基于T1WI增强的影像组学预测脑膜瘤Ki-67指数的研究

欧阳治强，鲁毅，文亮，郑茜，王聪，王娅，刘晗，孙学进*

1.昆明医科大学第一附属医院影像科，云南 昆明 650032；2.昆明医科大学第一附属医院脑功能研究室，云南 昆明 650032； *通信作者 孙学进 sunxuejinkm@126.com

脑膜瘤在2016年更新的WHO中枢神经系统肿瘤分类中分为3级15个亚型[1]，其中良性脑膜瘤（I级）占81%～90%，但良性脑膜瘤在完全切除术后5年复发率高达7%～25%，并且具有向高级别亚型转化的潜能[2]。由此可见，以组织病理学特征为基础的分级标准在预测脑膜瘤生物学行为方面存在一定的局限性，需要结合新的辅助诊断技术或检测指标进行评价[3]。Ki-67指数作为反映肿瘤细胞增殖程度的标志物，其在脑膜瘤良恶性诊断、预后判断、复发风险以及恶性转化预测等方面均具有重要的意义[4-6]。然而，目前临床主要通过对术后标本进行免疫组化分析，了解脑膜瘤Ki-67指数的表达，其中取样误差[7-8]、时效欠佳及费用高均影响了Ki-67指数在脑膜瘤患者术前评估和治疗方案制定中的价值。影像组学采用自动化计算方法，将海量医学影像数据转化为具有特征空间的定量化数据，进行分析、筛选后建立分类模型，能够及时、全面、无创地对肿瘤整体特征进行评价，既往研究利用影像组学方法对乳腺癌Ki-67指数进行预测[9-10]。基于这样的背景，本研究探索性地选择脑膜瘤患者术前T1WI增强图像进行影像组学特征提取与分析，拟构建用于预测脑膜瘤Ki-67指数的Nomogram模型，期望能为前瞻脑膜瘤的内在生物学行为提供一定的依据。

1 资料与方法

1.1 研究对象 回顾性收集2016年6月—2020年6月昆明医科大学第一附属医院经术后病理及免疫组化证实的脑膜瘤患者。纳入标准：①于我院接受手术治疗，并经术后病理及免疫组化证实颅内占位为脑膜瘤；②患者接受手术治疗前均在同一MR扫描仪上行头部MRI平扫及增强检查，且扫描参数保持一致；③术后均行Ki-67指数免疫组化分析，并具有明确的分析结果，Ki-67指数≤4%记为低表达，＞4%记为高表达[3,11]；④临床资料完整。排除T1WI增强图像质 量不佳者。本研究经昆明医科大学第一附属医院伦理委员会批准（〔2021〕伦理L第6号），免除患者知情同意。

1.2 仪器与方法

1.2.1 MRI检查 采用Philips Achieva 1.5T MR扫描仪，8通道相控阵线圈，行头部MRI平扫及增强检查，扫描序列及参数：平扫行全脑轴位T1WI、T2WI、FLAIR扫描，采用快速自旋回波序列（TSE）；T1（TR 550 ms，TE 8.1 ms），T2（TR 6 896 ms，TE 70 ms），层厚6 mm，层间距1 mm，视野240 mm×240 mm，激励次数1；增强扫描使用高压注射器经肘静脉注入对比剂钆喷酸葡胺，速度2.0 ml/s，剂量0.2 mmol/kg，注射完成后加推15～20 ml生理盐水，行全脑轴位、冠状位、矢状位T1WI扫描。

1.2.2 Ki-67免疫组化分析 手术切除标本采用10%甲醛溶液固定，经组织脱水后，使用石蜡切片封埋处理行Ki-67免疫组化染色，行病理镜下观察，将肿瘤细胞中Ki-67阳性细胞（细胞核内出现深染的棕黄色颗粒）所占百分比记为Ki-67指数。

1.3 图像处理

1.3.1 感兴趣区（ROI）勾画 将T1WI增强轴位图像以DICOM格式导入基于MATLAB R2014a平台开发的IBEX（Beta 1.0 http://bit.ly/IBEX_MDAnderson）影像组学软件，由1名影像科硕士研究生（医师1）在T1WI增强图像上对肿瘤的最大层面进行勾画（图1A），同时由1名具有8年以上中枢神经系统影像诊断经验的高年资医师复核，随后由另1名影像科硕士研究生（医师2）进行第2次勾画（图1B），再由同一名高年资医师复核。脑膜瘤内部坏死、囊变、钙化、出血及被肿瘤侵犯的脑膜、颅骨和脑膜尾征作为常规影像上肿瘤异质性的映射，与脑膜瘤恶性程度、侵袭性密切相关[12]，因此本研究所勾画的ROI包括以上内容。

