基于深度學習方法的膠質母細胞瘤MGMT啟動子甲基化基因序列狀態預測

張杉杉　張楊潔　李彤

摘要：直接通過膠質母細胞瘤患者腦部MRI圖像預測MGMT啟動子甲基化基因序列狀態，可以有效減少醫生手動勾畫病灶所花費的時間并可能最大限度地減少手術次數和改進所需的治療類型。本文使用深度學習方法，在RSNA-MICCAI 腦腫瘤放射基因組學分類數據集上對膠質母細胞瘤MGMT啟動子甲基化基因序列狀態進行預測。

關鍵詞：MRI;膠質母細胞瘤;基因預測;深度學習

1????????? 引言

膠質母細胞瘤是最常見和最惡性的人類腦腫瘤，占腦瘤的15%。即使采用積極治療，患者的中位生存期也只有12至14個月。最近，深度學習的性能在計算機視覺領域得到了集中展示，它能夠提取圖像中大量的深度特征，與傳統放射組學提取手工特征相比，這些深度特征包含更多的醫學圖像抽象信息。O6 -甲基鳥嘌呤-DNA 甲基轉移酶（ MGMT ） 啟動子甲基化可改善膠質母細胞瘤的預后和治療反應。到目前為止，膠質母細胞瘤基因序列狀態預測的研究中，仍然要依賴醫生手工勾畫腫瘤區域，這一任務十分浪費醫生的時間和精力。因此本研究提出了一個深度學習模型，從未經醫生勾畫的膠質母細胞瘤患者的MRI腦部圖像來預測膠質母瘤患者的MGMT啟動子甲基化狀態。

2????????? 方法

研究根據患者腦部MR圖像使用均值投影，得到患者二維圖像。對于每個患者的二維圖像，使用裁剪方法裁減掉圖像周圍的黑色區域，減少其對于網絡的干擾。最后將得到的圖像重采樣到256×256，并進行歸一化操作。經過預處理的二維圖像作為本研究網絡的輸入。研究所采用的深度學習網絡結構如圖2所示。網絡由卷積、池化和全連接層組成。10個卷積層（Conv）分別由32，32，64，64，64，64，128，128，128，128個濾波器組成，核大小均為3×3。每個卷積層之后是批處理歸一化（Batch Normalization，BN）層，使網絡訓練更快、更穩定。最大池化層（Max-pool）用在BN層之后來降低特征圖的維數，步長為2。在最大池化層之后，使用密集塊（Denseblock）加強特征的傳遞，更有效地利用各層信息。最后經過全局平均池化層（AVG-pool）和全連接層得到最后的分類結果。為了防止網絡過擬合，我們在深度學習網絡的訓練過程中，對于神經網絡單元，按照一定的概率抑制神經元的輸出，即進行dropout操作。

3????????? 實驗與結果

3.1 實驗數據

本次實驗采用的數據集為RSNA-MICCAI 腦腫瘤放射基因組學分類數據集，該數據集由585位膠質母細胞瘤患者的腦部MR圖像組成，編號為109，123，709的三位患者因為缺少序列被排除，剩余的582個病人的MR圖像均包含流體衰減反轉恢復 （FLAIR）、T1 加權預對比 （T1w）、T1 加權后對比 （T1Gd）和T2 加權 （T2）四個模態。本次實驗將582位患者數據中的524個數據作為訓練集，58個病人作為測試集，使用十折交叉驗證得到預測結果。

3.2? 評價指標

根據受試者工作特征曲線（ROC）下的面積（AUC）、準確率、精確率和召回率進行對模型分類性能的評估。各評價指標的意義及計算公式如表1所示：

其中，TP（True Positives）表示將正類正確預測為正類數;FP（False Positives）表示將負類錯誤預測為正類數;FN（False Negatives）表示將正類錯誤預測為負類數;TN（True? Negatives）指將負類正確預測為負類數。

3.3 實驗結果

表2展示了研究構建的深度學習模型在膠質母細胞瘤MGMT啟動子甲基化基因序列狀態預測中的性能。研究從準確率，精確率，召回率以及AUC值四個方面對模型進行評估，并分別比較了四個模態的預測性能。可以看到，單序列中，FLAIR模態在模型中表現出相對較好的預測性能。其中，召回率為0.791，即模型對于MGMT啟動子甲基化存在有較好的預測性能。

4????????? 結束語

直接通過醫學影像對膠質母細胞瘤MGMT啟動子甲基化存在與否進行預測是可行的。實驗表明，在膠質母細胞瘤患者MR圖像中，FLAIR序列能夠取得優于T1W、T1WCE和T2W三者的預測性能。同時，這一工作能夠有效節省醫生勾畫腫瘤所花費的精力。

參考文獻：

[1]Dolecek，T. A.，Propp，J. M.，Stroup，N. E. & Kruchko，C. Cbtrus statistical report： primary brain and central nervous system tumors diagnosed in the united states in 2005–2009. Neuro-oncology 14，v1–v49 （2012）.

[2]Lao，J.，Chen，Y.，Li，ZC. et al. A Deep Learning-Based Radiomics Model for Prediction of Survival in Glioblastoma Multiforme. Sci Rep 7，10353 （2017）. https：//doi.org/10.1038/s41598-017-10649-8.

[3]Yogananda CGB，Shah BR，Nalawade SS，Murugesan GK，Yu FF，Pinho MC，Wagner BC，Mickey B，Patel TR，Fei B，Madhuranthakam AJ，Maldjian JA. MRI-Based Deep-Learning Method for Determining Glioma MGMT Promoter Methylation Status. AJNR Am J Neuroradiol. 2021 May;42（5）：845-852. doi： 10.3174/ajnr.A7029. Epub 2021 Mar 4. PMID： 33664111;PMCID： PMC8115363..

[4]U.Baid，et al.，“The RSNA-ASNR-MICCAI BraTS 2021 Benchmark on Brain Tumor Segmentation and Radiogenomic Classification”，arXiv：2107.02314，2021.

第一作者簡介：張杉杉（1997），女，漢族，河南省新鄉縣，碩士研究生，圖像分析與圖像處理，蘭州財經大學，730010。

作者簡介：李彤（1997-），女，漢族，甘肅白銀，碩士研究生在讀，圖像處理。蘭州財經大學，730010。

作者簡介：張楊潔（2000-），男，漢，浙江臺州，本科在讀，研究方向醫學圖像處理，蘭州財經大學，730010。