基于磁共振成像的影像組學(xué)特征在腦膠質(zhì)瘤分級中的應(yīng)用

摘要：目的" 基于MRI T2WI序列構(gòu)建的影像組學(xué)模型區(qū)分腦膠質(zhì)瘤Ⅱ級和Ⅲ級的診斷效能。方法" 本研究影像學(xué)數(shù)據(jù)均來自于癌癥基因組數(shù)據(jù)集，收集了梅奧診所于2002年10月～2011年8月進行MRI平掃及腫瘤分級的159例大腦膠質(zhì)瘤數(shù)據(jù)，包括膠質(zhì)Ⅱ級（n=104）和Ⅲ級（n=55），按7：3的比例將患者分為訓(xùn)練組（n=111）和驗證組（n=48）。將T2WI圖像導(dǎo)入ITK-SNAP v.3.4.0軟件，手動勾畫大腦全腫瘤感興趣區(qū)（VOI），然后將勾畫過的數(shù)據(jù)導(dǎo)入A.K軟件用于提取腫瘤的影像組學(xué)特征，共396個特征被提取，主要特征包括6類，分別為直方圖、灰度共生矩陣、灰度大小區(qū)域矩陣、灰度行程矩陣、形狀及Haralick。采用LASSO回歸模型進行進一步的特征篩選。根據(jù)篩選得到的特征與其相應(yīng)回歸系數(shù)的加權(quán)線性組合構(gòu)建影像組學(xué)模型，并據(jù)此計算每位患者的影像組學(xué)評分。在訓(xùn)練組和驗證組中采用ROC曲線下面積（AUC）評估影像組學(xué)模型的預(yù)測性能。影像組學(xué)的校準(zhǔn)度采用Hosmer-Lemeshow檢驗進行評價。通過采用決策曲線分析進行評估影像組學(xué)模型的臨床價值。結(jié)果" 篩選出4個影像組學(xué)特征，建立與膠質(zhì)瘤分級顯著相關(guān)的影像組學(xué)模型。該模型在訓(xùn)練組中AUC為0.723（95% CI： 0.684～0.863），敏感度為75%，特異度為89%，校準(zhǔn)度為0.120。在驗證組中，AUC為0.800（95% CI：0.657～0.942），敏感度為73%，特異度為82%，校準(zhǔn)度為0.561。決策曲線分析顯示閾值概率在0.17%～0.99% 時，影像組學(xué)模型對較低級別膠質(zhì)瘤的分級能力優(yōu)于將所有患者認(rèn)為Ⅱ級及Ⅲ級。結(jié)論" 基于MRI T2WI序列圖像建立的影像組學(xué)模型有助于區(qū)分較低級別膠質(zhì)瘤的Ⅱ級及Ⅲ級，為患者制定手術(shù)方案和預(yù)后情況提供一種無創(chuàng)性技術(shù)手段。

關(guān)鍵詞：膠質(zhì)瘤；影像組學(xué)；MRI

Application value of radiomics features based on magnetic resonance imaging" in grading of cerebral of gliomas

FAN Lihua1， HAN Dong1， JIA Yongjun1， DUAN Haifeng1， YU Nan1， 2， YU Yong1， 2， ZHENG Yunsong1， 2， WEI Wei1

1Department of Medical Imaging， Affiliated Hospital of Shaanxi University of Traditional Chinese Medicine， Xianyang 712000， China; 2School of Medical Technology， Shaanxi University of Traditional Chinese Medicine， Xianyang 712046， China

