治療等[5]，治療后每間隔半年一次MR 檢查隨訪5年，之后改為間隔1 年。由此可見，腦膜瘤的分級和臨床診療決策密切相關。因此，我們將利用多維度MR 特征共同構建用于腦膜瘤分級的列線圖預測模型，希望通過量化評分提高對腦膜瘤的術前分級診斷能力。

1 資料與方法

1.1 患者資料

回顧性分析我院自2015 年1 月—2021 年12月符合以下標準的患者資料。納入標準：①MR 檢查發現顱內占位性病變，經手術病理診斷為腦膜瘤并有明確病理分級的患者；②患者在行MR 檢查之前，顱內病變沒有接受過任何治療（包括手術、穿刺活檢、放療、化療或激素治療等）。排除標準：①因各種原因造成的病例資料不全或失訪；②由于運動或磁敏感偽影使圖像質量欠佳不能達到研究要求。

共納入腦膜瘤患者127 例。訓練集（n=89 例）包含低級別腦膜瘤71 例、高級別腦膜瘤18例，其中男性22例，女性67例，平均年齡（58±12）歲。驗證集（n=38 例）包含低級別腦膜瘤30 例、高級別腦膜瘤8例，其中男性12例，女性26例，平均年齡（57±11）歲。性別、發病年齡在兩組間均無顯著性差異。

1.2 MRI 圖像采集與分析

采用 GE Discovery MR750 3.0T 磁共振掃描儀，8 通道頭部相控陣線圈，T1WI 序列參數為：TR 500 ms，TE 10 ms，NEX 2，矩陣320×256，層厚5 mm，FOV 24 cm。T2WI 參數：TR 5 200 ms，TE 95 ms，NEX 2，矩陣320×256，層厚5 mm，FOV 24 cm。使用釓噴酸葡胺對比劑進行T1WI 序列增強掃描。

由2 位具有8 年和20 年工作經驗的放射科診斷醫師采用盲法評估每位患者的MR 特征，記錄結果不一致時經討論達成共識。參考既往研究[6-7]結果中對鑒別不同級別腦膜瘤有價值的MR 特征，本次納入評估的常規MR 特征包括腫瘤最大徑、形態、囊變壞死、瘤周水腫（腫瘤周圍是否存在水腫帶）、瘤腦界面、鄰近骨質改變。

1.3 影像組學分析

將原始影像資料導入ITK-SNAP（version 3.6，http://www.ITK SNAP.org）軟件，由上述兩位醫師在不知病理結果的情況下，對增強T1WI 序列顯示腫瘤的所有層面逐層勾畫感興趣區（ROI），ROI 盡量貼近腫瘤邊緣（圖1）。之后將原始圖像及分割的腫瘤ROI 文件同步導入Analysis Kit 軟件，提取圖像ROI內的定量紋理參數。采用最小絕對收縮與選擇算子算法（Least absolute shrinkage and selection operator，LASSO）對特征進行篩選，對篩選出的特征采用邏輯回歸的方法構建影像組學標簽并計算每位患者的影像組學分數。

圖1 在增強T1WI 序列上勾畫腫瘤ROI。Figure 1.The tumor ROI was delineated on the enhanced T1WI.

1.4 列線圖模型的構建和評估

在訓練集納入具有獨立預測效能的MR 影像特征和影像組學分數構建列線圖預測模型（Model 1），利用具有預測效能的MR 影像特征構建常規MR 特征預測模型（Model 2），利用影像組學分數構建影像組學預測模型（Model 3）。采用受試者工作特征（ROC）曲線評價3 個模型的預測效能，通過曲線下面積（Area under the curve，AUC）進行比較，并在驗證集進行驗證。

1.5 統計學分析

采用SPSS 23.0 和R 軟件（Version：3.6.1）進行統計學分析。計量資料符合正態分布的采用獨立樣本t 檢驗，非正態分布的采用Mann-Whitney U 檢驗。分類資料以頻數表示并采用χ2檢驗或Fisher 確切概率法。使用R 軟件的“rms”軟件包構建列線圖模型，使用“pROC”軟件包繪制ROC 曲線并比較不同模型的AUC 值。

2 結果

2.1 常規MR 影像特征

低級別和高級別腦膜瘤的腫瘤最大徑、形態、囊變壞死、瘤周水腫在訓練集和驗證集均有統計學差異（P＜0.05），見表1。訓練集的多因素回歸分析顯示腫瘤形態、囊變壞死、瘤周水腫是具有獨立預測效能的常規MR 因子，見表2。

表1 訓練集和驗證集的常規MRI 特征比較

表2 訓練集多因素邏輯回歸分析

2.2 影像組學特征

采用Analysis Kit（AK）軟件通過量化分析，共提取396 個定量影像特征參數，包括直方圖特征、形態學特征、灰度共生矩陣特征、游程矩陣特征、灰度區域大小矩陣特征5 大類。使用LASSO 降維算法選擇篩選得到8 個有較大預測價值的特征參數，其中包括直方圖特征3 個、形態學特征1 個、灰度共生矩陣特征2 個、游程矩陣特征1 個、灰度區域大小矩陣特征1個，見表3。

表3 影像組學特征及系數值

2.3 列線圖模型

我們將腦膜瘤形態、囊變壞死、瘤周水腫和影像組學評分作為構建列線圖模型的指標，并成功繪制出用于預測腦膜瘤分級的列線圖（圖2）。列線圖預測模型（Model 1）在訓練集的AUC 為0.965（95%CI：0.927～1.000），靈敏度為83.3%，特異度為98.6%；在驗證集的AUC 為0.975（95%CI：0.931～1.000），靈敏度為100%，特異度為86.7%。常規MR特征預測模型（Model 2）在訓練集的AUC 為0.817（95%CI：0.717～0.916），靈敏度為88.9%，特異度為56.3%；在驗證集的AUC 為0.850（95%CI：0.703～0.997），靈敏度為62.5%，特異度為93.3%。影像組學預測模型（Model 3）在訓練集的AUC 為0.909（95%CI：0.833～0.985），靈敏度為97.2%，特異度為72.2%；在驗證集的AUC 為0.896（95%CI：0.785～1.000），靈敏度為100%，特異度為66.7%。結果顯示，列線圖模型的AUC 值明顯提高（圖3）。

圖2 預測腦膜瘤分級的列線圖。Figure 2.The nomogram for predicting meningiomas grading.

