MRI影像組學無創預測腦膠質母細胞瘤MGMT啟動子甲基化狀態的價值

馬千昂,盧俊,董亞鋒,曲金榮

膠質母細胞瘤(glioblastoma,GBM)是腦內最常見的原發惡性腫瘤,預后較差。2021年第五版WHO中樞神經系統腫瘤分類中,對GBM做出了全新的定義,不僅將異檸檬酸脫氫酶(isocitrate dehydrogenase,IDH)野生型的WHO Ⅳ級星形細胞瘤定義為GBM,而且對于組織學分級較低的IDH野生型彌漫性星形細胞瘤,如果其存在預后不良分子特征,也將其歸類為GBM[1]。目前,膠質瘤的分類更加依賴于分子標志物,分子特征與膠質瘤患者的治療方案及預后密切相關。O6-甲基鳥嘌呤-DNA甲基轉移酶(O6-methylguanine-DNA methyltransferase,MGMT)是一種DNA修復酶,MGMT啟動子甲基化狀態(promoter methylation,PM)可以增加GBM對替莫唑胺等烷基化劑的敏感性,在GBM患者,尤其是年老體弱失去手術機會的患者中,評估MGMT啟動子的甲基化狀態對治療方案的選擇和預后評估具有重要臨床價值[2-3]。目前,對該分子特征的評估是有創性的,檢測周期長,費用昂貴,且因病理標本取樣時存在空間和時間異質性,可能會導致結果不準確[4]。已有研究表明MRI定量參數在膠質瘤的鑒別診斷、分級評估、分子特征預測及預后評估中顯示出一定的潛力,尤其是影像組學技術通過高通量獲取腫瘤的特征,能夠無創性評估腫瘤全域的異質性,發揮出更大的臨床價值[5-8]。既往采用影像組學特征預測MGMT啟動子甲基化的相關研究中,AUC差異較大(0.590～0.916),且均未納入對比增強序列[7]。本文探討基于術前表觀擴散系數(ADC)和三維對比增強T1加權成像(3D contrast enhanced T1-weighted imaging,3D-CE-T1WI)序列建立的影像組學模型無創性預測MGMT啟動子甲基化狀態的價值,旨在為臨床提供更多參考。

材料與方法

1.一般臨床資料

回顧性分析2018年1月-2021年10月在本院經病理證實且符合本研究要求的130例GBM患者的病例資料。納入標準:①病理證實為IDH野生型WHO Ⅳ級星形細胞瘤,或WHOⅡ～Ⅲ級IDH野生型彌漫性星形細胞瘤且存在TERT啟動子突變、EGFR擴增和+7/-10拷貝數變化三種分子分型中任一類型改變者;②有完整的ADC和3D-CE-T1WI圖像資料;③對腫瘤的病理標本進行了焦磷酸測序,獲得了腫瘤的MGMT甲基化狀態的相關結果,甲基化率≥8%視為MGMT-PM陽性,否則視為MGMT-PM陰性[9]。排除標準:①MRI檢查前未接受過抗腫瘤相關治療;②MRI圖像質量差。最終,將130例GBM患者納入研究,按7∶3的比例將所有患者隨機分為訓練集(91例)和驗證集(39例)。

2.檢查方法

使用Siemens Skyra 3.0T MR掃描儀和頭部專用8通道相控陣線圈進行檢查。①首先完成常規序列(T1WI、T2WI和FLAIR)MRI掃描;②然后行DWI掃描,并由系統自動生成ADC圖像,掃描參數:TR 2610 ms,TE 55 ms,矩陣160×160,層厚6.0 mm,層間距0.6 mm,激勵次數1,b=0、1000 s/mm2。③最后,行3D-CE-T1WI掃描,掃描參數:TR 1700 ms,TE 2.5 ms,層厚1.0 mm,層間距0 mm,矩陣288×288,視野256 mm×256 mm;對比劑為Gd-DTPA,劑量0.1 mmol/kg,注射流率2.5 mL/s。

3.腫瘤分割和特征提取

使用3D Slicer軟件(版本號:4.11.20210226)中General registration(BRAINS)工具箱將每例患者的ADC和3D-CE-T1WI圖像進行配準。然后,使用Volumes模塊調節圖像亮度,以便更好地觀察病灶。由兩位具有3年以上影像診斷經驗的放射科醫師獨立在3D-CE-T1WI圖像上逐層沿腫瘤邊緣勾畫ROI,勾畫時應避免將瘤周水腫納入;然后,由系統生成腫瘤全域的容積感興趣區(volume of interest,VOI),將VOI存為標簽(label);最后,將標簽復制到配準后的ADC圖像上,得到相同位置的ROI和VOI(圖1)。將VOI的數據導入軟件PyRadiomics 3.0.1中提取影像組學特征。

圖1 患者,女,66歲,IDH野生型、MGMT-PM+、WHO Ⅳ級星形細胞瘤。由兩位醫生獨立在3D-CE-T1WI上逐層沿腫瘤邊緣勾畫ROI,得到VOI,將VOI存為標簽,復制到配準后的ADC圖像上,得到一致的每層ROI及VOI。a)CE-T1WI圖像,綠色區域代表該層面的ROI,由醫生勾畫獲得;b)逐層勾畫ROI后,軟件自動生成腫瘤全域的三維容積VOI;c)ADC圖,綠色區域代表復制VOI后獲得的該層面的ROI。

