灌注加权成像影像组学对成人型弥漫性胶质瘤分子分型的预测价值

刘振 任晶晶 洪旋科 刘献志 △

郑州大学第一附属医院 1)神经外科；2)临床大数据中心 郑州 450052

弥漫性胶质瘤是成人原发性脑肿瘤中最常见的类型之一，高度恶性且病死率高[1]。即使经过手术治疗及术后放化疗，患者的5 a生存率依然极低[2-3]。2021年世界卫生组织(WHO)对中枢神经系统(central nervous system, CNS)肿瘤的分类中，依据异柠檬酸脱氢酶(isocitrate dehydrogenase，IDH)、1号染色体短臂和19号染色体长臂(1p/19q)的状态，将成人型弥漫性胶质瘤分为IDH野生型、IDH突变型和1p/19q非共缺失型、IDH突变和1p/19q共缺失型3个分子亚型[4]。目前已有多项研究表明，IDH突变型的胶质瘤患者比野生型拥有更长的总生存期[5-6]。然而，确定弥漫性胶质瘤生物分子标志物的状态多需要进行侵入性手术或组织活检[7-8]。为了便于术前风险评估及术后选取最佳的治疗方案，需要一种术前能够判断弥漫性胶质瘤生物分子标志物状态的无创方法。动态敏感性对比剂灌注加权成像(dynamic susceptibility contrast perfusion-weighted imaging，DSC-PWI)是一种较为先进的且不断发展的成像方法，通过监测血管中造影剂信号的强弱变化来描述肿瘤的微尺度血流和血流动力学[9]。有报道称，灌注参数是胶质瘤分子生物标志物的潜在预测指标之一[10-13]。本研究通过DSC-PWI导出灌注参数伪彩图，提取影像组学特征，结合机器学习算法，开发并验证了一个预测模型，旨在通过简单的方法提高预测成人型弥漫性胶质瘤分子亚型的能力，从而进行早期干预、改善预后。

1 资料与方法

1.1一般资料本研究经郑州大学第一附属医院伦理委员会批准(No. 2019-KY-176)。收集2013-01—2020-01我院神经外科手术切除后经组织病理结果证实的274例成人型弥漫性脑胶质瘤患者的临床及影像资料。纳入标准：(1)年龄≥18岁。(2)明确的IDH和1p/19q状态。(3)可用的液体衰减反转恢复序列(fluid attenuated inversion recovery，FLAIR)图像和DSC-PWI图像，经1名资深神经外科医生和1名资深神经影像科医生确认，任何一幅图像都没有强烈的和不可修复的运动伪影。(4)术前未进行药物治疗、化疗及放疗。

1.2MR成像采集所有图像均采集于术中3.0 T磁共振扫描仪(Siemens Healthcare, Germany)，12通道线圈。扫描参数，FLAIR：重复时间(time of repetition，TR)6 000 ms，回波时间(time of echo，TE) 94 ms，扫描野220 mm×193 mm，层厚5 mm。在患者进行5次无增强扫描后，通过手背静脉以4 mL/s的速度注射0.1 mmol/kg顺磁造影剂(Bayer Healthcare，Germany)。采用T2*加权梯度回波平面成像获得DSC-PWI：TR 1 500 ms，TE 30 ms，扫描野230 mm×230 mm，层厚4 mm。

1.3图像预处理采用后处理工作台灌注软件(Siemens Healthcare，Germany)对DSC-PWI图像进行预处理，生成相应的脑血容量(cerebral blood volume，CBV)、脑血流量(cerebral blood flow，CBF)、达峰时间(time to peak，TTP)及平均通过时间(mean transit time，MTT)灌注图。为了减少位置、层数和其他参数的误差，在N4ITK程序(美国国立卫生研究院的Insight工具包内获取)上对所有影像图像的形状、体素及强度进行标准化处理。图像标准化之后，以轴向FLAIR图像为基准，采用互信息相似性度量对CBV、CBF、MTT和TTP图像进行刚性配准，得到配准图像rFLAIR、rCBV、rCBF、rMTT和rTTP。定义整个肿瘤区域内所有增强、未增强和坏死区域为感兴趣体积(volume of interest，VOI)区域。一位研究生在采用盲法的情况下，利用ITK-SNAP软件(3.4.0版本)，在轴向rFLAIR图像逐层地描绘肿瘤感兴趣区(region of interest, ROI)，得到肿瘤VOIs。随后，另一位神经外科主任医生单独复查了肿瘤ROIs。对有争议的ROI，主任医师与一位影像科主任医师探讨后确定标准区域。

