T2WI及对比增强T1WI影像组学模型鉴别纤维型与非纤维型脑膜瘤

韩 涛，刘显旺，徐震东，龙昌友，张 斌，邓靓娜，林晓强，景梦园，周俊林*

(1.兰州大学第二医院放射科 兰州大学第二临床医学院 甘肃省医学影像重点实验室医学影像人工智能甘肃省国际科技合作基地，甘肃 兰州 730030；2.数坤网络科技股份有限公司，北京 100102；3.青海大学附属医院影像中心，青海 西宁 810000)

脑膜瘤起源于脑膜上皮细胞[1]，其中WHO Ⅰ级脑膜瘤占80%以上，共9种亚型，其微观结构具有高度特异性[2]。手术切除是治疗脑膜瘤的主要方法[3]，而肿瘤径线、瘤脑界面和肿瘤血管生成等因素与手术难易程度及术后并发症风险密切相关[4-5]。纤维型脑膜瘤手术完整切除难度大、并发症率高[6]，术前明确脑膜瘤亚型有助于制定手术方案。本研究观察术前T2WI及对比增强T1WI(contrast enhanced T1WI, T1C)影像组学模型鉴别纤维型与非纤维型脑膜瘤的价值。

1 资料与方法

1.1 一般资料 回顾性分析2016年6月—2021年5月423例经兰州大学第二医院手术病理证实的WHO Ⅰ级脑膜瘤患者，其中纤维型脑膜瘤128例，男12例，女116例，年龄21～81岁，平均(52.2±9.0)岁；非纤维型脑膜瘤295例，男77例，女218例，年龄17～81岁，平均(51.9±10.8)岁。纳入标准：①病理学确诊单发脑膜瘤及其亚型；②于MR检查后1周内接受脑膜瘤切除术；③临床及术前影像学资料完整。排除MR检查前接受放射治疗、化学治疗、靶向治疗或其他治疗及图像质量欠佳者。按7∶3比例随机分为训练集(n=296)及验证集(n=127)。训练集含90例纤维型脑膜瘤及206例非纤维型脑膜瘤，验证集含38例纤维型脑膜瘤及89例非纤维型脑膜瘤。

1.2 仪器与方法 采用Siemens Verio 3.0T超导MR仪采集术前头部MRI。参数：T1WI，TR 550 ms，TE 11 ms，层厚5 mm，层间距1.5 mm，FOV 260 mm×260 mm，矩阵256×256；T2WI，TR 2 200 ms，TE 96 ms，回波链长度8，激发次数2。经肘静脉以流率3 ml/s注射对比剂二乙基三氨基戊乙酸钆注射液0.1 mmol/kg体质量后采集T1C，参数同平扫T1WI。

1.3 分割图像 将T2WI及T1C导入开源ITK-SNAP软件(www.itksnap.org)，由具有5年及10年神经影像学诊断经验的主治医生各1名以采用双盲法手动于T1C上逐层分割病灶ROI，包括肿瘤坏死、囊变和出血等区域，意见分歧时经协商决定；以之为参照于轴位T2WI逐层勾画病灶ROI。

1.4 提取影像组学特征 以Z分数归一化法对图像进行标准化处理。于开源软件数坤科技平台(https://science.shukun.net/login)分别基于T1C及T2WI提取训练集病灶共3 376个影像组学特征，包括：①28个形状特征，主要描述病 ROI面积、体积、直径等特征；②360个一阶特征(直方图特征)，描述ROI内体素强度空间分布特征，如均数、中位数、最小值、最大值、标准差、偏度和峰度；③1 500个二阶特征(纹理特征)，描述体素空间分布强度，包括480个灰度共现矩阵(gray level co-occurrence matrix, GLCM)、280个灰度依赖矩阵(gray level dependence matrix, GLDM)、320个灰度运行长度矩阵(gray level run long matrix, GLRLM)、320个灰度大小区域矩阵(gray level size zone matrix, GLSZM)及100个相邻灰度差矩阵(neighborhood gray-tone difference matrix, NGTDM)；④1 488个小波变换特征。

1.5 筛选特征及建立影像组学模型 以SelectPercentile单因素分析法、最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)及5折交叉验证法降维、筛选最佳影像组学特征，以最佳正则化参数alpha值选取惩罚系数不为0的特征为最佳影像组学特征，并分别采用分类器逻辑回归(logistic regression, LR)、支持向量机(support vector machine, SVM)、随机森林(random forest, RF)、线性SVC(linearSVC)、自适应增强(adaptiveboost, Adaboost)及决策树(decision tree, DT)构建影像组学模型，即模型LR、模型SVM、模型RF、模型linearSVC、模型Adaboost及模型DT。于验证集验证各模型的性能，选取最优影像组学模型。

1.6 统计学分析 采用SPSS 25、MedCalc19.1统计分析软件及R软件。以±s描述符合正态分布的计量资料，行t检验；以χ2检验比较计数资料。采用受试者工作特征(receiver operating characteristic, ROC)曲线评估各模型鉴别纤维型与非纤维型脑膜瘤的效能，基于混淆矩阵计算其诊断敏感度、特异度、阴性预测值、阳性预测值、准确率和F1评分，以DeLong检验比较其曲线下面积(area under the curve, AUC)。P<0.05为差异有统计学意义。

2 结果

2.1 临床资料 训练集与验证集患者年龄、性别、脑膜瘤位置及亚型差异均无统计学意义(P均>0.05)。见图1、2及表1。

图1 患者女，64岁，左额顶叶纤维型脑膜瘤 A.头部轴位T2WI示左额顶叶大脑镰旁混杂信号病灶，周围见片状水肿信号； B.头部轴位T1C示病灶明显强化，中心坏死区无强化； C.病理图(HE，×100)