Abstract： Objective To evaluate the value of radiomics model in distinguishing grade II and III of gliomas from T2-weighted MRI images. Methods 159 gliomas patients （Mayo Clinic， October 2002- August 2011）， who underwent non-enhanced MRI and tumor grades confirmation from the Cancer Genome Atla （TCIA） data portal， including grade II （n=104） and III （n=55） of gliomas. Patients were divided into training cohorts （n=111） and validation cohorts （n=48） in a ratio of 7：3. Gliomas were imported into the ITK-SNAP to manually delineate volume of interest （VOI） on T2-weighted images. The delineated data was imported into A.K software （Artificial Intelligence Kit v.3.1.0.R， GE Company） to extract tumor radiomics features. A total of 396 features were extracted， and the main features included 6 categories including Histogram， GLCM， GLSZM， RLM， Form Factor， Haralick. LASSO regression was used for feature screening. A formula was generated using a linear combination of selected features that were weighted by their respective LASSO coefficient. A radiomics score was calculated for each patient by the formula. The predictive accuracy of radiomics model was quantified by AUC in both cohorts. The calibration degree of the radiomics was evaluated by Hosmer?Lemeshow test. The clinical usefulness of the radiomics model was assessed by decision curve analysis. Results Four radiomics features were chosen to build a radiomics model that distinguished grade II and III of gliomas with an AUC， sensitivity， specificity and CD of 0.723， 75%， 89%， 0.120 in training cohort; and 0.800， 73%， 82%， 0.561 in the validation cohort， respectively. When the threshold probability of DCA is 0.17%-0.99%， the classification of lower grade glioma by radiomics model is better than that of all patients as grade II and III. Conclusion" The radiomics model based on T2-weighted MRI images can distinguish grade II and III of lower grade gliomas， providing a non-invasive technique for developing a surgical plan and prognosis for gliomas patients.

Keywords： gliomas; radiomics; MRI

腦膠質(zhì)瘤是常見的惡性中樞神經(jīng)系統(tǒng)腫瘤［1］ ，WHO將其分為Ⅰ～Ⅳ級，Ⅰ、Ⅱ級為低級別，Ⅲ、Ⅳ級為高級別［2］ ，Ⅱ、Ⅲ級為較低級別膠質(zhì)瘤［］ 。膠質(zhì)瘤的精確組織學(xué)分級對患者的治療方案及預(yù)后非常重要。在臨床上區(qū)分Ⅱ級和Ⅲ級膠質(zhì)瘤的金標(biāo)準(zhǔn)是病理活檢，但其為有創(chuàng)性檢查，不僅增加了并發(fā)癥發(fā)生率，還增加患者的死亡率，不適合進行術(shù)前分級［4］ 。在術(shù)前尋找一種無創(chuàng)性方法對膠質(zhì)瘤進行準(zhǔn)確術(shù)前分級至關(guān)重要。磁共振成像是一種無創(chuàng)性檢查，可提供腫瘤的位置、大小及形態(tài)［5］ ，但是對于膠質(zhì)瘤的精確分級有一定的局限性。影像組學(xué)是一種圖像分析方法，其主要基于CT、MRI圖像提取大量的數(shù)據(jù)特征［6］ ，進一步處理分析，最終挖掘出預(yù)測腫瘤組織學(xué)分級的影像學(xué)特征。近年來影像組學(xué)對很多種疾病的研究較多，目前有研究提取了影像組學(xué)特征在預(yù)測較低級別腦膠質(zhì)瘤分級中的應(yīng)用，但是預(yù)測效能不理想。故本研究基于MRI技術(shù)與影像組學(xué)，評估T2WI序列建立的影像組學(xué)標(biāo)簽鑒別腦膠質(zhì)瘤Ⅱ級和Ⅲ級的能力，旨在為膠質(zhì)瘤患者制定手術(shù)方案和預(yù)后情況提供更多影像學(xué)依據(jù)。

1" 資料與方法

1.1" 一般資料

本研究所有影像學(xué)數(shù)據(jù)均來自于癌癥基因組數(shù)據(jù)庫［7， 8］ ，并且通過了癌癥研究所倫理委員會的審批，收集了梅奧診所于2002年10月～2011年8月共159例大腦膠質(zhì)瘤數(shù)據(jù)，均進行了MRI平掃及手術(shù)病理活檢，包括膠質(zhì)瘤Ⅱ級（n=104）和Ⅲ級（n=55）。應(yīng)用分層抽樣方法按7：3的比例將患者分為訓(xùn)練組（n=111）和驗證組（n=48）。

1.2" 感興趣區(qū)勾畫及影像組學(xué)特征計算

本研究將T2WI橫斷位圖像導(dǎo)入ITK-Snap v.3.4.0軟件，然后由1位具有高級資歷的影像科診斷醫(yī)師勾畫病灶的全腫瘤區(qū)域容積興趣區(qū)（VOI），包含出血、壞死囊變區(qū)以及瘤周水腫。將腫瘤的VOI保存為邊界文件（.nii格式），2月后再經(jīng)一位影像醫(yī)師手動修正，1.nii文件以保證邊界文件的準(zhǔn)確性。將此邊界文件及Dicom數(shù)據(jù)導(dǎo)入A.K軟件（Artificial Intelligence Kit v.3.1.0.R，GE）共提取396個影像組學(xué)特征，特征包含直方圖、灰度共生矩陣、灰度大小區(qū)域矩陣、灰度行程矩陣、形狀及Haralick 6類，其中灰度共生矩陣及灰度行程矩陣步長設(shè)置為1、4及7（圖1）。

