磁共振扩散峰度成像预测脑胶质瘤分子分型的研究进展

张婕，秦江波，谭艳*

作者单位：1.山西医科大学医学影像学院，太原 030001；2.山西医科大学第一医院影像科，太原 030001

0 前言

脑胶质瘤是颅内最常见的原发恶性肿瘤，具有进展快、预后差和易复发的特点[1]。2016年世界卫生组织中枢神经系统（World Health Organization Central Nervous System, WHO CNS）肿瘤分类[2]首次将分子学特征纳入脑胶质瘤分级诊断的条件中，如异柠檬酸脱氢酶（isocitrate dehydrogenase, IDH）、1 号染色体短臂和19 号染色体长臂（1p/19q）等。这种组织学分类与分子分型相结合的整合模式完善了胶质瘤的分类，提高了胶质瘤诊断的准确性。2021年WHO CNS 肿瘤分类[3]又新增了分子分型指标，如IDH 突变型星形细胞瘤伴细胞周期蛋白依赖性激酶抑制剂2A/B（cyclin dependent kinase inhibitor 2A/B, CDKN2A/B）纯合性缺失升级为WHO 4 级；IDH 野生型弥漫性星形细胞瘤存在表皮生长因子受体（epidermal growth factor receptor, EGFR）基因扩增、端粒酶逆转录酶（telomerase reverse transcriptase, TERT）启动子突变、7号染色体扩增/10 号染色体缺失（+7/-10）则升级为胶质母细胞瘤IDH 野生型。2021 年WHO CNS 进一步细化了肿瘤类型，强调准确的分子分型对脑胶质瘤的分级及治疗方式选择起着重要的作用。

目前，分子分型的诊断依赖于病理检测，需要对肿瘤标本进行穿刺或手术切除，存在操作有创、诊断滞后、价格昂贵的缺点。磁共振扩散峰度成像（diffusion kurtosis imaging, DKI）是一种量化生物组织中水分子扩散呈非高斯分布模型的MRI技术，较传统扩散成像能更精确地反映生物组织微观结构的变化[4]，具有操作无创、价格合理、诊断及时等优点，近年来，随着DKI技术的发展，越来越多的研究表明DKI 在脑胶质瘤的鉴别诊断、术前分级、分子分型及预后评估等方面都展现出了重要价值[5-7]。本文就DKI 技术预测脑胶质瘤分子分型的应用作一综述，以期为脑胶质瘤患者的临床治疗提供重要参考。

1 DKI基本原理及参数

水分子的扩散运动是一个随机过程，在宏观上被描述成水分子随机运动概率的分布。水分子的扩散根据组织结构的不同，通常可以分为高斯分布和非高斯分布两种[8]。磁共振扩散加权成像（diffusion weighted imaging, DWI）和扩散张量成像（diffusion tensor imaging, DTI）均以高斯分布模型为理论基础。然而，在生物复杂的组织结构中，由于细胞膜、细胞器、细胞间隔等影响因素的限制，水分子在各个方向的扩散程度并非相同，呈非高斯分布特征，此时水分子扩散信号呈非单数指数形式衰减，常规DTI 模型会导致很大的误差[9]。DKI 是一种基于非高斯分布模型的扩散成像技术，可同时反映肿瘤组织细胞结构和微观动力学，由JENSEN 等[10]于2005 年提出，将三维四阶的峰度张量引入DTI 公式中，从而量化真实水分子扩散位移与理想的高斯分布水分子扩散位移间的偏离，因此可以更真实地反映细胞的微观结构变化，描述组织的不均质性。DKI 与传统DWI 采用同一类型的脉冲序列，但需要的b值更高（一般b＞1000 s/mm2）。在脑中，最大b值约为2000 s/mm2可以获得合理精度的扩散峰度。此外，DKI 需要使用至少15 个施加方向和至少3 个b 值的扩散敏感梯度场，导致DKI 所需的扫描时间较长，使用3.0 T MRI 采集覆盖全脑的空间分辨率3 mm×3 mm×3 mm的DKI 数据约需7分钟[11]。

