MRI增強序列列線圖預測腦膠質瘤IDH1基因突變的研究

鄭金晶，董海波，李明，王超超，衛雨果

MRI增強序列列線圖預測腦膠質瘤IDH1基因突變的研究

鄭金晶1，董海波1，李明1，王超超1，衛雨果2

1.寧波大學附屬李惠利醫院 寧波市醫療中心李惠利醫院放射科，浙江寧波 315046；2.通用電氣藥業有限公司，浙江杭州 310000

探討T1WI MRI增強序列的臨床–影像組學列線圖預測腦膠質瘤異檸檬酸脫氫酶1（isocitrate dehydrogenase 1，IDH1）基因突變的價值。回顧性分析2016年2月至2022年2月寧波市醫療中心李惠利醫院收治的98例經手術病理證實的腦膠質瘤（Ⅱ～Ⅳ級）T1WI MRI增強圖像。其中，26例IDH1基因突變型（IDH1-M）、72例IDH1基因野生型（IDH1-W），以7∶3比例劃分為訓練集（=69）和測試集（=29），使用邏輯回歸方法篩選特征并建立臨床模型。勾畫并測量腦膠質瘤的實質區及壞死區參數，建立Logistic回歸影像組學模型，計算Radscore，生成列線圖。采用校準曲線和受試者操作特征（receiver operating characteristic，ROC）曲線評價3個模型對腦膠質瘤IDH1基因突變狀態的預測效能，進行決策曲線分析，評估列線圖臨床實用性。訓練集經過特征篩選，最終選擇6個影像組學特征和2個臨床特征用于構建列線圖。臨床模型在訓練集和測試集中的曲線下面積（area under the curve，AUC）分別為0.834和0.718，影像組學模型分別為0.902和0.831，臨床–影像組學組合模型最高，分別為0.906和0.857。校準曲線表明，臨床–影像組學列線圖在訓練集中IDH1基因型的預測值和觀察值之間具有較好的一致性（=0.751）。決策分析曲線表明，組合模型的凈收益在幾乎整個Pt值范圍內均高于臨床模型及影像組學模型?；贛RI T1WI增強序列的臨床-影像組學列線圖能較精準地預測IDH1基因突變狀態。

腦膠質瘤；磁共振成像；異檸檬酸脫氫酶；影像組學；基因型

腦膠質瘤是最常見的腦部原發性惡性腫瘤，約占中樞系統惡性腫瘤的80%，男性的發病率略高于女性，并以老年人多見。異檸檬酸脫氫酶1（isocitrate dehydrogenase 1，IDH1）是腦膠質瘤的一種重要基因分子生物學標志物，分為野生型（IDH1-W）和突變型（IDH1-M）兩種表達狀態。IDH1基因突變是膠質細胞瘤中最早可檢測到的基因改變，突變的IDH蛋白被認為是通過競爭性抑制參與組蛋白和DNA去甲基化，從而阻斷了細胞的分化，降低腫瘤細胞的增殖，因此具有相對良好的預后[1-3]。2016年世界衛生組織（World Health Organization，WHO）中樞神經系統腫瘤分類中新增了分子分型，它將IDH突變型彌漫性星形細胞瘤又根據組織學確定為3種不同的分類，即彌漫性星形細胞瘤、間變性星形細胞瘤和膠質母細胞瘤。而2021年第5版進一步推進了分子診斷的作用，它將所有IDH突變型彌漫性星形細胞瘤歸為一種類型，再分為2～4級，與此同時，分子特征可以獨立于組織學特征來確定是否歸為4級。因此，治療前精準預測腦膠質瘤IDH1是否突變，對指導個體化治療和預后評估具有重要意義，成為近年來影像基因組學研究熱點[4-5]。但是既往相關研究多以腫瘤整體和（或）水腫區作為感興趣區提取影像組學特征，沒有全面、完整地反映腫瘤異質性的特征，準確性有待于提高[6-7]。本研究分別勾畫增強MRI腫瘤實質區域（region of contrast-enhanced tumor，rCET）、壞死區域（region of necrosis，rNec），并將臨床特征、MRI影像學特征與影像組學標簽相結合，構建預測模型、繪制列線圖，評估基于T1WI MRI增強序列的臨床–影像組學列線圖預測腦膠質瘤IDH1基因突變的價值。