图2 患者女，54岁，前颅窝底脑膜皮型脑膜瘤 A.头部轴位T2WI示前颅窝底病灶呈等-稍高信号； B.头部轴位T1C示病灶明显强化； C.病理图(HE，×100)

表1 423例低级别脑膜瘤患者一般资料比较

2.2 筛选影像组学特征 共提取3 376个影像组学特征，经SelectPercentile及LASSO法特征降维，以5折交叉验证法选取误差最小的alpha值为模型最优参数，于-log(alpha)=2.017 7、即alpha=0.009 6时选出13个非零系数最优影像组学特征(表2)用于构建模型，其中7个T2WI特征和6个T1C特征，2个一阶特征、2个纹理特征及9个小波变换特征。见图3。

表2 基于T2WI及T1C提取的13个最优影像组学特征

图3 筛选最优影像组学特征 A.以LASSO算法进行影像组学特征降维； B.以5折交叉验证选取最优alpha值(黑色虚线)，根据MSE准则选出13个影像组学特征

2.3 建立影像组学模型及验证其效能 模型LR、模型SVM、模型RF、模型linearSVC、模型Adaboost及模型DT鉴别训练集纤维型与非纤维型脑膜瘤的AUC分别为0.755、0.739、0.819、0.746、0.990及0.607，其在验证集的AUC分别为0.698、0.636、0.752、0.670、0.591及0.609，见表3及图4。模型Adaboost鉴别训练集纤维型与非纤维型脑膜瘤的AUC为0.990，在验证集为0.591，出现过拟合。模型RF在训练集及验证集的AUC均高于模型SVM、模型linearSVC及模型DT(Z=2.65～8.25，P均<0.05)，其在训练集的AUC高于模型LR(Z=3.27，P<0.01)，在验证集的AUC与模型LR差异无统计学意义(Z=7.95，P=0.05)。模型RF为最优影像组学模型。

表3 各影像组学模型鉴别训练集和验证集纤维型与非纤维型脑膜瘤的效能

3 讨论

多数脑膜瘤为组织病理学分级较低的良性肿瘤，WHO Ⅰ级脑膜瘤包括9种亚型[7]，手术计划和预后存在差异[8]。根据常规影像学特征，包括肿瘤形态是否规则、瘤周水肿以及T1C中肿瘤强化方式等[9]预测脑膜瘤亚型具有一定主观性。通过提取高通量肉眼不能识别的病灶微观特性，影像组学可全面量化肿瘤表型，反映其异质性和病理生理学特征[10-12]。

本研究发现13个影像组学特征与脑膜瘤分型密切相关，其中2个一阶特征以常用和基本度量标准描述其内体素强度分布；2个GLSZM纹理特征与脑膜瘤亚型高度相关，代表具有相同灰度强度的连接体素数目，可量化图像中的灰度级区域[13]，即纤维型与非纤维型脑膜瘤纹理特征存在显著差异；另外9个高阶特征包括5个低阶小波特征和4个高阶小波特征。最优影像组学特征反映肿瘤的体素强度、形状和纹理，可为分析肿瘤亚型提供定量参数。

脑膜瘤的一致性，即肿瘤硬度，指肿瘤组织机械硬度[2]，是影响手术难度的关键因素之一。定量评估T2WI肿瘤信号强度能更可靠地预测脑膜瘤的一致性：成纤维细胞亚型脑膜瘤T2WI多呈低信号，倾向于坚硬，脑膜瘤质地较软与其T2WI呈高信号相关[14]；但有研究[15]发现根据术前标准序列MRI预测肿瘤一致性并不可靠。RF分类器可随机选择样本和特征，是影像组学常见的建模方法之一，且善于处理高维度数据，能有效避免过拟合问题，具有抗噪能力强，性能稳定等优势。本研究基于13个最优影像组学特征，分别以分类器SVM、RF、DT、LR、LinearSVC和Adaboost构建影像组学模型并进行训练和验证，模型Adaboost鉴别训练集纤维型与非纤维型脑膜瘤的AUC为0.990，在验证集则为0.591，出现过拟合；模型RF在训练集及验证集的AUC均高于模型SVM、模型linearSVC及模型DT，其在训练集的AUC高于模型LR，在验证集的AUC与模型LR差异无统计学意义，提示模型RF为最优影像组学模型。

PARK等[16]利用影像组学和机器学习方法区分成纤维型(17例)与非成纤维型脑膜瘤(137例)，证实其纹理参数存在显著差异。NIU等[17]将80例脑膜上皮型、80例纤维型及81例过渡型脑膜瘤分为脑膜上皮型vs.纤维型(第1组)、纤维型vs.过渡型(第2组)、脑膜上皮型vs.过渡型(第3组)及脑膜上皮型vs.纤维型vs.过渡型(第4组)，基于T1C构建的Fisher判别分析模型鉴别准确率分别为99.4%、98.8%、100%及100%；以留一交叉验证法后，鉴别准确率分别为91.3%、95.0%、100%和94.2%，表明影像组学模型对术前预测脑膜瘤亚型具有重要价值。本研究结果准确率较之为低，可能与未对非纤维型脑膜瘤进行具体分型有关。

综上，T2WI和T1C RF影像组学模型可有效鉴别纤维型与非纤维型脑膜瘤。本研究的主要局限性：①为单中心回顾性研究；②未对非纤维型脑膜瘤进行具体分型；③手动分割图像，难以避免误差，有待积累更多病例、以半自动或全自动图像分割方法行前瞻性多中心研究进一步观察。