DKI 能获得更多的参数，不仅包括DTI 的相关参数，如平均扩散率（mean diffusion, MD）、各向异性分数（fractional anisotropy, FA）、轴向扩散率（axial diffusion, AD）和 径 向 扩 散 率（radial diffusion, RD），同时还能获得峰度参数，如平均峰度（mean kurtosis, MK）、峰度各向异性（kurtosis anisotropy, KA）、轴向峰度（axial kurtosis, AK）和径向峰度（radial kurtosis, RK）。MK 是多个b 值下扩散峰度在所有梯度方向上的平均值，反映组织微结构的复杂性，结构越复杂，水分子扩散受限越显著，即MK 值越大[12]；KA 类似于FA，但使用峰度张量进行计算，使其不易受到交叉纤维等复杂白质纤维排列的影响；AK 指平行于主扩散方向的峰度参数，并反映轴突的完整性和纤维束的密度；RK 为垂直于主扩散方向的峰度参数，与髓鞘的完整性和轴突密度有关[13-14]。

2 DKI预测脑胶质瘤分子分型的研究进展

脑胶质瘤的发生发展与多种表观遗传学现象密切相关，如组蛋白修饰、DNA 甲基化、染色体重塑、microRNA异常等[15-16]，控制这些改变的基因和蛋白质已经成为治疗脑胶质瘤的新靶点[17-18]。目前发现与治疗和预后相关的已鉴定基因型包括IDH 基因突变、1p/19q共缺失、TERT启动子突变、O6-甲基鸟嘌呤-DNA甲基转移酶（O6-methylguanine-DNA methyltransferase,MGMT）启动子甲基化及α-地中海贫血/精神发育迟滞综合征X 连锁（alpha-thalassemia/mental retardation syndrome X-linked, ATRX）基因突变等。

2.1 DKI预测IDH突变

IDH 是三羧酸循环的关键限速酶之一，能够减缓肿瘤增殖，提升其对治疗的敏感性，IDH 状态是判断脑胶质瘤患者生存和预后的重要因素，IDH1 和IDH2 突变被认为是脑胶质瘤发生的早期征象[19]，在低级别胶质瘤中比在胶质母细胞瘤中更常见[20]，许多研究证实IDH 突变型脑胶质瘤患者的治疗效果及预后优于IDH野生型[21-23]。

近年来，应用DKI 预测IDH 状态的研究越来越多。XU等[24]研究了51例脑胶质瘤患者发现，IDH突变组的MD 显著高于IDH 野生组，曲线下面积（area under the curve, AUC）为0.77；MK 和FA 显著低于IDH 野生组，AUC 分别为0.86、0.67，证实了DKI 预测IDH状态的可行性。TAN等[25]研究了58例脑星形细胞瘤患者，发现IDH 突变组中MK、AK、RK 值显著低于IDH野生组（P＜0.001、P=0.002、P＜0.001），MD 显著高于IDH野生组（P=0.005）；其中MK组和RK组中的AUC值显著高于MD 组，分别为0.811、0.800、0.704。ZHAO 等[26]研究52例患者，显示AK 在预测IDH1 突变型脑胶质瘤方面有着最好的效能，AUC 为0.72，敏感度为74%，特异度为75%，而MD 的诊断效能最低，AUC 为0.67；多元逐步logistic 回归分析包括所有扩散参数，结果显示，只有AK 与IDH1 突变状态存在统计学显著相关性。上述研究表明，DKI 在预测脑星形细胞瘤IDH 状态方面有着重要价值，比DTI更准确、稳定。CHU等[27]选择了三种不同的感兴趣区（region of interest,ROI）建立DKI 模型，即ROI-10s（10 个肿瘤实质小斑点）、ROI-3s（3 个最大尺寸的肿瘤实质切片）和ROI-whole（全肿瘤实质），以探究不同ROI 的选择对DKI 预测IDH1 突变性能的影响，发现ROI-10s 耗费的时间最短，且相较ROI-3s 和ROI-whole 具有更好的诊断效能，AUC 值分别为0.85、0.81、0.77，但差异无统计学意义。此外，研究还发现随着所涉及的肿瘤实质的增加（ROI-10s＜ROI-3s＜ROI-whole），AK 在预测IDH1突变状态中比其他参数起更重要的作用。

上述研究表明，DKI 对预测脑胶质瘤IDH 状态具有良好的效能，比DTI 更准确、稳定，并且选择10 个肿瘤实质小斑点为ROI 耗时更短，效能更高。此外，DKI 还可以反映肿瘤间的异质性[28]，越大的峰度参数表示肿瘤中的结构越复杂，提示IDH野生型脑胶质瘤细胞增殖活跃、血管增生广泛、出血坏死较多；而IDH突变型脑胶质瘤的细胞密度较低，细胞结构更均匀。