1 資料與方法

1.1 臨床資料

選取2016年2月至2022年2月寧波市醫療中心李惠利醫院收治的符合以下標準的患者：①經手術病理證實為腦膠質瘤；②獲得患者的臨床特征及IDH1免疫組織化學結果；③術前行常規T1增強MRI序列檢查，圖像無明顯偽影；④術前無放化療史。排除標準：①腫瘤內有出血或鈣化者；②腫瘤無壞死區或強化程度較弱者。共98例腦膠質瘤患者入組，其中，男57例，女41例；IDH1突變型26例，IDH1野生型72例。按7∶3比例隨機分為訓練集（69例，其中IDH1-M型19例，IDH1-W型50例）和測試集（29例，其中IDH1-M型7例，IDH1-W型22例）。本研究經寧波市醫療中心李惠利醫院倫理委員會批準（倫理審批號：KY2022PJ184），并獲得免除知情同意書許可。

1.2 儀器與檢查方法

采用GE Discovery 3.0T MRI磁共振掃描儀（美國GE Health Care公司）和8通道頭線圈。①常規MRI平掃序列：T1WI序列：TE 24ms，TR 1850ms，TI 780ms；T2WI序列：TE 105ms，TR 6656ms；矩陣288×224，FOV 240mm×240mm，層間距1mm，層厚4mm，掃描層24層；②DWI序列：TR 4500ms，TE為最小值，b值設定1000s/mm2，矩陣160×160，FOV 240mm×240mm，層間距1.5mm，層厚5mm，掃描層數24層；③T1WI增強MRI序列：注入對比劑釓雙胺注射液（德國Bayer Schering Pharma公司）0.2ml/kg后，橫斷面T1WI序列掃描，參數同平掃T1WI序列。

1.3 圖像采集處理、影像組學特征的提取及模型建立

收集醫院影像歸檔和通信系統（picture archiving and communication system，PACS）中的腦膠質瘤MRI影像后，應用美國GE公司AI-Kit（Artificial Intelligence Kit，Version：3.3）軟件進行圖像去噪、去骨、偏差矯正等預處理。由2位神經影像醫師在開源軟件ITK-SNAP（Version 3.4.0）上對T1WI增強圖像逐層勾畫，并由1名資深神經影像學專家復核，選擇勾畫感興趣區（volume of interest，VOI）。實質區為T1增強圖像呈強化的區域；壞死區為T1WI上低信號、T2WI上高信號且T1增強圖像未強化的區域（圖1）。

應用AI-Kit軟件對MRI圖像特征提取，提取了396個影像組學特征，包括直方圖特征（histogram features，HF）、灰度共生矩陣（grey level co-occurrence matrix，GLCM）、灰度游程矩陣（grey level runlength matrix，GLRLM）等。每例患者包括實質區和壞死區2個VOI，共采集792個有效組學特征參數。

在R軟件（v.4.1.0）中完成特征選擇和模型構建。選擇用于構建模型的非零系數特征參數用于預測IDH1基因表達類型，將具有非零系數的特征組合起來構建一個公式，該公式可用于計算每例腦膠質瘤的Radscore，使用Wilcoxon檢驗比較不同IDH1基因狀態Radscore的差別。

圖1 VOI示意圖

A.實質區的最大切面圖；C.其對應的3D可視化圖；B.壞死區最大切面圖；D.代表其對應的3D可視化圖

1.4 統計學方法

在R軟件中將Radscore與篩選出的臨床預測因子進行多元Logistic回歸分析，構建預測IDH1基因表達類型的組合模型，利用受試者操作特征（receiver operating characteristic，ROC）曲線對以上3種預測模型診斷效能進行評估。校準曲線和Hosmer- Lemeshow檢驗用于評估IDH1基因型的列線圖預測概率與實際結果之間的一致性，若校準曲線的擬合度較好，且>0.05，說明模型的預測性能較好。決策曲線用于評價臨床決策的凈獲益情況，并與臨床模型進行比較。

