神經突方向離散度和密度成像預測成人型彌漫性膠質瘤IDH基因型的應用

張馳，吳瓊，何金龍，謝生輝，王鵬，王少彧，張華鵬，高陽*

作者單位 1.內蒙古醫科大學附屬醫院影像診斷科，呼和浩特 010059；2.西門子醫療系統有限公司，上海 200126

0 引言

膠質瘤是成人最常見的原發性惡性腦腫瘤，全球發病率可達到4.67～5.73/10 萬人[1]，具有預后差、易復發、病死率高等特點。2021 年世界衛生組織（World Health Organization, WHO）發布了新版中樞神經系統腫瘤分類，這一版本進一步強調了分子遺傳特征在實際臨床工作及相關研究中的重要性。該版分類將成人型彌漫性膠質瘤（adult-type diffuse glioma, ADG）按照組織學及分子特征聯合分為2～4 級[2]，其中2～3 級劃分為低級別膠質瘤（low grade glioma, LGG），好發于年輕人，腫瘤多呈相對局限性生長，細胞增殖速度慢，惡性程度相對較低，且對治療表現出一定的敏感性[3]。原發性膠質母細胞瘤則是高級別膠質瘤（high grade glioma, HGG）中最常見的惡性腫瘤，生長速度快，復發率高，預后差，發病率隨著年齡的增長而增加，其中位生存年齡約為65歲[4]。既往研究表明[5]，與異檸檬酸脫氫酶（isocitrate dehydrogenase,IDH）野生型個體相比，IDH 突變型膠質瘤更易于全切除，對放化療更加敏感，這導致IDH 突變型膠質瘤患者總生存期更長。雖然目前腫瘤分子基因型的方式仍以病理取材為主，但因個體間存在差異，仍有一部分患者不能進行手術或穿刺。因此，在術前采用非侵入性的檢查方法預測IDH 狀態對于提高ADG的診斷準確性、確定預后和預測治療反應方面發揮著至關重要的作用。

2012年，有學者[6]提出了神經突方向離散度與密度成像（neurite orientation dispersion and density imaging, NODDI）模型，該模型構建了一個三室生物物理模型，首次證明了臨床可行范圍內活體大腦的神經突密度和定向擴散成像。與擴散張量成像（diffusion tensor imaging, DTI）相比，NODDI 的成像參數更具體，對微結構的改變更敏感。目前國內外已有學者將NODDI 用于阿爾茨海默病[7-8]、帕金森病[9]、多發性硬化[10-11]和腫瘤性病變[12-14]。對于一些生長部位位于皮質脊髓束（corticospinal tract, CST）附近的患者來說，通常手術難以完全切除腫瘤，并且容易損傷CST，進而影響術后運動功能的恢復。有研究表明，NODDI 似乎可以通過提供有關腫瘤微環境誘導的CST 損傷的神經突密度的額外信息[12]，并且進而評估患者的生存質量。高璐月等[15]嘗試使用多種擴散模型區分IDH 基因狀態，研究發現NODDI 模型所擬合的部分定量參數在IDH 野生型與突變型組間存在明顯差異，但GUO 等[16]卻得出了相反的結論。此外，也有研究認為NODDI 不能夠用于預測IDH 狀態[17]。因此，本研究嘗試通過NODDI 定量參數描述不同IDH 基因型間腫瘤特征分布，然后通過多流水線構建臨床預測模型。

1 材料與方法

1.1 一般資料

回顧性分析2018 年6 月至2022 年6 月在內蒙古醫科大學附屬醫院就診的51例經病理證實的ADG患者，男28 例，女23 例，年齡（53.76±11.99）歲。IDH 突變型21 例，其中男10 例，女11 例；IDH 野生型30 例，其中男13 例，女17 例。納入標準：（1）術前行MRI 掃描且圖像質量理想；（2）遵照WHO 第五版中樞神經系統腫瘤分類進行病理學診斷；（3）行MRI檢查前未進行過放化療等治療。排除標準：（1）圖像掃描后3 個月內未進行病理取材；（2）病理證實為其他腫瘤；（3）患者年齡小于18 歲。本研究遵守《赫爾辛基宣言》和《人體生物醫學研究國際道德指南》的倫理原則，受試者的招募基于自愿原則，均簽署了知情同意書。本研究經內蒙古醫科大學附屬醫院倫理委員會批準，批準文號：WZ (2023062)。