1.3" 影像組學(xué)特征篩選及模型的建立

采用LASSO回歸模型對訓(xùn)練組進一步篩選膠質(zhì)瘤的影像組學(xué)特征。將篩選得到的特征及其系數(shù)的積和構(gòu)建影像組學(xué)模型，并計算每位患者的影像組學(xué)評分。用驗證組的數(shù)據(jù)對建立的影像組學(xué)模型進行驗證。

1.4" 影像組學(xué)標(biāo)簽效能評估

對訓(xùn)練組和驗證組繪制ROC曲線，計算敏感度及特異度，應(yīng)用ROC曲線下面積（AUC）評估影像組學(xué)模型的鑒別效能。采用Hosmer-Lemeshow檢驗分析影像組學(xué)模型在訓(xùn)練組和驗證組的校準(zhǔn)度。影像組學(xué)預(yù)測模型采用決策曲線分析（DCA）［9］ ，分析不同概率閾值下的患者凈受益情況，評估影像組學(xué)模型的臨床價值。

1.5" 統(tǒng)計學(xué)分析

采用SPSS25.0軟件及R語言對數(shù)據(jù)進行統(tǒng)計分析，以Plt;0.05為差異有統(tǒng)計學(xué)意義。服從正態(tài)分布且方差齊的計量資料以均數(shù)±標(biāo)準(zhǔn)差表示，組間比較采用獨立樣本t檢驗。計數(shù)資料以n（%）表示，組間比較采用卡方檢驗。一致性檢驗時二分類參數(shù)采用Kappa檢驗，有序多分類參數(shù)采用Weighted-Kappa檢驗。

2" 結(jié)果

2.1" 影像組學(xué)評分

經(jīng)交叉驗證確定最優(yōu)λ值為0.53[log（λ）=-2.10]（圖2）。4個非零系數(shù)的影像組學(xué)特征被篩選（圖3）。將這4個特征及其系數(shù)的積和建立影像組學(xué)風(fēng)險評分。在訓(xùn)練組，膠質(zhì)瘤Ⅱ級和Ⅲ級的影像組學(xué)評分分別為-1.87±1.11及0.48±1.14，差異有統(tǒng)計學(xué)意義（t=-7.53，Plt;0.01），在驗證組分別為-1.16±1.27及0.64±0.92，差異有統(tǒng)計學(xué)意義（t=-3.56，Plt;0.01）。

2.2" 影像組學(xué)模型診斷效能

訓(xùn)練組的AUC為0.723（95% CI： 0.684～0.863），敏感度為75%，特異度為89%，Hosmer-Lemeshow檢驗結(jié)果顯示校準(zhǔn)度為0.709（圖4A）。驗證組的AUC為0.800（95% CI： 0.657～0.942），敏感度為73%，特異度為82%，校準(zhǔn)度為0.561（圖4B）。

2.3" DCA

DCA顯示，當(dāng)概率閾值在0.17%～0.99%時，影像組學(xué)模型對較低級別膠質(zhì)瘤的分級能力優(yōu)于將所有患者認(rèn)為Ⅱ級和Ⅲ級（圖5）。

3" 討論

腦膠質(zhì)瘤是最常見的原發(fā)性惡性腦腫瘤，占顱內(nèi)原發(fā)性腫瘤的40%～50%［10］ ，其分級程度與治療手段及預(yù)后緊密相關(guān)［11］ ，術(shù)前的診斷及分級至關(guān)重要。組織病理學(xué)檢查在膠質(zhì)瘤術(shù)前分級中應(yīng)用受到了限制［12］ 。MRI是診斷膠質(zhì)瘤和術(shù)前分級最常用的影像學(xué)檢查［13］ ，但是其不能精確評估膠質(zhì)瘤的術(shù)前分級［14-18］ 。而影像組學(xué)基于CT、MRI、PET-CT圖像提取大量影像學(xué)特征［19］ ，具有無創(chuàng)性、易操作及可定量的優(yōu)點［20］ ，在膠質(zhì)瘤分級方面應(yīng)用較多［21］ 。本研究結(jié)果顯示，基于MRI常規(guī)T2WI序列的影像組學(xué)模型可以較好的區(qū)分較低級別膠質(zhì)瘤的Ⅱ級和Ⅲ級，在訓(xùn)練組和驗證組中的AUC均較高，敏感度和特異度也較高。DCA顯示閾值概率在0.17%～0.99%時，使用影像組學(xué)標(biāo)簽鑒別膠質(zhì)瘤分級優(yōu)于將所有患者認(rèn)為Ⅱ級和Ⅲ級。