2.2 DKI预测1p/19q共缺失

目前研究认为染色体1p/19q共缺失主要发生于少突胶质细胞瘤中，被用作诊断少突胶质细胞瘤的可靠分子标志物[29]。1p/19q 共缺失是低级别胶质瘤的独立预后因素，与没有共缺失的患者相比，共缺失的患者生存期显著延长[30-32]。

HEMPEL 等[33]纳入了50 例患者研究发现，1p/19q共缺失组中的MK 值和MD 值分别为0.47±0.05 和1.63±0.25，而1p/19q完整组中的MK值和MD值分别为0.46±0.13和1.74±0.45，两组间的MK值和MD值均无显著差异，这表明MK和MD参数无法对1p/19q状态进行预测。CHU 等[27]进行单因素分析认为，无论脑胶质瘤分级如何，所有DTI 和DKI 指标均不能有效区分1p/19q 共缺失状态；但当使用所有DKI、DTI 联合临床（年龄和性别）特征时，基于ROI-10s（10 个肿瘤实质小斑点）的模型具有良好的诊断价值，AUC 为0.86。上述研究表明，DKI预测1p/19q共缺失的能力欠佳，但是采用ROI-10s选择方式联合临床特征后可以提高诊断价值。

2.3 DKI预测MGMT启动子甲基化

MGMT是一种普遍存在的DNA修复蛋白，主要修复烷化基在DNA 特点位点（O6位点）所引起的损伤。因此，MGMT可以修复烷化剂引起的DNA损伤、致突变性、细胞毒性，是肿瘤对化疗药物烷化剂产生耐药性的主要原因[34]。既往的一些研究结果表明，MGMT 甲基化患者的生存期较非甲基化组显著延长，且在接受辅助放化疗后还会得到明显改善[35-37]。因此，MGMT可作为评估预后的有效分子标志物。

WANG等[38]研究了66例脑星形细胞瘤患者发现，经Spearman等级相关分析显示，MK值和FA值与MGMT的表达无线性相关性。WANG等[34]通过分析29例MGMT低表达和22例MGMT高表达患者间的DKI参数，认为这些参数在两组间的差异无统计学意义。HEMPEL 等[33]对50 例患者进行了DKI 扫描得到了同样的结论，即MGMT 甲基化及非甲基化患者间的MD 值和MK 值均无显著差异。上述研究表明，DKI参数预测MGMT甲基化状态效能欠佳。

2.4 DKI预测TERT、ATRX突变

在脑胶质瘤中，端粒的维持与TERT 启动子突变以及ATRX 状态有关[39-40]。研究认为，TERT 启动子突变是不良预后因素，但主要见于IDH 野生型脑胶质瘤[41]。ARITA 等[42]的研究表明，TERT 启动子突变将会对IDH 突变型脑胶质瘤患者生存产生积极影响；相反，在IDH 野生型组中，TERT 启动子突变的肿瘤患者较TERT 野生型患者预后较差。此外，研究发现ATRX突变与IDH 突变密切相关，但与1p/19q 共缺失相互排斥[43]。ATRX 突变已被确定为新的治疗靶点，并与更好的预后相关[41,44]。

吕晓姝等[45]对33 例低级别脑胶质瘤患者研究表明，在IDH 野生型患者中，TERT 突变组的相对平均峰度（relative mean kurtosis, rMK）、相对径向峰度（relative radial kurtosis, rRK）、相对轴向峰度（relative axial kurtosis, rAK）值显著大于TERT野生组，其中rAK 的诊断效能最好（AUC 为0.867），这可能是由于脑胶质瘤主要沿轴突和纤维束生长，轴突破坏显著。WANG 等[34]和HEMPEL 等[33]都对DKI 预测ATRX 状态的价值进行了研究，却得出不同的结论。WANG 等[34]通过对51 例脑胶质瘤患者的研究得出，不同ATRX 表达状态的脑胶质瘤中的DKI 参数无显著差异（P＞0.05）。HEMPEL 等[33]的研究则表示MK 值在ATRX表达缺失的肿瘤中（0.41±0.11）显著低于ATRX表达阳性的肿瘤（0.51±0.10；P=0.004），AUC 为0.763，敏感度为79%，特异度为73%。出现分歧的原因可能是两项研究的选择对象范围不同，存在选择偏倚。目前利用DKI 预测这两种分子分型的研究还较少，以上这些结论提示DKI 参数作为TERT 和ATRX分子分型的预测指标仍需进一步深入研究。

