基于MRI T1增強影像的影像組學模型預測較低級別膠質瘤IDH基因型的價值

趙志勇 張 婧 曹云太 張國晉 孫建清 李昇霖 周俊林

WHO 分級Ⅱ級彌漫性膠質瘤和間變型膠質瘤具有高度可變的臨床表現(xiàn)，很難根據(jù)組織學分類進行很好地預測其預后，有文獻將其合稱為較低級別膠質瘤（lower grade glioma，LerGG）[1，2]。隨著膠質瘤異檸檬酸脫氫酶（isocitrate dehydrogenase，IDH）基因分子的發(fā)現(xiàn)[3]，研究顯示LerGG中IDH基因型比傳統(tǒng)組織病理學分級包含更多的預后信息，能更客觀地預測病人的預后[4～6]。因此，術前確定IDH 基因型有助于LerGG 病人個體化診療方案的制定及預后評估。目前，術后組織病理檢測仍然是診斷LerGG 的IDH 基因狀態(tài)的金標準，但這一方法受限于組織標本的腫瘤含量，同時具有滯后性及有創(chuàng)性等不足。有研究報道基于MRI多模態(tài)的影像組學方法可以預測膠質瘤IDH基因狀態(tài)[7]，但這些研究所需的MRI序列較多；同時，這些研究大多關注膠質母細胞瘤。本文探討基于MRI T1增強影像的影像組學預測LerGG膠質瘤IDH基因型的價值。

1 資料與方法

1.1 病例選擇標準納入標準：新確診、未經(jīng)治療的LerGG；具有IDH 基因檢測結果。排除標準：復發(fā)性LerGG；術前應用激素或替莫唑胺治療；有顱內手術史；合并有其它顱內腫瘤；年齡<18 周歲；其它WHO分級Ⅱ～Ⅲ級膠質瘤，如多形性黃色星形細胞瘤、室管膜瘤或間變性室管膜瘤。

1.2 研究對象回顧性收集2017 年1 月至2020 年6月經(jīng)手術病理證實為LerGG共170例，其中IDH野生型（IDH-wt）70例，IDH突變型（IDH-mut）100例。按2：1 的比例分為訓練集（n=113，IDH-mut=69，IDHwt=44）和驗證集（n=57，IDH-mut=31，IDH-wt=26），前者用來訓練預測模型，后者用來驗證預測模型。訓練集男71例，女42例；平均年齡（43.32±11.94）歲；KPS 評分60 分3 例，70 分43 例，80 分45 例，90 分22例；WHO 分級Ⅱ級37 例、Ⅲ級76 例；癲癇72 例。驗證集男27 例，女30 例；平均年齡（45.00±11.55）歲；KPS 評分60 分6 例，70 分16 例，80 分20 例，90 分15例；WHO 分級Ⅱ級23 例、Ⅲ級34 例；癲癇34 例。本研究通過蘭州大學第二醫(yī)院倫理委員會審核（倫理編號：2020A-70）。

1.3 IDH的檢測 利用單克隆抗體H09（德國Dianova公司）對膠質瘤樣本進行免疫組織化學分析，檢測IDH1-R132H突變狀態(tài)，如果有腫瘤細胞染色，則確定為IDH1-R132H免疫染色陽性。染色陰性病例通過焦磷酸測序法進一步驗證IDH1/2的突變狀態(tài)，并使用ABI3500Dx 試劑盒5.4Kit（美國Applied Biosys?tems公司）進行序列數(shù)據(jù)分析。

1.4 MRI檢測 使用西門子3.0T 和Philips 1.5T 掃描儀獲得MRI T1增強圖像。靜脈注射Gd-DTPA 進行增強掃描，速度為3.0 ml/s。西門子3.0 T 的掃描參數(shù)：TR=1 900ms，TE=2.9 ms，矩陣286×256，視野230×230，層厚5.5 mm，層間距1.65 mm，層數(shù)20，翻轉角150，采集時間1min8sec。Philips 1.5T 掃描參數(shù)：TR=450 ms，TE=15 ms，矩陣256×256，視野230×230，層厚6.0 mm，層間距1.17 mm，層數(shù)18，翻轉角69，采集時間1min2sec。