本研究選用T2WI序列來建立影像組學(xué)標(biāo)簽。由于T2WI序列對腫瘤內(nèi)部的壞死囊變成分更敏感，有文獻表明T2WI可以間接地反映腫瘤的惡性程度。有研究發(fā)現(xiàn) T2WI圖像高信號提示前列腺癌分級較高［22］ ；有學(xué)者發(fā)現(xiàn)T2WI高信號與肝細(xì)胞癌生長速度有關(guān)，提示腫瘤更具侵襲性［23］ 。還有研究發(fā)現(xiàn)T2WI序列上可以顯示顱內(nèi)孤立性纖維瘤內(nèi)部的具體信號，對其診斷提供了較好的幫助［24］ ，這與本研究應(yīng)用的序列一致。

本研究發(fā)現(xiàn)基于T2WI序列的影像組學(xué)方法可以較好的區(qū)分較低級別膠質(zhì)瘤的Ⅱ級和Ⅲ級。有研究基于MRI序列構(gòu)建的影像組學(xué)對膠質(zhì)瘤進行術(shù)前分級，從66例膠質(zhì)瘤患者術(shù)前的FLAIR、ADC和T1WI增強圖像中共提取了114個影像組學(xué)特征，并對這些特征進行進一步篩選，篩選出8個具有顯著相關(guān)的特征［25］ 。該方法能夠說明基于多種 MRI 序列的影像組學(xué)模型對膠質(zhì)瘤分級具有良好的價值，但是沒有對膠質(zhì)瘤的Ⅲ、Ⅲ級進行分級；而本研究從T2WI序列構(gòu)建的影像組學(xué)中提取了396個影像組學(xué)特征，篩選出8個非零系數(shù)特征，對較低級別膠質(zhì)瘤的Ⅱ、Ⅲ級具有較好的鑒別能力，與既往研究結(jié)果一致。有學(xué)者對GBM腫瘤的分子亞型進行了分類，AUC值達到0.82［26］ ；有學(xué)者對LGG的EGFR分子表達情況進行預(yù)測，驗證組中的AUC值達到0.95［27］ 。本研究在訓(xùn)練組和驗證組中影像組學(xué)對較低級別膠質(zhì)瘤分級診斷的AUC均大于0.7，這與既往研究［28］ 結(jié)果一致。基于既往研究［29］ 采用影像組學(xué)分析腦膠質(zhì)瘤分級，通過多類算法結(jié)果顯示：對低級別膠質(zhì)瘤識別率達90.9%，但是對高級別膠質(zhì)瘤識別率較低。有研究通過影像組學(xué)中直方圖、模型建立和灰度共生矩陣的方法從MRI的FLAIR、T1、T1增強和T2序列中提取出45個可量化膠質(zhì)瘤性質(zhì)的影像組學(xué)特征，其中13個特征可有效對腦膠質(zhì)瘤進行分級［30］ 。也有研究發(fā)現(xiàn)基于多模態(tài)MRI影像組學(xué)特征在精準(zhǔn)預(yù)測膠質(zhì)瘤組織學(xué)亞型方面有很大的優(yōu)勢，影像組學(xué)鑒別Ⅱ級和Ⅲ級膠質(zhì)瘤的AUC值為0.896，顯示有很高的鑒別能力［31］ 。本研究結(jié)果與以上文獻結(jié)果一致，運用影像組學(xué)模型可以對較低級別膠質(zhì)瘤的Ⅱ級和Ⅲ級進行精確鑒別。

本研究的局限性：本研究僅從T2WI序列提取影像組學(xué)特征，并沒有將DWI、T1WI、FLAIR及增強掃描等序列進行研究，未來可將多種序列建立影像組學(xué)模型；通過影像組學(xué)模型僅對內(nèi)部數(shù)據(jù)進行了驗證，后續(xù)將收集大量數(shù)據(jù)進行模型驗證；影像組學(xué)模型只預(yù)測了較低級別膠質(zhì)瘤的分級，后續(xù)應(yīng)將高低級別膠質(zhì)瘤均納入研究。

