脑胶质瘤中MRI影像组学的临床应用(胶质瘤影像)

　　1、脑肿瘤术前分级及鉴别诊断

　　Qin等利用图像组学方法对胶质瘤进行术前分级，筛选提取的114个图像组学特征，其中T1增强序列灰度共生矩阵(graylevelco-ocurencematrix、GLCM)的熵和ADC图GLCM的均匀性在区分高低级胶质瘤方面具有很大的潜力，最终提取了8个显著的相关性特征值。

　　Su等发现多模态MRI图像组学特征可以区分胶质瘤的亚型，其中最佳AUC为0.911。与此同时，在一些图像识别诊断中，MRI图像组学也显示出很大的临床价值。Kim等分析了143例患者术前多模态MR图像组学特征，包括扩散加权成像，基于逻辑回归分类器识别胶质母细胞瘤和原发性中枢神经系统淋巴瘤。结果表明，AUC的灵敏度和特异性分别为0.979.0.938.0.944。此外，Fetit等发现图像组学的纹理特征可以识别和分类儿童幕下脑肿瘤，包括髓母细胞瘤、毛细胞星形细胞瘤和室管膜瘤。一些学者还利用PET相关纹理特征来判断病变的良恶性。

　　值得注意的是，虽然影像组学为辅助医生对成人或儿童脑胶质瘤进行分类提供了诊断依据，但它们大多是基于单一中心或较少模型的回顾性研究，如磁共振灌注成像和弥散张量成像。

　　2、判断胶质瘤基因表达状态

　　由于在手术活检中获取胶质瘤基因数据的方式有一定的局限性，一些学者研究影像组学与基因相关性，并对肿瘤基因异质性进行非侵入性量化。例如，Han对二级和三级胶质瘤的染色体1p/19q共缺失状态进行了单中心回顾性术前预测研究，利用支持向量机(supportvectormachines、SVM)分类，发现MRI影像组学特征能有效识别低级胶质瘤的1p/19q状态。

　　此外，还可以对胶质母细胞瘤进行相关的基因预测。例如，利用卷积神经网络(convolutioneuralnetwork、CNN)对多个机构胶质母细胞瘤患者术前MRI图像中的4个亚区(坏死区、水肿区、强化区和非强化区)进行分析，最终筛选出与MGMT甲基化状态相关的6个影像组学特征，并建立预测模型，AUC值和准确率分别为0.88和80%。Chang等从TCIA数据库中获取了256个MRI图像数据，其中包括高、低级胶质瘤患者于CNN算法提取ROI中与基因相关的图像组学特征，发现预测IDH状态的准确性达到94%，1p/19q共同缺失状态达到92%，MGMT启动子甲基化状态达到83%。所有图像组学特征都可以直接从深层神经网络算法中获取，避免了特征分析带来的额外误差。

　　3、胶质瘤疗效预测及预后评估

　　以往的研究以患者的年龄、肿瘤的位置、大小、切除范围和传统的影像学方法为预后预测因素，特别是基于病变的大小和是否有强化来评估神经胶质瘤的治疗反应，有一定的局限性。影像组学可以挖掘肉眼无法识别的深层纹理特征，更有利于评价病变疗效和预测预后。Xi等MGMT甲基化胶质母细胞瘤在高通量提取替莫唑胺化疗后疗效的相关MRI影像组学特征，降维后建立SVM分类模型，分类特异性和敏感性分别为88.80%.83.84%，验证结果相似。

　　Brynolfsson对高级别胶质瘤患者放化疗前后的ADC图进行纹理分析，评估肿瘤对放化疗的反应。结果表明，ADC的纹理特征可以作为图像标记物有效识别高级别胶质瘤治疗后的进展情况。根据肿瘤的形态、体积和纹理特征，对多形性胶质母细胞瘤的总生存期进行了预测和研究，发现SVM分类器在患者组(生存时间≤400d和>400d)的总生存期预测精度为98.7%。Macyszyn还报道了MRI纹理特征，可以预测胶质母细胞瘤的生存期，发现SVM模型可以将患者的生存分为短期、中期和长期类别，精度超过80%。

　　4、胶质瘤术后真假进展的区别

　　鉴别真假进展对胶质瘤患者的后期治疗非常重要。目前唯一准确的鉴别方法是组织活检和短期临床影像随访，会对患者造成二次创伤或延误治疗时间。常用的RANO标准并不能完全准确地识别假进展病例。定量的MRI图像组学为两者的识别提供了新的方法。例如，Hu分析了31例患者的多参数MRI数据，并采用传统的SVM方法建立了灵敏度89.9%、特异性93.7%、ROC曲线下面积0.944的真假进展分类器。

　　同时，一些文献提到，深度神经网络学习方法有助于提高图像组学分析结果的准确性。例如，Jang首次使用长短记忆模型和卷积神经网络相结合的模型来研究胶质瘤术后的真实性进展，并建立了包含MRI图像组学特征和临床数据的预测模型，发现预测模型验证集中的AUC值为0.83。该文献还证明，CNN相关模型的预测性能优于传统的随机森林模型。可见，图像组学在识别胶质瘤真伪方面具有一定的潜力。

• 文章标题：脑胶质瘤中MRI影像组学的临床应用(胶质瘤影像)
• 更新时间：2022-01-14 16:02:56