術前MRI影像組學預測模型在非增強成人彌漫性膠質瘤分級診斷中的應用

lication of MRI radiomics predictive model in grading non-enhancing adult diffuse gliomas

LIUYanhongl，ANGYhnl2，HEZelong，WANGngxiao2，UJiayi3，ZHANGXuemeng2，LUJalin，NGul 1ChinesePLAMedicalScholBeijing853，hina;DepartmentfdiologyFirstMedicalCenterfineseGeel Hospital，Beijingo5，hina；DepartmentofRadiologyForthMedicalCenterofhinesePLAGeneralHospital，eijing 100048，China;eparmntofurosugeryrstdicalnterofnseealspialeiinga [Abstract]Objective：Toevaluate thevalueof preoperative MRIradiomicsmodelsingradingnon-enhancingadultdifuse gliomas.Methods：Aretrospectiveanalysisof153patients（16Olesions）withadultdifusegliomaswasconstructed.Al lesionshadnoenhancementonTWIcontrast-enhancement（TWI-CE）image.Amongthe16Olesions，103lesionswere clasifiedintothelow-gradegliomagroupand57lesionsinthehigh-gradegliomagroup，thenrandomlydivided into the trainingset（128lesions）andthevalidationset（32lesions）ataratioof8：2.TWIandADCimageswereco-registered with T ¹ WI-CEimages，andROIsweredelineatedonTWIiamges.Atotalof1132featureswereextractedformTWI， TIWI-CEandADCimages，comprisingshape，first-orderhistogram，second-ordertextureandwaveletfeatures.Thefeatureswith stability（ICCgt;085）wereretained，andtheoptimalfeaturesubsetwasselectedviaelasticnetworkregression（ENR）comined withrecursivefeaturelimination（RFE）.Sixmachineleaningclasifiersereadoptedtoconstructthemodel，includinglogistic regresion，upportctorahine（adialsisuconerel，arel），K-eresteighor（K）isioee，ive Bayes.The predictiveperformanceofthemodelswasevaluatedusingtheAUC，accuracysensivity，specificityandFl-score. Results：Radiomicsmodelsefectivelypredictedhigh-gradeglioma.Themultiparametricmodel（TWI+TWI-CE+ADC）with KNNclasifierachievedAUCsof0.892and0.805，accuraciesof0805and0.719，sensitivitiesof0.915ad0.800，speciicties of 0.753and0.727，F1-scoresof 0.782and 0.506in the training set and thevalidationset.Conclusion ： Preoperative MRI radiomicsmodelsenableaccurategradingofnon-enhancingadultdifusegliomas，oferingcriticalsupportforclinical decision-making and patient management.

[Key words] Difuse glioma;High-grade glioma;Magnetic resonance imaging;Radiomics;Machine learning

腦膠質瘤是中樞神經系統最常見的原發性腫瘤，約占原發惡性腦腫瘤的 80%^[1] 。根據2021年WHO的中樞神經系統分類標準，其分級基于分子遺傳特征和組織學表現[2]。高級別膠質瘤（WHO 3、

4級）侵襲性強、預后差，需最大范圍安全切除，因此術前精準分級至關重要[3-4]。MRI是膠質瘤術前評估的常規檢查手段，但其更傾向于將非增強膠質瘤診斷為低級別膠質瘤。而 8%～18% 的非增強膠質瘤為高級別膠質瘤，傳統影像評估存在誤判風險，易導致治療延誤或術式選擇不當，影響預后[5]。本研究基于術前非增強膠質瘤的MRI圖像，結合影像組學構建模型，預測非增強膠質瘤的分級，為臨床決策提供支持。

1資料與方法

1.1一般資料

回顧性收集2016年1月至2023年12月在中國人民解放軍總醫院第一醫學中心初診為成人彌漫性膠質瘤且未經過相關治療的患者153例（160個病灶），其中男91例，女62例；年齡 20～77 歲，平均 （41.98±11.47） 歲。160個病灶中，低級別膠質瘤103個（低級別組），高級別膠質瘤57個（高級別組）。將病灶按8：2比例隨機劃分為訓練集128個和驗證集32個。