1.2 MRI掃描

所有患者均于術前在我院3.0 T 磁共振設備上（MAGNETOM Skyra, Siemens Healthineers, Erlangen,Germany）行相關序列掃描，采用32 通道頭頸聯合線圈進行。常規掃描序列包括軸位反轉恢復T1WI、軸位快速自旋回波T2WI、軸位擴散加權成像（diffusion-weighted imaging, DWI）和3D-磁化準備快速梯度回波（magnetization prepared rapid acquisition gradient echo imaging, MPRAGE）-T1，增強掃描于靜脈注射釓噴酸葡胺注射液（Gadovist，Bayer Healthcare）0.1 mmol/kg后進行。多殼擴散掃描通過軸位擴散頻譜成像（diffusion spectrum imaging, DSI）進行，主要參數如下：掃描方向數為128，具體 b 值分別為200、400、550、750、950、1150、1500、1700、1850、1900、2050、2250、2450、2650、3000 s/mm2，TR 7000 ms，TE 107 ms，FOV 260 mm×260 mm，掃描層數50 層，掃描序列的具體參數見表1。

表1 MRI掃描序列參數Tab.1 Different sequence scanning parameters of MRI

1.3 圖像預處理和感興趣區的勾畫

首先，使用Diffusion Kit 對DSI 采集得到的原始dicom 數據進行渦流和運動校正。然后，使用Neu-DiLab[18]（成都眾影醫療科技有限公司）后處理軟件計算獲得NODDI參數圖。NODDI定量參數包括細胞內體積分數（intra-cellular volume fraction, ICVF）、細胞外體積分數（extra-cellular volume fraction, ECVF）、各向同性體積分數（volume fraction of the isotropic compartment, ISOVF）和方向離散指數（orientation dispersion index, ODI）。

3D-Slicer 被用于感興趣區（region of interest,ROI）的勾畫，分別在腫瘤實質區、瘤周水腫區和對側腦白質區逐層手動選擇ROI。腫瘤實質區內需盡可能避免囊變、壞死和出血，如果腫瘤存在強化，則選擇強化區域；如果腫瘤無強化且實質內信號不均勻，則選擇表觀擴散系數 （apparent diffusion coefficient,ADC）圖信號最低的區域作為ROI。瘤周水腫區選擇腫瘤強化邊緣外的T2高信號區域。對側正常腦組織區選擇病變對側常規MRI下未見明顯異常信號的白質區（該區域特征用于橫向組間比較，并不參與后續模型構建）（圖1）。每種ROI 參數值測量三次，然后計算每個參數值的總平均值。本研究中患者的基本信息和臨床病史被盲化，然后由兩名醫生（分別為10年和11年工作經驗）對圖像進行分析和測量，意見有分歧時協商解決。

圖1 感興趣區勾畫圖示。綠色：腫瘤實質區；紅色：瘤周水腫區；黃色：對側正常腦組織區。T1-CE：增強后T1 加權成像；T2：T2 加權成像；3D-ROI：三維感興趣區。Fig.1 A diagram of the region of interest.Green: parenchyma area; Red:peritumoral edema; Yellow: contralateral normal brain tissue.T1-CE: enhanced T1WI;T2: T2WI; 3D-ROI: three-dimensional region of interest.