1.4影像组学特征提取所有特征使用Pycharm软件(2020.2.3版本)PyRadiomics工具包(能够从医学影像图中提取组学特征的工具包，3.0.1版本)提取。将ROIs与对应灌注图像相结合，提取影像组学特征。

1.5特征选择特征选择的过程大致可分两部分：(1)去除冗余和不相关的特征。(2)最优特征集的选择。分别使用R软件的Caret工具包(6.0-89版本)和Boruta工具包(7.0.0版本)。首先对特征集进行标准化和归一化处理；标准化的特征在Caret包中进行去冗余，对于相关系数>0.75的特征，保留单变量预测能力较强的特征(较大的曼-惠特尼U检验P值)。然后利用Boruta算法对剩余的非冗余特征的重要性进行比较，逐一删除相关性差的特征，重复这个过程，直到剔除完所有预测能力弱的特征。在评估所有的特征后，选择预测能力最强的特征集进入预测模型。

1.6机器学习与预测模型根据选定的影像组学特征集，利用机器学习开发了一个预测模型，使用随机森林算法[14]预测成人型弥漫性胶质瘤的分子亚型。在该算法中，设置随机森林算法中的树数目为500，同时将基尼指数(Gini index)作为描述各组学特征对分子亚型重要性的指标。基尼指数数值越小，说明该特征对该分型的重要性越小。影像组学预测模型的独特逻辑回归基于R软件的Utiml工具包(0.1.7版本)和randomForest工具包(4.6-14版本)。

1.7统计分析入组病例按6∶4的比例随机分为训练集和验证集。为验证临床信息分布的均衡性，采用χ2检验评估队列中性别、WHO分级及分子分型的差异，采用Wilcoxon检验评估年龄分布的差异，统计分析均采用R软件(R-4.0.5版本)。描述训练集和验证集的性能为曲线下面积(area under curve，AUC)、准确性、敏感性和特异性。

2 结果

2.1患者临床特征文章的设计流程如图1所示。在本研究中，根据纳入标准共入组274例患者(训练集168例和验证集106例)。训练集与验证集患者之间的临床信息分布无差异性，如表1所示：性别(P=0.3647)、年龄(P=0.5739)、WHO分级(P=0.7782)、分子亚型(P=0.9739)。

表1 入组患者临床资料的比较

图1 研究设计流程图

2.2特征选择经特征提取后，共从4张灌注图中获得影像组学特征4 787个(形状特征55个，强度特征936个，纹理特征3 796个)。其中537个特征为非冗余特征。经过特征去冗余和特征选择后，最终纳入了13个与预测模型高度拟合的组学特征：7个纹理特征和6个强度特征，见表2。并且每个选中的特征与分子亚型的单变量关联是显著的(伪发现调整率P<0.01)。

表2 预测成人型弥漫胶质瘤分子分型的13个影像组学特征

2.3分类性能基于影像学的预测模型的受试者工作特征曲线(receiver operating characteristic curve，ROC)见图2。预测模型在验证集中的AUC值分别为：IDH野生型，0.748；IDH突变型和1p/19q非共缺失型，0.707；IDH突变和1p/19q共缺失型，0.759。其他反映训练集和验证集的性能的指标，包括敏感性、准确性和特异性，见表3。

图2 训练集(A)和验证集(B)的ROC曲线

表3 影像组学模型的预测性能总结

2.4特征性能图3显示了13个特征对各分子分型的重要性。基尼指数作为每个特征对各个分子分型的预测贡献测量指标，基尼系数越高，说明该特征预测该分子分型的能力越强。为了描述所选中的13个影像组学特征与分子亚型的关联性，图4展示了3种分子分型的典型图像和与之相对应的同源特征图。

