基于多模態影像組學方法在腦膠質瘤高低分級中的應用價值

葉姣，賓芳，魯波，蔡澤潤，胡玲（通信作者）

湘潭市中心醫院 （湖南湘潭 411100）

腦膠質瘤是常見的腦部原發性腫瘤，世界衛生組織將其分為Ⅰ～Ⅳ級，其中Ⅰ級和Ⅱ級為低級別腦膠質瘤（low-grade gliomas，LGGs），Ⅲ級和Ⅳ級為高級別腦膠質瘤（high-grade gliomas，HGGs）[1]。研究證實，不同級別的腦膠質瘤患者的治療方法和預后差異較大。手術切除為LGGs 的首選治療方法，化療和輔助放療是HGGs 治療的必要方法[2-3]。研究表明，腦膠質瘤分級級別越高，術后復發率越高，患者生存率越低[4]。MRI 是診斷腦膠質瘤的常用方法，其具有軟組織對比度高等優點，但其診斷精度仍有待提高[5]。近年來，影像組學方法已廣泛應用于癌癥的診斷分級、療效評估及生存期進展預測等領域，為腦膠質瘤的分級提供了思路[6-10]。本研究擬提取腦膠質瘤多模態MRI 的影像組學特征，并對其特征進行分析，旨在建立3 種機器學模型，以提高腦膠質瘤分級的精度。

1 資料與方法

1.1 數據獲取及預處理

本研究采取公開可獲取的BraTS2018 訓練數據集作為研究資料，其包括T1、T2、T1ce、Flair 4 個序列MRI 圖像及增強腫瘤區域、浮腫和壞疽3 個區域的掩膜文件。本研究僅采用增強腫瘤區域作為感興趣區域（regions of interest，ROI），用于后續影像組學特征的提取。將4 個序列的MRI 三維體素間距插值為1 mm×1 mm×1 mm，調整每個序列圖像大小為240×240×155，并使用Z-score 方法進行標準化處理。經處理后，數據集包括腦膠質瘤258 例，其中高分化腦膠質瘤210 例，低分化腦膠質瘤48 例，依據9∶1 的比例分配為訓練集233 例和測試集25 例。

1.2 影像組學特征提取

影像組學特征提取是指從ROI 中計算大量特定參數的過程。采用基于Python 3.7 平臺的Pyradiomics 開源包提取腦膠質瘤影像組學特征。提取的影像組學特征包括一階及3 類。一階統計特征反映所測ROI 的對稱性、均勻性及局部強度分布變化；形狀定量描述ROI 的三維大小和形態信息；紋理特征反映了ROI灰度間的空間排列關系。每個模態MRI 影像均提取107 個影像組學特征，共提取428 個影像組學特征。

1.3 特征篩選及模型建立

首先，對所有特征進行最大最小標準化處理，使標準化后的特征數值處于（0，1）。其次，使用Spearman 系數計算特征間的相關性，并保留任意2 個特征間相關系數＞0.9。使用LASSO 算法篩選最終用于構建影像組學模型的特征，根據權值λ 調整LASSO 回歸復雜度，λ 值越大，對變量較多的線性模型懲罰力度越大。訓練集進行10 倍交叉驗證，找到交叉驗證誤差最小的λ 值，篩選出λ 值不為0 的特征，并計算特征權重，將最后得到21 個特征組成的融合子集作為后續分類模型的基礎。

1.4 機器學習分類模型

完成特征篩選后，構建3 種機器學習分類模型：對數幾率回歸（Logistic regression，LR）、支持向量機（support vector machine，SVM）和多層感知機（multi-layer preceptron，MLP）。LR 是一種線性模型，通過線性決策邊界將數據分成2 類。SVM是一種非線性模型，其使用核函數將數據映射至高維空間，并使用線性決策邊界分離數據。MLP 是一種深度學習模型，其由多個神經元層組成，并在神經元層后添加激活函數，使MLP 可用于非線性分類任務中。所有模型均采用網格搜索方法進行訓練，對各類模型予必要的參數調整，得到訓練集各分類模型的最佳參數。