2 結果

2.1 構建臨床模型及效能評估

訓練集和測試集的IDH1基因狀態、WHO分級情況及臨床特征比較，差異均無統計學意義（表1）。經單因素Logistic回歸分析，訓練集中IDH1-M組和IDH1-W組的年齡（=0.023）、腫瘤位置2（=0.032）比較，差異有統計學意義。經多因素Logistic回歸分析后，仍選擇年齡（=0.007）和腫瘤位置2（=0.012）構建臨床模型。臨床模型在訓練集和測試集中預測IDH1狀態的曲線下面積（area under the curve，AUC）分別為0.834和0.718（圖2）；訓練集的敏感度、特異性和準確率分別為68.4%、88.0%及82.6%，測試集分別為57.1%、81.8%及75.9%。

2.2 構建影像組學模型及效能評估

對792個有效組學特征參數進行最小冗余最大相關性（mRMR）算法，得到30個特征，再進行最小絕對收縮和選擇算子（leastabsolute shrinkage and selection operator，LASSO）邏輯回歸（圖3），得到6個非零系數的組學特征來構建影像組學模型，分別計算訓練集及測試集每個患者的Radscore，結果顯示，IDH1-M組的Radsore低于IDH1-W，差異有統計學意義（圖3D）。影像組學模型在訓練集的敏感度、特異性和準確率分別為89.5%、82.0%、84.0%，測試集為71.4%、63.6%、65.5%。模型在訓練集中的AUC值為0.902，測試集的AUC值為0.831。

2.3 構建臨床-影像組學組合模型及列線圖

在臨床–影像組學組合模型的構建過程中，Logistic回歸分析將Radscore、年齡和腫瘤位置2確定為獨立預測因子，在此基礎上構建可視化臨床–影像組學列線圖（圖4）。與影像組學模型和臨床模型相比，臨床–影像組學組合模型達到最高AUC[訓練集：0.906（95%：0.834～0.991）；測試集：0.857（95%：0.707～0.995）]，敏感度、特異性和準確率訓練集分別為84.2%、90.0%、88.4%；測試集為60.0%、94.7%、82.8%。影像組學–臨床列線圖的校準曲線表明，訓練集和測試集中IDH1基因突變的預測和實際測得值之間都具有較好一致性（分別為0.751、0.196，圖5）。3個模型的決策分析曲線表明，組合模型的凈收益在幾乎整個Pt值范圍內都高于其他2個模型（圖6）。

表1 訓練集與測試集臨床特征比較

注：*采用Fisher確切概率法

圖2 訓練集（A）和測試集（B）中3種模型的ROC曲線

圖3 影像組學特征LASSO降維圖

A.利用十折交叉驗證算法求得最佳懲罰系數λ，使其對應的特征集合具有最佳分類效能；B.系數收縮圖，橫軸是log λ，縱軸表示系數；C.最終篩選出的6個非零系數特征及其對應系數；D.Radscore在不同IDH1突變狀態下的區別，lable0代表野生型，lable1代表突變型，左邊為訓練組，右邊為測試組。Radscore的截止值為–1.15

圖5 臨床-影像組學列線圖的校準曲線

3 討論

近年來，對腦膠質瘤分子結構的深入研究揭示了其特有的遺傳特征和表觀遺傳學表現，并據此劃分為不同的分子亞型，表觀遺傳與DNA的甲基化有關，IDH1基因能誘導去甲基化，因此，表觀遺傳調節IDH1基因成為腫瘤分類的關鍵生物學標志物，在腦膠質瘤進化和生物學表現起著關鍵的作用[8]。Yao等[9]關于IDH1-R132H突變與神經膠質瘤干細胞（glioma stem cells，GSC）的研究發現，IDH1-R132H的過表達會導致GSC增殖、遷移和侵襲減少，誘導細胞凋亡并改善GSC分化，而該位點的突變發生于80%以上的IDH1-M腦膠質瘤。因此，IDH1-M腦膠質瘤患者預后較好。Yan等[10]研究顯示，IDH1-M腦膠質瘤患者的中位生存期明顯高于IDH1-W。Su等[11]研究發現，IDH1-M腦膠質瘤患者平均年齡低于IDH1-W。本研究中，年齡特征也顯示出了較強的預測強度，意味著結合年齡特征的列線圖具有更好的預測能力[12]。Qi等[13]研究發現，IDH1-M腦膠質瘤主要位于額葉，本研究亦有類似發現。因此，本研究把年齡和位置加入到組合模型中來，期望提高其預測能力。