圖3 不同模型的ROC 曲線,圖3a 為訓練集，圖3b 為驗證集。Figure 3.ROC curves of different models,Figure 3a is of the training set and Figure 3b is of the validation set.

3 討論

3.1 構建列線圖的各個參數與腫瘤之間的相關性

本研究通過統計學分析發現腦膜瘤形態、囊變壞死、瘤周水腫在不同級別的腦膜瘤之間有顯著差異性，與既往研究結果一致[6-7]。腫瘤細胞增生活躍易導致腫瘤向各個方向生長速率有差異，進而致使腫瘤形態各異。同時，腫瘤生長過快易造成腫瘤內部缺血缺氧導致壞死，進而出現液化囊變，說明腫瘤形態和液化壞死與腫瘤的增殖快慢關聯[8-9]。有研究表明瘤周水腫具有預測腦膜瘤侵襲性的能力[10]。腦膜瘤雖起源于腦外，但WHO Ⅱ級腦膜瘤在生長過程中可浸潤周圍組織，使得腫瘤周圍血-腦屏障遭到破壞，并分泌較多的血管內皮生長因子（Vascular endothelial growth factor，VEGF），VEGF 進入瘤周誘導液體成分積聚于周圍膠質細胞內，從而出現瘤周水腫[11]。同時腫瘤對周圍血管壓迫可導致局部血供障礙，腫瘤細胞在局部組織環境缺氧的刺激下分泌更多VEGF，加劇瘤周水腫。

隨著人工智能的飛速進展，影像組學的方法越來越廣泛的應用于腫瘤的分級、病理分型、鑒別診斷、療效評估、預后預測等方面。虞芯儀等人通過對101 例經病理證實的腦膜瘤進行直方圖和灰度共生矩陣紋理分析，發現多個紋理參數在鑒別低級別與高級別腦膜瘤方面具有統計學意義，且偏度值、熵值具有較好的診斷效能[12]。李曉欣等[13]之前的一項研究表明，基于腫瘤全域測量的MR 信號強度直方圖參數有助于腦膜瘤分級，均勻性是最佳影像學分級診斷指標。本次研究中，LASSO 最終選取的最佳紋理特征中有3 個直方圖特征，其中包括均勻性、頻率、最小強度，均勻性在所有參數中系數值最大。高級別腦膜瘤的實質成分較復雜、不均勻，有較大的異質性。因此，均勻性對不同級別的腦膜瘤表現出較高的鑒別效能。灰度共生矩陣特征中包含了2 個熵類特征，熵反映了腫瘤內部的空間分布情況，與腫瘤異質性有一定的關系[14]。除此之外，我們還提取了更多、更全面的高階特征參數。游程矩陣主要反映紋理的粗糙程度和方向性，區域大小矩陣有效地描述了紋理的均勻性。這些高階特征能更好的反映不同級別腫瘤內部的空間異質性，為腦膜瘤分級診斷提供更豐富的信息[15]。

3.2 列線圖在預測腦膜瘤分級中的應用價值

列線圖是一種復雜計算公式的圖像表現，它通過整合能夠決定結局變量的危險因素，將這些因素賦值并圖像化，最后通過計算分數預測事件發生的可能性[16]。隨著精準醫療的日益飛速發展，列線圖作為一種個體化預測方法，能針對多種疾病定制相應的預測模型，對不同病情的病人進行個性化評估并將結果可視化，已被越來越廣泛地運用于疾病的鑒別診斷及分級預測，日益成為現代醫療決策的重要組成部分[17]。

本研究通過分析發現腫瘤形態不規則、囊變壞死、瘤周水腫被認為是鑒別高低級別腦膜瘤的關鍵MR 特征，對腦膜瘤的分級具有一定診斷價值。此外，影像組學特征更好地反映不同級別腦膜瘤內部的空間異質性，對腦膜瘤分級診斷具有一定的應用前景。我們通過將常規MR 特征和影像組學評分進行整合，并以具有刻度的線段按各自比例平鋪陳列于列線圖之上，通過計算每個參數對應的分數值總和，并找到總分標尺下方相對應的預測風險值，便可快速獲得針對腦膜瘤分級的預測概率。

3.3 本項研究的局限性

本研究存在以下幾點不足：①本研究的樣本量偏小，由于發病率、臨床診療策略等因素的限制，WHO Ⅱ級和Ⅲ級腦膜瘤的病例數量十分有限；②本研究為單中心回顧性研究，還缺乏外部驗證及多中心大樣本數據的多重驗證，來保證列線圖模型實際應用于臨床的可靠性。因此，尋求多中心的合作，建立用于腦膜瘤研究的大樣本數據庫，將是未來的努力方向。

綜上所述，基于MR 圖像的影像組學列線圖模型具有良好的預測效能，對腦膜瘤的術前分級預測具有一定的指導價值。