1.5 統計學處理

采用Python 3.7 對數據進行統計分析。計算各預測模型腦膠質瘤高低分化的準確率、曲線下面積（area under curve，AUC）、靈敏度、特異度，并繪制采用受試者特征曲線（receiver operating characteristic curve，ROC）與決策曲線（decision curve analysis，DCA）評估預測模型效能。

2 結果

2.1 特征選擇

使用斯皮爾曼相關系數去除冗余特征后篩選出136 個特征，使用LASSO 算法篩選最終用于構建影像組學模型的特征，見圖1。最佳懲罰系數λ=0.0168。經選擇后，最終保留22個系數值不為0的特征，用于機器學習模型的訓練測試，各特征權重見圖2。

圖1 10 倍交叉驗證選擇最佳懲罰系數λ

圖2 篩選出影像組學特征權重

2.2 模型分類結果

表1 為LR、SVM、MLP 3 種機器學習算法構建影像組學模型預測腦膠質瘤高低分化的結果。圖3為3 種模型下訓練集和驗證集的ROC 曲線。所有模型在訓練集的AUC均＞0.95，測試集的AUC均＞0.90。LR 在測試集中的準確率、AUC和特異度均為最高，敏感度低于SVM 模型。圖4 為3 種模型下的DCA 曲線。DCA 曲線表明，3 個模型均具有較好的臨床收益，但LR 的凈收益高于SVM 和MLP，因此，在影像組學模型中，LR 為最優預測模型。

表1 影像組學模型預測腦膠質瘤高低分化的結果

圖3 3 種模型下訓練集和測試集的ROC 曲線

圖4 LR、SVM、MLP 模型下的DCA 曲線

3 討論

本研究利用影像組學預測腦膠質瘤患者高低分級的診斷效能，提取Flair、T1、T1ce 和T24 個模態MRI 的影像組學特征并進行數據融合，使用Spearman 和LASSO 回歸篩選特征，建立LR、SVM、MLP 3 種機器學習模型進行分類預測。ROC曲線分析顯示，3 種模型均具有較好的診斷效能，在訓練集和測試集上AUC均＞0.9，最高為0.976，且靈敏度和特異度相對穩定。DCA 分析顯示，3 種模型曲線在0.2～1.0 閾值下處于干預和無干預曲線上方，在相同閾值下的凈收益更高，表明3 種模型均具有較好的臨床收益。

本研究對腦膠質瘤高、低分化的影像組學研究發現，4 種模態特征聯合LR 機器學習模型在測試集中的AUC值最高，具有最佳的診斷效能。

傳統MRI 影像診斷模式診斷結果差異性較大，無法滿足臨床精確診斷的需求。目前大量研究將影像組學方法用于腦膠質瘤的分級診斷中。Zhou等[11]使用T1增強MRI 影像組學預測腦膠質瘤分級，AUC為0.95。阮君等[12]使用T1、T2、T1加權增強和彌散加權成像4 個模態MRI 影像組學特征評估腦膠質瘤高低分級，結果顯示，基于T1、T2和DWI 影像組學特征模型的AUC均＞0.9[12]。戴宏等[13]嘗試對腦膠質瘤Brats19 公開數據集分級，并使用集成學習投票機制綜合3 種機器學習算法模型分類，其集成模型在測試集上的AUC、準確度、靈敏度分別為0.933、0.886 和0.872。本研究LR 模型的AUC、準確度、靈敏度分別為0.976、0.905 和1.000，說明LR 模型對腦膠質瘤分化的識別準確度更佳。

綜上所述，基于多模態MRI 影像組學特征可快速、準確預測腦膠質瘤的高低分化，為臨床醫師對腦膠質瘤的分級診斷提供參考依據。