Yu等[14]關于Ⅱ級腦膠質瘤IDH1基因突變的影像組學研究，將腦膠質瘤分級作為重要特征納入研究，構建的影像組學模型AUC值為0.860，但是腦膠質瘤的分級因素需要經過手術或活檢后病理獲取，本研究是基于無創的影像組學，因此未將膠質瘤分級作為臨床特征納入研究。

一部分相關研究是基于勾畫腦膠質瘤的整體區域用于構建影像組學模型預測IDH1基因突變[14-15]。筆者認為，腫瘤rCET和rNEC包含細胞密度、微血管增殖和局部微環境的信息存在較大差異，分別提取rCET和rNEC影像組學特征可以更好地量化腫瘤的綜合信息，表征腦膠質瘤的異質性。本研究中，提取的6個組學特征中各有3個來自于rCET和rNEC，來自rCET的特征系數總和為1.399，rNEC的系數總和為1.177，特征系數的絕對值可以看作是某個特征對預測IDH1基因突變風險的重要性，絕對值越大，對分類效果的影響越顯著，筆者認為，rCET是腫瘤細胞密度較高、生長較活躍及異質性較明顯的區域，因此該區域對于IDH1基因突變預測效能較rNEC貢獻更大。在這6個特征中，包括了4個GLRLM特征和2個GLCM特征，是影像組學較常使用的特征類型，從圖像的精細程度和均勻程度反映了腫瘤的影像信息，定量地描述腫瘤的內部特征。GLRLM特征表示紋理在預設方向上的粗糙程度，其特征系數總和達1.665，筆者推測其占比較高的原因可能是這一類型下多種特征的互補從不同灰度值及方向上反映rCET和rNEC的信號強度和腫瘤的不均質性，從而更好地實現模型的預測效能。GLCM特征系數總和0.911，均為相關性特征，該特征可以顯示灰度值與GLCM中各自的體素之間的線性相關性，相關度愈大，矩陣元素值愈均勻，在本研究中，這意味著IDH1-M較IDH1-W的內部結構更加均勻，說明IDH1-M異質性低，而IDH1-W較高。

本研究構建的臨床–影像組學組合模型在訓練集和測試集中的AUC值分別為0.906和0.857，校準曲線的擬合度較好（=0.751），表明組合模型的預測能力好于單獨的模型[11-12]。決策曲線分析顯示，組合模型的臨床凈收益優于單一模型。因此，筆者認為基于分別勾畫rCET和rNEC建立的臨床–影像組學組合模型能夠較全面、完整地反映膠質瘤的異質性，在預測IDH1基因狀態方面可能具有較高的準確度。

本研究尚有一些局限性，首先，本研究為單中心研究，樣本量還不夠大，模型的效率和穩定性還有待于提高，下一步將加大樣變量繼續研究；其次，勾畫VOI無法避免各種組織類型的重疊，例如，一些沒有強化的腫瘤組織可能與水腫組織重疊，對結果可能造成影響。

綜上所述，基于MRI T1WI增強序列的臨床–影像組學列線圖能較精準地預測IDH1基因突變狀態。

[1] OHGAKI H, KLEIHUES P. The definition of primary and secondary glioblastoma[J]. Clin Cancer Res, 2013, 19(4): 764–772.

[2] TURCAN S, ROHLE D, GOENKA A, et al. IDH1 mutation is sufficient to establish the glioma hypermethylator phenotype[J]. Nature, 2012, 483(7390): 479–483.

[3] WAITKUS M S, DIPLAS B H, YAN H. Biological role and therapeutic potential of IDH mutations in cancer[J]. Cancer Cell, 2018, 34(2): 186–195.

[4] CHOI Y S, BAE S, CHANG J H, et al. Fully automated hybrid approach to predict the IDH mutation status of gliomas via deep learning and radiomics[J]. Neuro Oncol, 2021, 23(2): 304–313.

[5] WANG K, WANG Y, FAN X, et al. Radiological features combined with IDH1 status for predicting the survival outcome of glioblastoma patients[J]. Neuro Oncol, 2016, 18(4): 589–597.

[6] LAO J, CHEN Y, LI Z C, et al. A deep learning-based radiomics model for prediction of survival in glioblastoma multiforme[J]. Sci Rep, 2017, 7(1): 10353.

[7] NIU L, FENG W H, DUAN C F, et al. The value of enhanced MR radiomics in estimating the IDH1 genotype in high-grade gliomas[J]. Biomed Res Int, 2020, 2020: 4630218.