1.4 病理學及基因檢測方法

所有組織樣本均以石蠟塊包埋，并在我院的病理學部門使用符合世界衛生組織2021年組織病理學和免疫組織化學指南的方法進行分析。分析圖像的病理學家有23 年的工作經驗，病理學家對臨床信息和成像結果是不知情的。

對于腫瘤基因測序，使用一步法（多重PCR 擴增聯合NGS測序）對腫瘤實體進行檢測。一步法簡易化流程為：（1）從福爾馬林固定-石蠟包埋的組織中提取DNA，并對DNA 進行定量評估；（2）利用擴增子的方法對DNA 進行建庫，在片段質控合格后定量上機；（3）制備模板，之后進行堿基識別和堿基信息測序并統計；（4）測序結果與人類參考基因組hg19（GRCh37）的比對；（5）對數據進行變異分析和結果注釋，生成報告。

1.5 模型構建

FeAture Explorer（FAE, 0.5.2）被用于模型建立[19]，在預測模型的開發過程中考慮了多條流水線組合，包括1 種數據降維方法（Pearson 相關），4 種特征選擇方法（方差分析、遞歸特征消除、Kruskal-Wallis和Relief）和4 種線性分類器（邏輯回歸，邏輯回歸通過最小絕對收縮和選擇算子、線性判別分析和支持向量機），共16 個流水線。首先，全部51 例數據通過Pearson 相關減少特征數量，之后通過4 種特征選擇方法來分別選擇有效特征，最終通過4種線性模型嘗試構建最佳模型。留一法交叉驗證被用于特征數量選擇和超參數調整。然后，如果內部驗證集在增加或減少預測因子數量后沒有產生令人滿意的結果，則重建模型。也就是說，在交叉驗證中執行特征數量的選擇。

1.6 統計方法

使用受試者工作特征（receiver operating characteristic,ROC）曲線對模型預測IDH 基因型的性能進行了評價。曲線下面積（area under the curve, AUC）的95%置信區間（confidence interval,CI）由1000 個樣本的自舉法生成。使用綜合判別改變指數（integrated discrimination improvement, IDI）、凈重分類改善指數（net reclssification improvement, NRI）來比較不同模型之間的性能。模型與實際結果之間的偏差通過校準曲線可視化，并通過Brier 評分量化。采用決策曲線分析最終預測模型在不同閾值概率下的凈效益，以增加在臨床實踐中實際應用的可能性。

定量數據以均數±標準差表示。組間年齡的比較采用獨立樣本t檢驗，分類變量比較采用χ2檢驗和Fisher's 檢驗。此外，通過單因素ANOVA 比較了腫瘤實質區、瘤周水腫區和對側腦組織區擴散參數的差異，Bonferroni 被用于P值的校正。所有統計分析均為雙側分析，P＜0.05 為差異有統計學意義。所有統計分析均使用SPSS 26.0、 R4.1.2 和Python 3.9.12軟件進行。

2 結果

2.1 臨床資料

IDH 突變組21 例，其中男10 例，女11 例；IDH 野生組30 例，其中男13 例，女17 例。兩組之間年齡差異有統計學意義，IDH 野生型組年齡高于突變型組（P=0.001）；性別在兩組之間未見差異（表2）。

表2 臨床基線資料Tab.2 Comparison of general clinical data in different groups

2.2 單因素分析與IDH基因分型的關系

IDH突變組和野生組間NODDI參數的分布狀態及單因素特征對于IDH 的預測性能見表3。在比較了腫瘤實體、瘤周水腫及對側腦組織區域后，IDH 野生組內4 種擴散參數對應的3 種不同區域之間均存在差異（P＜0.05），而IDH 突變組內只有ECVF 和ICVF同時存在差異（P＜0.05）。

表3 NODDI參數組間分布及單因素ROC 曲線下特征Tab.3 Distribution of NODDI parameters between groups and characteristics under single ROC curve