綜上，本研究運用影像組學(xué)模型對有病理結(jié)果的較低級別膠質(zhì)瘤分級進行了分析，根據(jù)篩選的影像學(xué)特征建立的影像組學(xué)模型，可以準(zhǔn)確地對較低級別膠質(zhì)瘤的組織學(xué)亞型進行分級，為患者制定治療手段及評估預(yù)后情況提供一種無創(chuàng)性檢查手段。

參考文獻：

［1］" " 于子頁， 徐" 銘， 徐宏治. 中樞神經(jīng)系統(tǒng)膽固醇代謝及其對腦膠質(zhì)瘤免疫治療的作用［J］. 中國臨床神經(jīng)科學(xué)， 2021， 29（1）： 88-95.

［2］" "Dequidt P， Bourdon P， Tremblais B， et al. Exploring radiologic criteria for glioma grade classification on the BraTS dataset［J］. IRBM， 2021， 42（6）： 407-14.

［3］" " 王天達， 席海蛟， 袁" 濤， 等. 較低級別膠質(zhì)瘤相關(guān)基因表型的形態(tài)與功能MR研究進展［J］. 臨床放射學(xué)雜志， 2021， 40（10）： 2037-41.

［4］" "張昌飛， 杜福川， 張昌凱. MRI影像組學(xué)在膠質(zhì)瘤術(shù)前分級評估中的應(yīng)用［J］. 中國CT和MRI雜志， 2022， 20（5）： 16-9.

［5］" " 孫樹珂. 瘤內(nèi)磁敏感信號對腦星形細(xì)胞瘤術(shù)前分級診斷的價值［J］. 世界最新醫(yī)學(xué)信息文摘： 連續(xù)型電子期刊， 2019， 19（39）： 175.

［6］" "Sun H， Li H， Zhang T， et al. Progress in research and application of Radiomics［J］. Tumor， 2017， 37（10）： 1092-9.

［7］" "Erickson， B， Akkus， Z， Sedlar， J， et al. （2017） Data from LGG-1p19qDeletion （Version 2）［EB/OL］. The Cancer Imaging Archive. https：//doi.org/10.7937/K9/TCIA.2017.DWEHTZ9V

［8］" "Clark K， Vendt B， Smith K， et al. The cancer imaging archive （TCIA）： maintaining and operating a public information repository［J］. J Digit Imag， 2013， 26（6）： 1045-57.

［9］" "Lane BR， Samplaski MK， Herts BR， et al. Renal mass biopsy： a renaissance？［J］. J Urol， 2008， 179（1）： 20-7.

［10］" 王" 鑰， 王" 爽， 安宇錚， 等. 腦膠質(zhì)瘤相關(guān)miRNA的研究進展［J］. 齊齊哈爾醫(yī)學(xué)院學(xué)報， 2020， 41（22）： 2852-5.

［11］" 尹" 娣， 陳國丹， 盛玉瑞， 等. 常規(guī)MRI聯(lián)合擴散峰度成像的影像組學(xué)模型對腦膠質(zhì)瘤分級的預(yù)測［J］. 中國中西醫(yī)結(jié)合影像學(xué)雜志， 2022， 20（2）： 117-21， 136.

［12］" Wang TJC， Mehta MP. Low-grade glioma radiotherapy treatment and trials［J］. Neurosurg Clin N Am， 2019， 30（1）： 111-8.

［13］" 王 偉， 沈龍山， 程 雯， 等. 基于常規(guī)MRI的影像學(xué)特征聯(lián)合MRS在腦膠質(zhì)瘤術(shù)前分級評估及預(yù)測術(shù)后復(fù)發(fā)的應(yīng)用研究［J］. 中國CT和MRI雜志， 2023， 9（7）： 15-8.

［14］" 齊" 雪. 基于常規(guī)MRI圖像的不同影像組學(xué)模型在腦膠質(zhì)瘤術(shù)前分級中的應(yīng)用［D］. 沈陽： 中國醫(yī)科大學(xué)， 2019.

［15］" Han YQ， Xie Z， Zang YL， et al. Non-invasive genotype prediction of chromosome 1p/19q co-deletion by development and validation of an MRI-based radiomics signature in lower-grade gliomas［J］. J Neurooncol， 2018， 140（2）： 297-306.