納入標準： ① 年齡 ≥18 歲； ② 術前MRI資料完整，包括 T₂WI，T₂ FLAIR .T₁WI 增強掃描和ADC圖； ③ 術前 T₁WI 增強掃描圖像顯示為非增強膠質瘤，即腫瘤內增強部分體積 ?1cm^3[6] 。排除標準： ① 病理診斷未明確級別； ② 根據2021年WH0分類標準被判定為未分類（NOS）或未評估（NEC）； ③ 圖像質量不滿足診斷要求。

本研究經中國人民解放軍總醫院醫學倫理委員會批準（批號：2021-006-01）。

1.2儀器與方法

采用GE Discovery MR750 3.0 T MRI掃描儀、32通道頭部線圈。掃描序列及參數：軸位 T₂WI ，TR5642ms ，TE 93ms ，視野 24cm×24cm ，矩陣 512× 512，層厚 5.5mm ，層距 1.5mm ；軸位 T₁WI 增強掃描，TR 1743ms ，TE 27ms ，視野 24cm× 24cm ，矩陣 320×324 ，層厚 5.5mm ，層距 1.5mm ; DWI，TR 3000ms ，TE67.6ms ，視野 24cm×24cm ，矩陣160×160 ，層厚 6mm ，層距 1.5mm ，b值取 1000s/mm² ;ADC圖在GEAW4.6工作站自動生成。

1.3 圖像分析

由1位具有3年工作經驗的影像醫師觀察MRI圖像上病灶的長徑、短T₂ 錯配征、部位和水腫程度。其中占位效應分級基于腦室及中線結構受壓程度判定：0級，無占位效應；1級，局部腦溝/腦池受壓，但腦室及中線結構形態正常；2級，腦室受壓變形，但中線無移位；3級，腦室受壓伴中線向對側移位 ?1cm ；4級，中線移位 gt; 1cm^[7] 。腦水腫程度判定：輕度，水腫寬度 ?2cm ；中度，水腫寬度 gt;2cm ，但未超過同側大腦半球1/2區域；重度，水腫范圍超過同側大腦半球1/2區域。

1.4影像組學分析

1.4.1MRI圖像預處理和腫瘤分割圖像由DICOM格式轉換為NIFTI格式后，依次行N4偏置場校正和歸一化處理。基于MATLAB軟件的SPM插件（https：//www.fil.ion.ucl.ac.uk/spm），將 T₂WI 和ADC圖像配準至對應的 T₁WI 增強掃描圖像上。雙盲條件下，由1位具有3年工作經驗的影像醫師使用ITK-SNAP（版本4.0.1）軟件，在軸位 T₂WI 圖像上手動勾畫全腫瘤區域ROI，包括鈣化、出血、囊變及壞死區域，但不包含瘤周水腫區域（圖1）。為準確區分瘤周水腫和腫瘤，勾畫時參考 T₂ FLAIR 和 T₁WI 增強掃描圖像。為評估影像組學特征的可重復性，隨機抽取 30% 病灶，由同一位影像醫師在1個月后再次勾畫ROI。

1.4.2特征提取及篩選使用Python（版本3.9.0）中的Pyradiomics工具包提取影像組學特征，每個序列共提取1132個影像組學特征，包括形狀特征（14個）、一階直方圖特征（18個）、二階紋理特征（68個）和小波特征（1032個）。通過ICC行組間一致性分析，篩選出 ICC?0.85 的特征。采用彈性網絡回歸算法結合遞歸特征消除算法，計算最優特征數量。最終，根據最優特征子集的數量和特征權重排序，確定最具分級診斷價值的組學特征。

1.4.3模型建立及驗證采用邏輯回歸（logisticregression，LR）支持向量機（support vectormachine，SVM）、K-最近鄰（K-nearestneighbor，KNN）、決策樹（decision tree，DT）和樸素貝葉斯（naive Bayes，徑、壞死、囊變、占位效應、邊緣清晰、圖1 增強掃描圖像上ROI勾畫示意圖

NB）進行模型構建，其中SVM分類器包括徑向基函數核（SVMrbf）和線性核（SVMlinear）2種。 T₁WI 增強掃描、ADC序列獨立或組合生成7個影像特征組：單序列 （T₂WI，T₁WI 增強掃描、ADC）、雙序列 ΔT₂WI+T₁WI 增強掃描、 Ω，T₂WI+ADC，T₁WI 增強掃描 +. ADC）、三序列 （T₂WI+T₁WI 增強掃描 +ADC ）。7個影像特征組在6種分類器中進行訓練和驗證，共建立42種模型，通過對比不同分類器和特征組的分類性能，篩選出診斷效能最佳的模型及影像特征組，以實現膠質瘤術前分級的精確預測。