組間比較后發現，只有IDH 野生型組的瘤周水腫區ODI 值低于IDH 突變型組（P=0.019），余組間ECVF、ICVF 和ISOVF 未見差異。在實質區和水腫區之間，ECVF 和ISOVF 組間未見差異（P＞0.05）；在水腫區和對側白質區之間，ODI 組間未見差異（P=0.082）；余組間比較差異有統計學意義（P＜0.05）。其中，ICVF能夠同時鑒別實質區、水腫區和對側腦組織區（P＜0.05），對側腦組織區和水腫區分別具有最高和最低的ICVF 值。單因素擴散參數預測IDH 的AUC 取值范圍為0.508～0.695，只有水腫區ODI 能夠用于預測IDH狀態（P=0.019）。

2.3 綜合預測模型的構建及診斷效能

綜合模型的特征選擇通過Kruskal-Wallis 進行，然后使用線性判別分析構建模型，其中年齡和水腫區ODI的貢獻度分別為0.11和-6.65。綜合預測模型的ROI 為0.835（95%CI：0.703～0.941），訓練集和驗證集的準確度分別為82.4%和80.4%，并且敏感度和特異度均超過了0.750（表4）；綜合預測模型的診斷性能高于單獨使用年齡[0.773（95%CI：0.624～0.894）]和ODI [0.695（95%CI：0.538～0.845）]（圖2）。IDI 以及NRI證明了綜合模型具有最高的診斷性能（所有P值均小于0.001）。決策曲線分析和校準曲線證明了綜合模型的臨床凈收益和最接近真實數據的分布（Brier分數：0.163）（圖3）。

圖2 綜合預測模型在訓練隊列中的ROC 曲線。綜合預測模型診斷效能最高，ROC 曲線下面積為0.835（0.703～0.941），高于單獨使用年齡0.773（0.624～0.894）和水腫區ODI 值0.695（0.538～0.845）。ROC：受試者工作特征；AUC：曲線下面積；ODI：方向離散指數。圖3 綜合預測模型在訓練隊列中的決策曲線分析和校準曲線。決策曲線顯示，閾值大于0.28提示了額外的臨床收益。校準曲線顯示，綜合模型的預測值接近真實分布，Brier值為0.163（當Brier評分越小時，模型損失越小）。Fig.2 ROC curve of comprehensive prediction model in training queue.The comprehensive prediction model has the highest diagnostic efficiency, and the area under ROC curve is 0.835 (0.703-0.941).It is higher than 0.773 (0.624-0.894) of age and 0.695 (0.538-0.845) of ODI in edema area.ROC: receiver operating characteristic;AUC: area under the curve; ODI: orientation dispersion index.Fig.3 Decision curve analysis and calibration curve of comprehensive prediction model in training queue.The decision curve shows that when the threshold is greater than 0.28, it suggests additional clinical benefits.The calibration curve shows that the predicted value of the comprehensive model is close to the real distribution, and the Brier value is 0.163 (the smaller the Brier score, the smaller the model loss).

表4 綜合預測模型的ROC曲線下特征（n=51）Tab.4 Characteristics under ROC curve of comprehensive prediction model (n=51)

3 討論

本研究討論了NODDI 參數預測ADG IDH 基因狀態的可行性，結果顯示NODDI 定量參數捕捉到了ADG引起的擴散改變，其中ICVF能夠同時鑒別實質區、水腫區和對側白質區。水腫區ODI 能夠用于IDH預測（AUC=0.695）。并且相較于單因素模型，結合了臨床特征的綜合預測模型具有更高的準確性和穩定性。另外，本研究采用了機器學習的方法以構建最優診斷模型，未涉及使用深度學習。最主要原因是小樣本量下數據集的劃分并不能滿足深度學習網絡的訓練要求，此外還未發現基于先進擴散模型的預訓練網絡進行遷移來提取額外的深度學習特征。已有大量研究進行了基于深度學習的額外特征獲取，暫時不足以獲得充足的證據以支持深度學習特征完全優于傳統手工特征。我們將繼續收集樣本以在未來的研究中分析不同應用方法對于臨床應用的差異。