图1 医师1在脑膜瘤患者术前T1WI增强图像上勾勒出的脑膜瘤边界（A），记为ROI 1；医师2在同一名患者T1WI增强图像上勾勒出的脑膜瘤边界（B），记为ROI 2；该脑膜瘤患者术后病理切片（HE，×100，C），病理及免疫组化结果示左顶部镰旁脑膜瘤，WHO Ⅱ级（非典型），Ki-67（20%+）

1.3.2 影像组学特征提取 利用IBEX软件提取包括一阶统计量特征、形态学特征及纹理特征在内的3大类特征，提取特征前使用软件自带的拉普拉斯滤波和基于体素水平重采样图像预处理方法对2次勾画的ROI进行处理。

1.3.3 影像组学特征筛选及预测模型构建 基于R 4.0.2（http://www.r-project.org）。首先，删除特征数据中的无效特征（特征数据为某一相同数值或全为空值项），应用均值填充法对数据缺项进行填充；其次，使用组间相关系数（ICC）评价2次勾画的ROI观察者间的一致性，提取ICC≥0.75的影像组学特征，并采用Z分数标准化以及单因素方差分析对差异有统计学意义的特征进行筛选；然后，设置1、6、9的随机种子，通过随机选择函数将特征数据按7∶3进行3次无放回的抽取，分为训练组和验证组；随后，使用最小收缩和选择算子（least absolute shrinkage and selection operator，LASSO）回归与10倍交叉验证对3次随机试验的训练组特征数据进行降维处理，提取具有非零系数的影像组学特征，组成特征集；最后，将训练组特征数据集分别纳入逻辑回归（logistic regression，LR）、决策树（decision tree，DT）、支持向量机（support vector machine，SVM）以及自适应增强（adaptive boosting，AdaBoost）4种分类学习器，建立相应的脑膜瘤Ki-67指数预测模型，并用验证组数据进行检验。分析患者MRI资料，筛选出在脑膜瘤Ki-67指数低表达组和高表达组之间差异有统计学意义的影像特征，并将其参数纳入上述4种分类学习器中预测效能最佳的1个，构建影像特征模型、联合模型（影像特征和影像组学特征）。

1.4 比较4种分类学习器及影像特征模型、联合模型的预测效能并建立Nomogram模型 绘制受试者工作特征（ROC）曲线，评价4种分类学习器及影像特征模型、联合模型的预测效能，评价指标包括敏感度、特异度、准确率和曲线下面积（AUC）。最后，将影像特征与影像组学特征一并纳入Nomogram模型的构建，并采用校准曲线与决策曲线对Nomogram模型进行评价。

1.5 统计学方法 采用SPSS 21.0软件，行正态性分布检验，符合正态分布的计量资料以±s表示，采用独立样本t检验；不符合正态分布的计量资料以M（Qr）表示，采用Mann-WhitneyU检验；计数资料采用χ2检 验或Fisher确切概率法，P＜0.05为差异有统计学意义。

2 结果

2.1 患者资料

2.1.1 一般资料 根据纳入与排除标准，最终纳入脑膜瘤240例，其中Ki-67≤4%和Ki-67＞4%各120例。所有病例按7∶3随机分配到训练组和验证组，训练组168例，其中Ki-67≤4%和Ki-67＞4%各84例；验证组72例，其中Ki-67≤4%和Ki-67＞4%各36例。训练组和验证组中Ki-67≤4%和Ki-67＞4%患者的性别、年龄差异均无统计学意义（P＞0.05），见表1。