3 基于DKI的影像组学预测胶质瘤分子分型

影像组学是一种从医学影像中定量提取特征并将其转换为可挖掘的高维数据的分析方法。影像组学过程包括图像的采集和预处理、分割、特征提取和选择以及使用机器学习算法的高级统计等多个步骤，凭借对数据进行更深层次的挖掘、预测和分析可以辅助医师做出最准确的诊断[46-47]。近来，影像组学在综合评估脑胶质瘤方面展现出重要的潜在价值[48]。

有研究表明，基于DKI的影像组学可以提高DKI对IDH以及MGMT状态的预测效能。BISDAS等[49]对37例患者的平均扩散峰度（mean diffusive kurtosis, MDK）图像进行一阶统计和纹理特征的提取，并采用基于支持向量机（support vector machines, SVM）的递归特征消除（recursive feature elimination,RFE）方法选择出4 种最具有区分能力的DKI 生物标志物，发现与使用一阶统计生物标志物相比，使用纹理生物标志物的AUC值提高了49%（0.88 vs.0.59），进一步提高了DKI预测IDH状态方面的效能。TAN等[50]分别在62 例脑星形细胞瘤患者的MK 以及MD 图像中提取整个肿瘤的364 个放射组学特征，研究发现对于IDH 预测，放射组学模型（AUC=0.831）与临床模型（AUC=0.775）和放射学模型（AUC=0.810）相比具有更好的诊断效能，当联合放射组学评分、年龄和水肿程度后，该组合模型使诊断效能显著提升（AUC=0.885，P=0.025）；放射组学模型、放射学模型和临床模型预测MGMT 甲基化状态的AUC 分别 为0.836、0.768 和0.671，而放射组学评分和水肿程度建立的联合模型对MGMT 甲基化的预测性能无明显影响（AUC=0.859，P=0.081）。PAN 等[51]对84 例脑胶质瘤患者做DKI 直方图分析，发现表观扩散系数（apparent diffusion coefficient, Dapp）和表观峰度系数（apparent kurtosis coefficient, Kapp）的直方图分析特征均能鉴别IDH 状态（P均＜0.05），且IDH 突变组中的Dapp 直方图参数较IDH 野生组更高，而IDH 野生组中的Kapp 直方图参数较IDH 突变组更高，该结果同样提示，IDH 突变型胶质瘤具有细胞密度较低和更均一的特征，相反，IDH 野生型胶质瘤的细胞结构以及结构异质性增加；此外，该研究将DKI 直方图分析同动态增强MRI 纹理分析联合用于诊断IDH 突变状态得出，AUC较单一分析提高到0.978，敏感度为94.1%，特异度为96%。

以上研究表明，基于DKI的影像组学模型提高了对IDH 以及MGMT 状态的预测性能，且加入临床特征后可以进一步改善对IDH的诊断效能。

4 局限性及前景展望

DKI 作为一种先进的成像技术，在脑胶质瘤的分子分型方面展现出良好的预测性能，但其仍然存在一些局限性：（1）虽然有部分关键基因被纳入研究，但2021年新增的CDKN2A/B纯合性缺失以及7号染色体扩增/10 号染色体缺失尚未被纳入研究，这可能是DKI 技术的后续研究方向；（2）多数研究是单中心、小样本研究，可以得出的结论有限，因此，有必要进行多个中心、更大规模的研究以检验及完善研究成果；（3）当前各研究基于不同磁共振设备和扫描参数得出的结论可能存在分歧，因此，需要建立统一的标准来规范研究；（4）目前DKI 的扫描时间和数据后处理时间相对较长，应使用更新、更快的DKI后处理方法，以便在临床研究中实现更大规模的实施。

5 小结

DKI 技术作为DTI 技术的延伸，能够敏锐地发现微观组织结构的变化，有效提高了脑胶质瘤IDH分子分型的诊断效能，但对于其他分子分型诊断效能欠佳，仍需要与其影像学技术相结合，共同提高诊断效能。基于DKI 的影像组学有望协助临床进一步提升脑胶质瘤分子分型预测效能，以便为患者提供精准的个性化治疗。

作者利益冲突声明：全体作者均声明无利益冲突。

作者贡献声明：谭艳设计本研究的方案，指导撰写稿件，对稿件重要的智力内容进行了修改；张婕起草和撰写稿件，获取、分析并解释本综述的参考文献；秦江波整理、分析并解释本综述的参考文献，对稿件重要的智力内容进行了修改；谭艳获得国家自然科学基金及山西省留学人员科研项目的基金资助，秦江波获得山西省基础研究计划项目的基金资助；全体作者都同意最后的修改稿发表，都同意对本研究的所有方面负责，确保本综述的准确性和诚信。