NODDI作為一種理論模型相對完善的擴散成像技術，它將微觀擴散運動假定為一種三室生物物理組織模型[6]，該技術可以用于推斷和量化神經突（軸突和樹突）的方向和結構。相較于兩室物理模型[20]，NODDI 更加注重于量化神經突方向的變化，并捕獲了垂直于神經突的高度受限的擴散變化，以及遵循沃森分布的沿神經突的無阻礙擴散。既往研究表明[21]，在評估年齡和性別對于腦白質微結構的影響時，與平均表觀傳播磁共振成像相比，NODDI 因其獨特的成像原理使得對于檢測這種結構改變更加敏感。

3.1 NODDI預測IDH基因型

在本研究中，相較于IDH 野生型膠質瘤患者，突變型患者更年輕，這一現象符合膠質瘤的流行病學特點[22]。既往研究表明[17]，HGG 具有更高的ICVFtumor和更低的ICVFedema，而LGG 具有更低的ICVFtumor的和更高的ICVFedema；然而，在區分IDH 突變狀態時，NODDI的定量參數沒有發現顯著組間差異。這與我們得出的結論不同，我們發現ODIedema可以有效地預測IDH 狀態，我們認為出現這種結果的原因可能是兩項研究中不同的腫瘤類型分布數量不同，并且腫瘤實質區域的勾畫不局限于最大腫瘤及臨近層面，其次，前者的研究中并未將整個水腫區域進行勾畫，而是將腫瘤邊緣1 cm 內的T2 高信號影作為瘤周水腫區，這可能會對測量值的準確性產生影響，進而影響統計學結果。

IDH 野生型與突變型膠質瘤在常規MRI 圖像上有一定的差異，具體表現為IDH 突變型多為單發病變，更易出現無強化或輕度強化且很少出現壞死，相比之下IDH 野生型常表現為明顯異常強化[23-24]。結合病理機制考慮可能是因為IDH 突變型膠質瘤與微血管稀疏相關而導致的生長速度慢，相比之下野生型膠質瘤微結構更復雜、腫瘤異質性更高，由于腫瘤生長速度快，其更豐富的微血管生成及血腦屏障的破壞使得病變常表現為明顯強化。與IDH 突變型個體相比，野生型膠質瘤具有更高的細胞數目、核多形性、內皮增殖活性和微血管密度，導致水分子擴散受阻和受限的程度更高。但是我們的研究中并沒有發現IDH 野生型的ICVF 值高于IDH 突變型。同樣，在理論預期結果中， IDH 野生型所引起的正常腦組織破壞程度比IDH 突變型更明顯，神經纖維受壓、彎曲和移位將導致更高的ODI 值。但是在我們的研究中，腫瘤實質區的ODI 沒有表現出差異，而IDH 野生型組的瘤周水腫區ODI 值低于IDH 突變型組。一個主要的原因可能是IDH 野生型腫瘤由于其惡性程度更高，導致瘤周水腫區以浸潤性水腫為主，周邊神經纖維破壞得更完全，剩余的神經纖維數量減少，纖維彎曲和交叉的程度更低。另一項使用NODDI鑒別膠質母細胞瘤和孤立性腦轉移瘤的研究[25]進一步證實了我們的猜想，并且他們發現瘤周水腫區的ICVF 表現出了最高的診斷效能，這一發現表明NODDI 有可能提供了與腫瘤環境有關的新的有價值的生理信息。