图3 选定的13个特征与弥漫性胶质瘤分子分型之间重要性的热图

图4 选定特征的纹理及强度图形

DSC-PWI及相应的同源特征图用于区别IDH野生型、IDH突变和1p/19q非共缺失型、IDH突变和1p/19q共缺失型弥漫性胶质瘤。肿瘤内部图像模式的变化可以在特征图中清楚地显示，同时揭示了影像组学特征和分子亚型之间的相关性。

3 讨论

本研究开发并验证了一个依托于DSC-PWI影像组学模型，根据2021年WHO分类系统，能够有效地预测成人型弥漫性胶质瘤的分子亚型。与以往使用常规核磁影像的研究相比[15-16]，其主要优势有：(1)将灌注参数中反映肿瘤微血管生理特性的CBV、CBF、MTT和TTP 4种灌注图全部纳入放射组学模型，首次较为完整地纳入全部灌注参数信息，可以更准确地预测胶质瘤的分子亚型。(2)依托机器学习，从4种灌注图中提取大量影像组学特征而非局限于原始图像本身或相对脑血流量数值，进而提高了我们研究结果的可信度。

以往的文献表明，利用影像组学模型预测胶质瘤分子分型具有一定的意义。例如Lu等[17]使用多参数核磁图像影像组学对456例胶质瘤的亚型进行分类，获得了80%～91.7%的准确率。与常规核磁图像相比，灌注加权成像在检查肿瘤与脑组织血管网络的关系上存在着明显的优势。

大量研究表明，弥漫性胶质瘤在不同分子亚型中表现出不同的血管系统和代谢模式[18-19]。IDH野生型胶质瘤患者的相对脑血容量(CBV)较突变型显著升高[10,20]；而在IDH突变型胶质瘤中，1p/19q非共缺失型胶质瘤患者的脑血容量较共缺失型则降低[21]。而弥漫性胶质瘤在肿瘤初生长时就开始聚集大量微血管网络，更进一步说明血流灌注与弥漫性胶质瘤密切相关。由上不难发现，灌注参数在预测胶质瘤分子生物标志物中拥有巨大潜力[10,12,20-22]。以往的研究主要是通过CBV的半定量分析或直方图分析进行单个基因的预测，无法纳入完整的灌注图像信息。本研究根据2021年WHO的分类，通过整合4个灌注参数图，利用机器学习提取特征后开发并验证了1个影像组学模型来预测成人型弥漫性胶质瘤的分子分型，并取得了预期的效果。

本研究模型对IDH野生型胶质瘤的预测结果准确性较高，其原因为IDH野生型胶质瘤的血管系统与突变型在分子上有所区别，导致了IDH野生型胶质瘤具有不同的血管生成谱[18]。值得注意的是，表2显示大多数特征都是CBV派生的，图3中对应的Gini指数值也偏高。这一结果可能与CBV间接反映了肿瘤内血管新生程度有关[19]。同时，提取自CBF、MTT和TTP的特征也有助于影像组学模型的预测。图3中可见CBF衍生的f1纹理特征在区别IDH野生型胶质瘤和IDH突变型方面具有优越的意义。Yamashita等[13]的研究表明，与突变型患者比较，IDH野生型患者的CBF显著增加。尽管如此，生物学原理仍需进一步研究阐明，以支持我们的发现。之前的一项研究发现，量化局部图像模式和全肿瘤体积内信号强度不均匀性的纹理特征是预测IDH和1p/19q状态最有用的生物标志物[17]。已验证了我们模型的发现，13个放射组学特征中有7个是纹理特征。

本研究仍存在一定的局限性：(1)是回顾性的单机构研究设计，需要更多的多中心数据集来进一步独立检验模型。(2)对于标准化图像，在提取特征之前，虽然我们对图像各向同性体素进行了归一化，但大量提取的特征之间仍可能存在细微差异。(3)应利用多组学数据阐述预测胶质瘤分子亚型的影像组学特征的生物学基础，将预测模型转化为临床应用。

综上所述，依托DSC-PWI的先进影像组学模型能够根据2021年WHO分类预测成人型弥漫性胶质瘤的分子亚型，可基于此进行早期临床干预，以提高胶质瘤的治疗水平。