1.5 統計學分析

使用SPSS26.0軟件和R軟件（版本4.1.0）分析數據。計量資料以 表示，組間比較行獨立樣本χ_t 檢驗；計數資料以例 （%） 表示，組間比較行 χ² 檢驗。采用AUC、準確率、敏感度、特異度和F1分數評估模型的預測效能。以 Plt;0.05 為差異有統計學意義。

2結果

2.12組MRI特征比較

2組病灶長徑、短徑、壞死、囊變、占位效應、邊緣 清晰、 T₂ 錯配征、部位、水腫程度差異均無統計學意義（均 Pgt;0.05 ）（表1，圖2）。

表1低級別與高級別成人彌漫性膠質瘤的MRI特征比較

圖2非增強成人彌漫性膠質瘤的MRI圖像注：圖 2a～2c 為高級別膠質瘤圖像，患者，女，29歲；圖2a為 T₂WI 圖像，示右側額葉高信號病灶伴輕度瘤周水腫；圖2b為 T₁WI 增強掃描圖像，示病灶無明顯強化；圖2c為ADC圖，病灶呈高信號。圖 2d～2f 為低級別膠質瘤圖像，患者，女，23歲；圖2d為TWI圖像，示左側頂葉高信號病灶伴輕度瘤周水腫；圖2e為 T₁WI 增強掃描圖像，示病灶無明顯強化；圖2f為ADC圖，病灶呈高信號

2.2影像組學特征篩選結果

經一致性分析，篩選 ICC?0.85 的特征，利用遞歸 特征消除算法去除冗余特征，確定最佳特征數量，其 中 T₁WI 增強掃描序列2個，ADC序列6個， T₂WI 序列 3個， T₂WI+T₁WI 增強掃描序列3個， T₂WI+ADC 序列 2個， T₁WI 增強掃描 + ADC序列5個， T₂WI+T₁WI 增強 掃描 + ADC序列7個。

2.3模型的診斷效能評估

單序列組中 T₁WI 增強掃描影像組學特征KNN模型效能最高，訓練集及驗證集AUC分別為0.874、0.864；雙序列組中基于 T₂WI+T₁WI 增強掃描特征的KNN模型效能最高，訓練集及驗證集AUC分別為0.887、0.839；三序列組中KNN模型效能最高，訓練集及驗證集AUC分別為0.892、0.805（表2）。

表27個影像特征組中效能最佳的影像組學模型在訓練集和驗證集中的診斷效能

注：KNN為K-最近鄰，DT為決策樹。

3討論

高級別成人彌漫性膠質瘤術前MRI常表現為花環樣不均勻強化、周圍水腫及壞死等特征，但有 8%～ 18% 病灶術前未見明顯強化，呈低級別膠質瘤外觀，為診斷帶來挑戰[5]。高、低級別膠質瘤在手術切除范圍及預后管理上存在顯著差異，因此，準確診斷對臨床制訂個性化方案至關重要。本研究應用機器學習方法開發了一種基于術前MRI的無創診斷非增強高級別成人彌漫性膠質瘤的影像組學模型，發現各模型均具有較好的診斷效能。

研究表明，對比增強圖像中的強化常被視為腫瘤侵襲性的影像學特征，與預后較差相關[8]。對比增強在惡性腫瘤中常被解釋為微血管增生和血-腦脊液屏障通透性增加，使得對比劑更易滲入腫瘤組織。既往研究顯示，對比增強是預測異檸檬酸脫氫酶（isocitratedehydrogenase，IDH）野生型膠質瘤的可靠影像學特征，但非增強并不是IDH突變型膠質瘤的有效預測指標[9-10]。另一項研究顯示，所有非增強膠質瘤均為IDH突變型，其用于判斷IDH1突變狀態的準確率高達 97.5%^[11] 。這一差異可能與不同版本的WHO中樞神經系統分類對膠質瘤分級標準的不同有關。自2016年WH0分類更新后，分子基因首次被納人膠質瘤分級標準，膠質瘤的高級別判定不再僅依賴于組織學改變2，這擴大了高級別膠質瘤的定義范圍。