1.5 構建影像組學模型

1.5.1圖像處理及病灶分割 從PACS 系統(tǒng)中獲取軸位MRI T1序列增強圖像，以DICOM 格式導入ITKSNAP 軟件（www.itksnap.org；Version 3.6.0）進行病灶分割。由兩名放射科醫(yī)生A 和B（分別具有6 年和8年MRI 神經(jīng)系統(tǒng)腫瘤診斷經(jīng)驗）在不知分子分型和病理結果的情況下采取獨立、盲法對圖像上的腫瘤區(qū)域進行逐層手動分割，勾畫包括腫瘤實體感興趣區(qū)域（regions of interest，ROI）。通過融合每層圖像的分割區(qū)域生成病灶感興趣區(qū)體積（volume of interest，VOI）。隨后醫(yī)生C（具有15 年豐富診斷經(jīng)驗的放射科醫(yī)生）對這種分割進行驗證。A 醫(yī)生分割所有訓練集病例，B醫(yī)生分割所有驗證集病例；兩位醫(yī)生不確定時，由醫(yī)生C 確定分割圖像。為了評估所提取的影像組學特征的可重復性和一致性，兩個月后，隨機選擇訓練集30 例病人，通過醫(yī)生A 和醫(yī)生B 再次進行勾畫，采用組內及組間相關系數(shù)（intra-/interclass correlation coefficients，ICCs）對測量者之間及不同掃描儀之間進行一致性評價。

1.5.2 影像組學特征的篩選、影像組學模型的構建及驗證 根據(jù)圖像生物標志物標準化倡議指南，使用pyradiomic 包從醫(yī)學影像數(shù)據(jù)中提取標準化的影像組學特征。從每例病人的T1增強圖像的ROI中提取1 595 個組學特征，其中包括14 個形狀特征，306 個一階特征（又稱為直方圖特征）以及1 275 個紋理特征。所有特征均使用最小-最大縮放算法進行歸一化處理。利用Spearman 相關性分析和LASSO 分析對特征進行篩選和降維分析，排除相關系數(shù)小于0.3或P>0.05的影像組學特征。利用5折交叉驗證法選擇準確度最佳的分類器，并將LASSO 篩選出的與IDH基因型相關性最高的影像組學特征與篩選出的分類器相結合構建基于影像組學特征的預測模型。再利用ROC曲線分析模型的診斷效能。

1.6 統(tǒng)計學方法使用Python 3.7.1（https://www.py?thon.org）軟件、R 軟件（http：//www.Rproject.org; Ver?sion 3.4.1）和SPSS 22.0 軟件進行分析；正態(tài)分布計量變量采用±s描述，采用t檢驗；計數(shù)資料采用χ2檢驗；P<0.05為差異有統(tǒng)計學意義。

2 結果

2.1 一致性分析兩個放射科醫(yī)生和不同掃描儀所提取的影像學特征的一致性良好，ICCs值>0.75。

2.2 膠質瘤IDH 基因型與病人臨床特征的關系在訓練和驗證集中，IDH基因型與性別和KPS評分、病理分級以及癲癇發(fā)作無明顯關系（P>0.05），但IDHwt組年齡較IDH-mut組明顯增大（P<0.05）。見表1。

表1 訓練集和驗證集IDH-mut和IDH-wt組臨床特征比較

2.3 影像組學特征處理與分析經(jīng)Spearman 相關性分析、LASSO對特征進行降維篩選后，得到5個影像組學特征及其系數(shù)，分別為GLCM.sqrt.InverseVari?ance（1.723）、HLL.Kurtosis（0.872）、GLCM.HLL.Idn（1.060）、LHL.Median（-1.480）、SurfaceVolumeRatio（-1.166）；其中前三個影像組學特征在IDH-mut 組中顯著高于IDH-wt 組（P<0.05；圖1），而后兩個在IDH-mut組中顯著低于IDH-wt組（P<0.05；圖1）。