［16］ Bai Y， Lin YS， Tian J， et al. Grading of gliomas by using monoexponential， biexponential， and stretched exponential diffusion-weighted MR imaging and diffusion kurtosis MR imaging［J］. Radiology， 2016， 278（2）： 496-504.

［17］ Fudaba H， Shimomura T， Abe T， et al. Comparison of multiple parameters obtained on 3T pulsed arterial spin-labeling， diffusion tensor imaging， and MRS and the Ki-67 labeling index in evaluating glioma grading［J］. AJNR Am J Neuroradiol， 2014， 35（11）： 2091-8.

［18］ Hsieh KL， Tsai RJ， Teng YC， et al. Effect of a computer-aided diagnosis system on radiologists' performance in grading gliomas with MRI［J］. PLoS One， 2017， 12（2）： e0171342.

［19］" 謝" 凱， 孫鴻飛， 林" 濤， 等. 影像組學(xué)中特征提取研究進展［J］. 中國醫(yī)學(xué)影像技術(shù)， 2017， 33（12）： 1792-6.

［20］" 林" 澤， 左敏靜. 影像組學(xué)在肺癌腦轉(zhuǎn)移診斷中的研究進展［J］. 現(xiàn)代腫瘤醫(yī)學(xué)， 2024， 32（2）： 383-6.

［21］" 曹勇勇， 付" 饒， 呂宏堯， 等. 基于人工智能的影像組學(xué)與數(shù)字病理學(xué)研究在腦膠質(zhì)瘤診斷中的應(yīng)用進展［J］. 中華腦科疾病與康復(fù)雜志： 電子版， 2020， 10（4）： 230-3.

［22］Schieda N， Coffey N， Gulavita P， et al. Prostatic ductal adenocarcinoma： an aggressive tumour variant unrecognized on T2 weighted magnetic resonance imaging （MRI）［J］. Eur Radiol， 2014， 24（6）： 1349-56.

［23］ Jha RC， Zanello PA， Nguyen XM， et al. Small hepatocellular carcinoma［J］. Acad Radiol， 2014， 21（11）： 1455-64.

［24］" 王" 璐， 徐萬里， 鄭屹峰. 顱內(nèi)孤立性纖維瘤的MRI表現(xiàn)及誤診分析8例［J］. 浙江醫(yī)學(xué)， 2021， 43（10）： 1123-6.

［25］ Qin JB， Liu ZY， Zhang H， et al. Grading of gliomas by using radiomic features on multiple magnetic resonance imaging （MRI） sequences［J］. Med Sci Monit， 2017， 23： 2168-78.

［26］" Yang D， Rao G， Martinez J， et al. Evaluation of tumor?derived MRI?textures for discriminating GBM subtype and survival［J］. Med Phys， 2015， 42（11）： 6725-35.

［27］ Li YM， Liu X， Xu KB， et al. MRI features can predict EGFR expression in lower grade gliomas： a voxel-based radiomic analysis［J］. Eur Radiol， 2018， 28（1）： 356-62.

［28］ Tian Q， Yan LF， Zhang X， et al. Radiomics strategy for glioma grading using texture features from multiparametric MRI［J］. J Magn Reson Imaging， 2018， 48（6）： 1518-28.

［29］ Zacharaki EI， Wang SM， Chawla S， et al. Classification of brain tumor type and grade using MRI texture and shape in a machine learning scheme［J］. Magn Reson Med， 2009， 62（6）： 1609-18.

［30］" Zhang X， Xu XP， Tian Q， et al. Radiomics assessment of bladder cancer grade using texture features from diffusion-weighted imaging［J］. J Magn Reson Imaging， 2017， 46（5）： 1281-8.

［31］ Su CL， Jiang JJ， Zhang S， et al. Radiomics based on multicontrast MRI can precisely differentiate among glioma subtypes and predict tumour-proliferative behaviour［J］. Eur Radiol， 2019， 29（4）： 1986-96.

（編輯：熊一凡）

收稿日期：2024-05-23

基金項目：咸陽市科技局重點研發(fā)計劃項目（S2023-ZDYF-SF-1756）

作者簡介：樊麗華，在讀碩士研究生，主治醫(yī)師，E-mail： 1416281918@qq.com

通信作者：魏" 偉，碩士，主治醫(yī)師，E-mail： 421064549@qq.com