人工智能作為計算機科學的一個新興分支，借助復雜的算法和訓練模型，可從大量影像數據中集中挖掘隱藏信息，實現精準診斷及對生存與治療反應的預測。目前，多項研究表明影像組學在術前預測膠質瘤分級方面具有重要潛力[12]。van der Voort等[13]開發了一種自動分割腫瘤區域并預測膠質瘤分級的模型，其在獨立測試集中的AUC達0.81，并在IDH和 IpI9q 缺失狀態的預測上表現出良好的性能。Cheng等[14]基于多參數MRI及影像組學建立了術前預測膠質瘤分級的模型，該模型在使用腫瘤內特征、瘤周特征和融合特征時均表現出優異效能，AUC達0.975。然而，目前尚缺乏針對非增強膠質瘤術前分級的研究報道。

影像組學特征通過定量分析腫瘤強度、紋理等圖像參數，可表征組織異質性和微環境特征[15-16]本研究中多序列組篩選的7個關鍵特征中，3個一階特征反映了腫瘤組織內像素強度的分布特征，可能與腫瘤的異質性相關；4個紋理特征則通過量化影像中灰度值的空間分布和紋理信息，反映腫瘤組織的異質性和微觀結構[16-17]。其中ADC的 90% 百分位數及 T₁WI 增強掃描的偏度特征反映了高級別膠質瘤的典型病理改變—高細胞密度及微血管增生[18-20]，這從生物學機制層面解釋了模型的分級鑒別能力。KNN是一種基于實例的監督學習算法，用于分類和回歸任務，具有算法簡單、高效、適合小數據集等優點。既往研究表明，KNN在腫瘤類型鑒別、基因分子改變預測、腫瘤級別與復發判斷，以及預后評估方面的表現優于其他模型[21-24]

本研究具有以下局限性：僅分析臨床常用的T₂WI，T₁WI 增強掃描和ADC序列，今后可考慮采用更先進的MRI技術，如DTI和MRS；使用6種機器學習方法（SVMrbf、SVMlinear、LR、KNN、DT和NB）構建最佳模型，未來可探索更多機器學習方法，如深度學習和集成學習方法，進一步優化MRI影像組學模型；樣本來源于單中心，后續擬開展多中心研究，并擴大樣本量，進一步提高預測模型的穩健性和普適性。

綜上所述，基于術前常規MRI圖像的影像組學結合KNN模型能非侵入性地鑒別診斷非增強高級別成人彌漫性膠質瘤，為患者的個性化診療和預后管理提供重要依據。

[參考文獻]

[1]OSTROMQ T，PRICE M，NEFFC，etal.CBtrus statisti

cal report： primary brain and other central nervous system tumors diagnosed in the united states in 2016- 2020[J].Neuro-Oncology，2023，25（Supplement_4）：iv1- iv99.

[2］楊學軍，江濤，陳忠平．世界衛生組織中樞神經系統腫瘤 分類的演變：1979—2021年[J]．中國現代神經疾病雜 志，2021，21（9）：710-724.

[3]PARK YW，VOLLMUTH P，FOLTYN-DUMITRU M， et al.The 2O21 WHO classification for gliomas and implications on imaging diagnosis：part 1-key pointsof the fifth edition and summary of imaging findings on adult-type diffuse gliomas[J]. JMRI，2023，58（3）： 677- 689.

[4]NOORBAKHSH A，TANG J A，MARCUS L P，et al. Gross-total resection outcomes in an elderly population with glioblastoma：a SEER-based analysis[J].J Neurosurg，2014，120（1）：31-39.

[5]EICHBERG D G，DI L，MORELL A A，et al. Incidence ofhigh gradegliomas presenting as radiographically non-enhancing lesions：experience in 111surgically treated non-enhancing gliomas with tissue diagnosis[J]. J Neurooncol，2020，147（3）：671-679.

[6]PARK Y W，HAN K，AHN S S，et al.Prediction of IDH1-mutation and 1p/19q-codeletion status using preoperative MR imaging phenotypes in lower grade gliomas[J].AJNR Am J Neuroradiol，2018，39（1）：37-42.