2.1.2 MRI资料 肿瘤强化均匀度这一影像特征在脑膜瘤Ki-67低表达组和高表达组中差异有统计学意义（P＜0.05），见表1；即行MRI增强检查时，脑膜瘤Ki-67指数高表达者较低表达者更易出现强化非均匀表现（强化欠均匀/不均匀）。

2.1.3 病理资料 训练组和验证组中Ki-67指数高表达者为WHO高级别脑膜瘤（Ⅱ、Ⅲ级）的概率明显高于Ki-67指数低表达者（P＜0.05），见表1。

表1 脑膜瘤患者一般资料、MRI资料及WHO病理分级

2.2 影像组学特征分析 从T1WI增强图像中提取到初始影像组学特征838个，手动删除无效特征28个，经组间一致性检验，获得ICC≥0.75的组学特征706个，通过Z分数标准化处理及单因素方差分析后，得到622个组间差异有统计学意义（P＜0.05）的特征。随后，对3次随机试验中的训练组数据进行LASSO回归和10倍交叉验证降维处理，分别提取到12、14、12个影像组学特征（图2）。

图2 3次随机分组试验使用LASSO对622个影像组学特征进行筛选的系数收敛图（A～C），纵坐标为因变量y是LASSO系数，下横坐标为自变量x是Log（λ）值，上横坐标是非零系数的个数，随着Log（λ）值逐渐增大，LASSO系数逐渐减小为0；3次试验使用10倍交叉验证法筛选效能最佳的组学特征图（D～F），下横坐标是Log（λ）值，上横坐标是与Log（λ）值相对应的LASSO降维后的特征个数，左侧虚线表示Log（λ）值为最低平均分类错误率（最小方差）时所对应的特征个数，右侧虚线表示Log（λ）值为最低平均分类错误率1倍标准差（最简化模型）时所对应的特征个数，3次试验均取最简化模型所提供的特征

2.3 4 种分类学习器预测效能分析 训练组中SVM模型的预测效能最佳，验证组中LR模型的表现最佳；对2种模型进行综合评价，认为LR模型预测效能最佳，见表2。

表2 4种分类学习器在3次随机试验中的平均预测效能

2.4 影像组学模型、影像特征模型、联合模型预测效能分析 将肿瘤强化均匀度这一影像特征参数纳入LR分类学习器，得到影像特征模型；再将影像组学特征参数与影像特征参数一同纳入LR分类学习器，得到联合模型，各模型的ROC曲线及预测效能见图3A、B及表3。其中，联合模型对脑膜瘤Ki-67指数的预测效能在训练组与验证组中均为最佳，训练组和验证组AUC分别为0.817、0.822。决策曲线（图3C）表明当阈值概率＞0.13时，使用联合模型预测脑膜瘤Ki-67指数的净收益将显著高于使用影像特征模型。

表3 影像组学模型、影像特征模型及联合诊断模型的预测效能

图3 基于LR分类学习器构建的影像组学模型、影像特征模型和联合模型在训练组（A）和验证组（B）中的ROC曲线及影像特征模型和联合模型的决策曲线（C）

2.5 Nomogram模型分析及校准 基于LR算法构建Nomogram模型（图4A）。将肿瘤强化均匀度积分（均 匀积0分、欠均匀积31分、不均匀积63分）与影像组学标签积分（-3～3.5分别积0～100分）相加得到总分，总分越高，对应的脑膜瘤Ki-67指数高表达（Ki-67＞4%）的概率越高。Nomogram预测模型经Boostrap法行1 000次内部抽样验证后，得出模型的预测值与临床实际观察值趋近于45°斜线（图4B），表明该模型的校准度较好。

图4 预测脑膜瘤Ki-67指数表达的Nomogram图（A）及Nomogram预测模型的校准曲线（B）

3 讨论

本研究运用影像组学方法对脑膜瘤Ki-67指数进行预测，运用多种分类学习算法联合影像组学与常规影像特征，经多次随机分组试验，较具创新性地建立了能用于脑膜瘤Ki-67指数术前预测的Nomogram模型。