[8] GUSYATINER O, HEGI M E. Glioma epigenetics: from subclassification to novel treatment options[J]. Semin Cancer Biol, 2018, 51: 50–58.

[9] YAO Q, CAI G, YU Q, et al. IDH1 mutation diminishes aggressive phenotype in glioma stem cells[J]. Int J Oncol, 2018, 52(1): 270–278.

[10] YAN H, PARSONS D W, JIN G, et al. IDH1 and IDH2 mutations in gliomas[J]. N Engl J Med, 2009, 360(8): 765–773.

[11] SU X, SUN H, CHEN N, et al. A radiomics-clinical nomogram for preoperative prediction of IDH1 mutation in primary glioblastoma multiforme[J]. Clin Radiol, 2020, 75(12): 963.e7–963.e15.

[12] TAN Y, ZHANG S T, WEI J W, et al. A radiomics nomogram may improve the prediction of IDH genotype for astrocytoma before surgery[J]. Eur Radiol, 2019, 29(7): 3325–3337.

[13] QI S, YU L, LI H, et al. Isocitrate dehydrogenase mutation is associated with tumor location and magnetic resonance imaging characteristics in astrocytic neoplasms[J]. Oncol Lett, 2014, 7(6): 1895–1902.

[14] YU J, SHI Z, LIAN Y, et al. Noninvasive IDH1 mutationestimation based on a quantitative radiomics approach for grade Ⅱglioma[J]. Eur Radiol, 2017, 27(8): 3509–3522.

[15] HSIEH K L, CHEN C Y, LO C M. Radiomic model for predicting mutations in the isocitrate dehydrogenase gene in glioblastomas[J]. Oncotarget, 2017, 8(28): 45888–45897.

Prediction of IDH1 gene mutation in glioma using nomogram based on MRI enhanced sequence

ZHENG Jinjing, DONG Haibo, LI Ming, WANG Chaochao, WEI Yuguo

1.Department of Radiology, Ningbo Medical Center Lihuili Hospital, Ningbo University, Ningbo 315046, Zhejiang, China; 2.General Electric Pharmaceutical Co., Ltd, Hangzhou 310000, Zhejiang, China

To investigate the value of clinical-radiomics nomogram based on T1WI MRI enhanced sequence in predicting isocitrate dehydrogenase 1 (IDH1) gene mutation in glioma.T1WI MRI enhanced images of 98 cases with glioma (grade Ⅱ-Ⅳ) which were received and treated by Ningbo Medical Center Lihuili Hospital from February 2016 to February 2022, confirmed by operation and pathology were analyzed retrospectively, among them, 26 cases of IDH1 gene mutants type (IDH1-M) and 72 cases of IDH1 gene wild type (IDH1-W) were divided into training set (=69) and test set (=29) in a 7∶3 ratio, Logistic regression methods were used for screening the features and the clinical model was established. The parenchymal area and necrotic area of glioma were delineated and parameters were measured to establish a Logistic regression radiomics model, calculate Radscore, and generate the nomogram. Receiver operating characteristic (ROC) curve was used to evaluate the prediction efficiency of the three models for IDH1 gene mutation status, and the decision curve was analyzed to evaluate the clinical usefulness of the nomogram.After feature screening, six imaging features and two clinical features were selected to construct the nomogram. Area under the curve (AUC) of clinical model in training set and test set were 0.834 and 0.718 respectively. AUC of radiomics model were 0.902 and 0.831, respectively. AUC of clinical-radiomics combined model were 0.906 and 0.857, respectively. The calibration curve proved that there was a good agreement between the predicted and observed values of IDH1 genotypes in the training set (=0.751). The decision curve analysis curve showed that the net benefit of the combined model was higher than that of the clinical model and the radiomics model in almost the entire Pt range.Clinical-radiomics nomogram based on MRI T1WI enhanced sequence can accurately predict IDH1 gene mutation status.

Glioma of the brain; Magnetic resonance imaging; Isocitrate dehydrogenase; Radiomics; Genotype

R445.2

A

10.3969/j.issn.1673-9701.2023.29.001

浙江省醫藥衛生科技項目（2023KY1047，2017KY572）；寧波市科技惠民項目（2016C51017）

董海波，電子信箱：donghb18@sina.com

（2023–04–07）

（2023–04–29）