[7] SAWAYA R，YAMAGUCHI S，ISHI Y，et al. Increased CD44 expresion in primary meningioma：its clinical significance and association with peritumoral brain edema [J].J Neurosurg，2024，141（1）：100-107.

[8]PIERALLINI A，BONAMINI M，BOZZAO A，et al. Supratentorial diffuse astrocytic tumours：proposal of an MRI classification[J]. Eur Radiol，1997，7（3）：395-399.

[9]MERENZON M A，GOMEZ ESCALANTE J I，PROST D，et al. Preoperative imaging features：are they useful tools for predicting IDH1 mutation status in gliomas grades II-IV？[J]. Surg Neurol Int，2022，13：332.

[10]LASOCKI A，TSUI A，GAILLARD F，et al.Reliability ofnoncontrast-enhancing tumor asabiomarkerof IDH1 mutation status in glioblastoma[J].J Clin Neurosci，2017，39：170-175.

[11] CARRILLO J A，LAI A，NGHIEMPHU P L，et al. Relationship between tumor enhancement，edema，IDH1 mutational status，MGMT promoter methylation，and survival in glioblastoma[J].AJNR Am J Neuroradiol， 2012，33（7）：1349-1355.

[12]FAN H，LUO Y，GU F，et al. Artificial intelligencebased MRI radiomics and radiogenomics in glioma[J]. Cancer Imaging，2024，24（1）：36.

[13] VAN DER VOORT S R INCFKARA F WIINENCA M M J，et al. Combined molecular subtyping，grading， and segmentation of glioma using multi-task deep learning[J]. Neuro Oncol，2023，25（2） ：279-289.

[14]CHENG J，LIUJ，YUE H，et al.Prediction of glioma grade using intratumoral and peritumoral radiomic features from multiparametric MRI images[J].IEEE/ACM Trans Comput Biol Bioinform，2022，19（2）：1084-1095.

[15] AERTS H J W L，VELAZQUEZ E R，LEIJENAAR R T H，et al.Decoding tumour phenotype by noninvasive imaging using a quantitative radiomicsapproach[J]. Nat Commun，2014，5（1）.

[16] GILLIES R J，KINAHAN P E，HRICAK H. Radiomics ： imagesare more than pictures，they are data[J].Radiology，2016，278（2）：563-577.

[17]SONI N，PRIYA S，BATHLA G. Texture analysis in cerebral gliomas： a review of the literature[J].AJNR Am J Neuroradiol，2019，40（6）：928-934.

[18]POUSSAINT T Y，VAJAPEYAM S，RICCI K I，et al. Apparent diffusion coefficient histogram metrics correlate with survival in diffuse intrinsic pontine glioma：a report from the pediatric brain tumor consortium[J]. Neuro Oncol，2016，18（5）：725-734.

[19]MEYER H J，HOHN A K，HAMERLA G，et al.Histogram parameters derived from T2 weighted images are associated with histopathological findings in rectal cancer—a preliminary study[J].Am J Transl Res，2018， 10（11） ：3790.

[20] CHANG P D，MALONE H R，BOWDEN S G，et al. A multiparametric model for mapping cellularity in glioblastoma using radiographically localized biopsies [J]. AJNR Am JNeuroradiol，2017，38（5）：890-898.

[21]YANG Z，CHEN M，KAZEMIMOGHADAM M，et al. Ensemble learning for glioma patients overall survival prediction using pre-operative MRIs[J]. PhysMed Biol，2022，67（24）：245002.

[22]REN J，ZHAI X，YIN H，et al. Multimodality MRI radiomics based on machine learning for identifying true tumor recurrence and treatment-related effects in patients with postoperative glioma[J].Neurol Ther，2023， 12（5）：1729-1743.

[23]ZHAN T，FENG P，HONG X，et al. An automatic glioma grading method based on multi-feature extractionand fusion[J].Technol Health Care，2017，25 （S1）：377-385.

[24] PATTANAIK B，ANITHA K，RATHORE S，et al. Brain tumor magnetic resonance images classification based machine learning paradigms［J]. Contemp Oncol （Pozn）， 2022，26（4）：268-274.

（收稿日期 2024-11-26）