Ki-67指数作为反映细胞增殖活性最典型的免疫组化标志物，其对脑膜瘤临床结局的负面影响已逐渐被认识。Bečulić等[13]研究发现：Ki-67指数的表达与脑膜瘤瘤周水肿严重程度呈正相关，间接证明了脑膜瘤侵袭性与Ki-67指数表达有关；Liu等[5]对Ki-67/MIB-1在脑膜瘤预后中的作用进行Meta分析，发现Ki-67指数高表达与脑膜瘤患者较差的总生存期有关，提出Ki-67指数＞4%可作为判断临床预后好坏的截止值，并建议Ki-67指数＞4%的脑膜瘤患者术后进行更加密切、规律的随访；此外，有研究发现脑膜瘤患者Ki-67指数越高，其切除术后复发的时间间隔越短，临床医师可根据Ki-67指数的表达为患者制定更加科学合理的随访计划[11]。因此，对脑膜瘤Ki-67指数进行术前预测，已成为目前的研究热点。近来，有研究通过分析脑膜瘤患者术前MRI图像，发现扩散峰度成像中的平均峰度（mean kurtosis，MK）及径向峰度（radial kurtosis，RK）与Ki-67指数呈正相关[6]，而表观扩散系数（ADC）与Ki-67指数呈负相关[14]，并提出可通过测量MK、RK和ADC值对脑膜瘤患者Ki-67指数进行预测。然而，这些研究均是基于医学图像的常规分析，所获取的图像信息较为有限，而本研究利用影像组学的方法，通过挖掘医学图像中的高通量特征数据，提取肉眼无法直接识别的深层信息进行定量分析，很好地弥补了这一缺陷[9,15]。Liang等[10]基于T2WI图像构建的分类学习器对乳腺癌Ki-67指数已具备较好的预测效能，训练组和验证组AUC分别为0.762和0.740；黎娇等[9]基于术前分期CT图像构建的乳腺癌Ki-67指数预测模型训练组和验证组AUC分别为0.782、0.781，预测效能进一步提升。本研究基于LR建立的脑膜瘤Ki-67指数预测模型在验证组中的AUC为0.713，预测效能略低于上述两项研究建立的预测模型，其原因可能是本研究采取了3次随机分组试验求平均值的方法，但与以往研究相比，本研究所得结果更具稳定性与可靠性。此外，基于Ma等[16]联合常规CT特征与影像组学特征建立鉴别BorrmannⅣ型胃癌和原发性胃淋巴瘤诊断模型，本研究对所有纳入患者的MRI特征进行分析，发现肿瘤强化均匀度这一常规影像特征在脑膜瘤Ki-67指数高表达组与低表达组间有显著差异，即将该影像特征的参数纳入LR分类学习器，得到的联合模型预测效能较单一模型明显提升（联合模型AUC＞影像组学模型AUC＞影像特征模型AUC），训练组与验证组AUC分别升至0.817和0.822，表明联合模型成功继承了传统影像学与影像组学的优点。最后，本研究紧扣影像组学研究前沿[17]，整合脑膜瘤强化均匀度与影像组学标签值，构建风险量化的Nomogram模型，实现了对脑膜瘤Ki-67指数高表达风险的定量预测。

本研究的局限性：首先，本研究为回顾性研究，在研究对象的选择上可能存在选择性偏倚，进而对最终结果产生影响；其次，本研究仅选取T1WI增强序列进行影像组学特征提取和分析，最终构建的预测模型效能可能不如基于MRI多参数/模态的研究[18]；最后，本研究为单中心验证，尚需多中心研究进一步验证结论。

总之，基于影像组学的方法可以进一步挖掘脑膜瘤患者术前T1WI增强图像中所蕴含的信息，利用LR分类学习器构建的脑膜瘤Ki-67指数预测模型已初具良好的预测效能，进一步纳入强化均匀度这一常规影像特征后得到的联合模型预测效能较影像特征模型、影像组学模型均有提升，而最终构建的Nomogram模型对风险因子权重进行了量化，是临床预测脑膜瘤Ki-67指数直观、可靠的参考工具，能为前瞻脑膜瘤的内在生物学行为提供有力的依据，并为患者进行一次MRI检查带来额外的附加收益。今后脑膜瘤影像组学相关研究将更加广泛、深入，并向着多中心验证后投入临床实践发展。