有研究[26]發現LGG 和HGG 腫瘤實質區NODDI的四個擴散參數值均較正常對照區降低，本研究中ODI值高于對側白質區，細胞浸潤造成的影響不能被排除，但是不同基因狀態和級別的膠質瘤不能一概而論，病變本身也存在較大的差異，如IDH 野生型的患者病變范圍更大，邊界更模糊。神經膠質瘤的組織學特征是異常的細胞亢進、細胞核多形性、內皮增殖活性和微血管密度[27]，所有這些轉化將取代正常的腦組織并滲透到鄰近的腦組織中，從而導致大腦微環境的改變。或許可以解釋為ODI 主要代表軸突的方向分散度和量化軸突的方向變化，由于神經元纖維破壞，神經纖維交叉而導致更大的ODI 值，這與既往FIGINI 等[28]的研究得出的結果一致。此外，我們發現對側白質區和瘤周水腫區分別具有最高和最低的ICVF 值，原因可能是腫瘤浸潤導致瘤周水腫區的細胞被破壞，使得其水分子在細胞內擴散受限程度相應下降。

3.2 NODDI與DTI、DKI在預測IDH基因型方面的對比

結合年齡變量和瘤周水腫區中ODI 的平均值對ADG 的IDH 基因分型具有最高的診斷性能。LUAN等[29]的Meta 分析中總結了不同的擴散模型對于IDH的預測性能，肯定了擴散峰度成像（diffusion kurtosis imaging, DKI）的應用價值遠遠高于DTI。另有多項研究[30-31]表明，DKI參數中FA 及MD 值可以用于預測IDH基因狀態，進一步肯定了DKI在鑒別膠質瘤IDH基因狀態中的臨床價值。XIE 等[32]的研究發現NODDI 在預測IDH 時的表現要優于DKI 和DTI，其中ICVF（AUC=0.753）的診斷效能最高，高于FA 值（AUC=0.640）和ADC 值（AUC=0.750），研究的結果肯定了先進擴散模型的優勢。但是另有研究[33-34]認為DTI、DKI 的參數在鑒別膠質瘤級別時比NODDI參數表現更好，NODDI并沒有提高額外的診斷效能，造成上述研究結果矛盾的可能因素有很多，掃描機器的型號不同、ROI 勾畫方式的不同、樣本量的大小都會對后續的統計分析具有一定影響。例如，相較于手工特征，卷積神經網絡[35]提升了基于NODDI 的綜合模型的診斷性能。具有針對性的專有訓練模型或搞泛化性的遷移模型是未來通過先進擴散模型進行臨床應用的重要研究方向。

3.3 局限性

當前的研究具有幾個局限性。首先，本研究為回顧性研究，為了盡可能糾正混雜偏倚進行了嚴格的樣本篩選，導致研究的樣本量相對不足，這限制了模型的穩定性和結論的可信度，未來需要更大的樣本量或多中心研究來確認NODDI 的實際臨床價值。其次，該研究的ROI 為半自動繪制，雖然高年資醫師的勾畫在一定程度保證了其準確性和再現性，但是全自動腫瘤勾畫的方式實際上增加了最終結果的泛化能力。此外，NODDI模型的理論模型是物理模型，與實際人體的組織結構仍具有差異，這可能會限制組織微結構的描述。最后，多模態數據的應用、放射組學對于高階特征的提取和深度學習的應用有望進一步提高綜合預測模型的判別能力。

4 結論

綜上所述，NODDI可以解釋ADG 因腫瘤異質性引起的水分子擴散異常，與正常區域的比較將進一步闡述腫瘤微環境改變所引起的宏觀變化。并且基于NODDI 參數和臨床特征構成的綜合模型可以用于ADG IDH 基因狀態的準確預測，進一步證實了NODDI的理論優勢，為ADG 患者的臨床診療過程提供指導意見，最終改善患者預后和延長生存時間。

作者利益沖突聲明：全體作者均聲明無利益沖突。

作者貢獻聲明：高陽設計本研究的方案，對稿件重要的智力內容進行了修改，獲得了內蒙古自治區科技計劃項目的資助；張馳起草和撰寫稿件，獲取、分析和解釋本研究的數據；吳瓊、謝生輝、王鵬、王少彧、何金龍分析或解釋本研究的數據，對稿件重要內容進行了修改；全體作者都同意發表最后的修改稿，同意對本研究的所有方面負責，確保本研究的準確性和誠信。