圖1 利用LASSO降維后篩選出與較低級別膠質瘤IDH突變狀態(tài)高度相關的、并用來構建預測模型的影像組學特征

在訓練集和驗證集中，根據(jù)影像組學構建的IDH-mut 預測模型具有較好的診斷性能（圖2）。通過5-折交叉驗證選出的準確度最高的最佳分類器，利用logistic回歸模型分析構建基的影像組學模型預測IDH突變狀態(tài)。ROC曲線分析顯示預測模型在驗證集和訓練集的曲線下面積分別為0.84、0.82，準確度分別為79%、80%，敏感度分別為81%、88%，特異度分別為75%、66%（圖3）。

圖2 影像組學預測模型在訓練集（A）和驗證集中（B）影像組學評分分布圖

圖3 預測模型在訓練集和驗證集中評估性能

3 討論

隨著人工智能的興起和膠質瘤基因分型的深入研究，越來越多的學者試圖應用機器學習的方法對腦膠質瘤進行分級、分型以及鑒別診斷[8～11]。應用高級數(shù)學模型算法識別人類肉眼無法識別的醫(yī)學影像征象，高通量提取腫瘤內部ROI 的影像數(shù)據(jù)并將其轉化為具有高分辨率的、可發(fā)掘的、定量的特征空間數(shù)據(jù)（即影像組學特征），進一步分析這些特征與腫瘤異質性之間關聯(lián)度，應用機器學習算法構建分類模型，從而實現(xiàn)對膠質瘤基因分型的精準評估。

IDH突變對膠質瘤病人的預后和療效具有很強的預測價值。目前，應用肉眼可見的影像學特征非侵入性地對IDH突變進行評估被廣泛研究了多年[12～14]，但這些影像特征的描述是基于臨床醫(yī)師的一種定性和半定量的評估，研究結果的可重復性較低，不利于類似研究間的對比交流。基于多模態(tài)MRI影像組學方法預測膠質瘤IDH的突變對檢查設備的要求較高、費時耗力且花費較高。如果能以較低成本、快速精準地根據(jù)術前影像預測IDH狀態(tài)則對膠質瘤的診斷、手術計劃和靶向治療具有重要意義。Yu 等[15]基于MRI T2-FLAIR的影像組學特征構建WHO分級Ⅱ級膠質瘤IDH1突變狀態(tài)的預測模型，結果顯示預測模型的準確度、敏感度、特異度以及曲線下面積分別為80%、83%、74%及0.86。Liu 等[16]基于MRI T2影像組學特征構建低級別膠質瘤IDH的突變狀態(tài)的預測模型，結果顯示，模型預測IDH突變狀態(tài)的曲線下面積為0.86，隨著影像特征的增加，模型預測IDH突變狀態(tài)的曲線下面積可達1.00。Kim 等[17]利用MRI 灌注像影像組學成功預測低級別膠質瘤IDH 突變狀態(tài)，曲線下面積為0.729。

我們根據(jù)MRI T1增強影像提取影像組學特征，構建LerGG 中IDH 突變狀態(tài)的預測模型，其性能在驗證集中準確度、敏感度、特異度及曲線下面積分別為79%，81%，75%和0.84。這提示該模型能夠區(qū)分IDH 在LerGG 中表達差異，對其突變狀態(tài)具有較好的預測性能。其優(yōu)點：①根據(jù)腫瘤的強化邊界分割腫瘤能更精確地提取腫瘤內部的全部信息，減少水腫區(qū)域對特征的干擾[18]，有利于提取到腫瘤內部更特異性的基因信息；②根據(jù)增強影像提取的腫瘤特征包含了腫瘤更多異質性信息，為膠質瘤基因分型的預測提供了更多的、有價值的參考，提高了模型的鑒別能力[19]；③MRI 有無強化是鑒別大部分WHO 分級Ⅱ、Ⅲ級膠質瘤的重要依據(jù)[20]，這也是影像組學反應特征差異的一個原因；④膠質瘤IDH 基因突變可以激活缺氧誘導因子，促進腫瘤新生血管生成，而腫瘤血管可經(jīng)影像強化程度表征。

總之，基于MRI T1增強影像的影像組學模型對LerGG 中IDH 基因狀態(tài)具有較好的預測能力，具有經(jīng)濟實用、便捷迅速實施的特點。