1個月后,隨機選取50例患者的圖像,由高年資醫師再次勾畫ROI。采用組間和組內相關系數(interclass correlation coefficient,ICC)評價兩位醫師之間以及同一醫師不同時間段勾畫ROI所提取的各項組學特征的一致性。ICC均>0.85的特征參數被認為一致性較好而被保留,然后將其由高年資醫師勾畫獲得的結果用于后續分析。

4.特征篩選和預測模型的構建

采用最小絕對收縮和選擇算法(least absolute shrinkage and selection operator,LASSO)結合10折交叉驗證對提取的組學特征進行降維。將保留下來的特征與其對應的系數進行線性組合,得到組學模型并計算其影像組學評分(Radscore)。分別基于ADC、3D-CE-T1WI及兩者的聯合序列進行計算,可獲得3個組學模型和對應的Radscore(RadscoreADC、RadscoreCE-T1WI和Radscore聯合)。采用ROC曲線評估3個模型的預測效能,將其中預測效能最優的影像組學評分與臨床資料中的年齡、性別等特征聯合納入多因素logistic回歸分析,構建術前無創預測MGMT-PM狀態的臨床-組學綜合模型,并繪制其諾模圖實現模型的可視化。

5.統計分析

使用SPSS 22.0、MedCalc和R4.1.0軟件進行統計學分析。計數資料的組間比較采用卡方檢驗或Fisher確切概率法;對計量資料先進行數據正態性和方差齊性檢驗,然后分別采用獨立樣本t檢驗(呈正態分布)或Mann-WhitneyU檢驗(非正態分布)進行組間比較。采用ROC曲線評價模型的預測效能。采用Hosmer-Lemeshow檢驗及校準曲線評價MGMT-PM預測模型的擬合優度,并采用bootstrap法抽樣1000次進行內部驗證。采用決策曲線評價模型的臨床價值。以P<0.05為差異具有統計學意義。

結 果

1.臨床特征的比較

訓練集和驗證集中臨床資料的組間比較結果詳見表1。兩個數據集之間年齡、性別、WHO分級和MGMT-PM狀態的差異均無統計學意義(P>0.05)。

表1 訓練集和驗證集中臨床資料的比較

2.特征篩選和模型的構建及評估

基于ADC圖和3D-CE-T1WI序列分別提取851個組學特征,其中形狀特征14個、一階特征18個、紋理特征75個和小波特征744個。75個紋理特征中,灰度共生矩陣(gray-level co-occurrence matrix,GLCM)特征 24個,灰度游程矩陣(gray-level run-length matrix,GLRLM)特征16個,灰度大小區域矩陣(gray-level size zone matrix,GLSZM)特征16個,灰度相關矩陣(gray level dependence matrix,GLDM)特征14個,鄰域灰度差矩陣(neighbouring gray tone difference matrix,NGTDM)特征5個。

基于ADC圖和3D-CE-T1WI序列分別提取的組學特征中,ICC均>0.85的特征分別為409和591個。經組間差異性分析,MGMT-PM陽性組與MGMT-PM陰性組之間有統計學差異的特征參數分別為40和29個。經LASSO回歸分析,自ADC圖、3D-CE-T1WI序列以及二者聯合序列中分別篩選出4、7和12個特征參數。每個特征與其對應的系數進行線性結合,可計算得到3個模型和3個Radscore。

采用ROC曲線評估模型的預測效能,結果詳見表2。其中,Radscore聯合的預測效能最高,其線性計算公式:Radcore聯合=0.1162653+0.0000642499×Maximum(ADC)+4.8124×MaximumProbability(ADC)+7.339205×LowGrayLevelRunEmphasis(ADC)+0.009419942×GrayLevelVariance(ADC)+6.898011×Coarseness(ADC)+2.674768×Contrast(ADC)-0.0009392796×10Percentile(CE-T1WI)+1.231613×Idmn(CE-T1WI)-0.000395875×Maximum(CE-T1WI)-0.02996155×DependenceVariance(CE-T1WI)-0.02651271×Skewness(CE-T1WI)-1.187679×MCC(CE-T1WI)。

表2 影像組學評分在訓練集和驗證集中預測MGMT-PM狀態的效能

聯合Radscore聯合、年齡和性別等特征,通過邏輯回歸分析構建MGMT-PM狀態的術前無創性綜合預測模型,采用ROC曲線評估其診斷效能,并繪制諾模圖將模型可視化,結果見圖2～3。在訓練集中,綜合模型的AUC、敏感度和特異度分別為0.904(95%CI:0.825～0.956)、92.50%和78.43%;在驗證組中,其AUC、敏感度和特異度分別為0.881(95%CI:0.737～0.962)、83.33%和80.85%(圖2)。

圖2 預測GBM患者MGMT-PM狀態的綜合模型的ROC曲線。a)訓練集;b)驗證集。 圖3 預測GBM患者MGMT-PM狀態的綜合模型的諾模圖。

Hosmer-Lemeshow檢驗結果表明:在訓練集和驗證集中,綜合模型的擬合度均較好(P=0.051、0.284)。校準曲線顯示綜合模型的預測概率與實際概率之間無明顯統計學差異(圖4)。決策曲線的曲線下面積代表預測模型凈獲益的大小,相對于所有患者均行焦磷酸測序獲取MGMT-PM狀態和所有患者均不行此項分子檢測,該預測模型能為GBM患者帶來較高的臨床獲益,具有一定的臨床價值(圖5)。

圖4 預測MGMT-PM狀態的綜合模型的校準曲線,在訓練集和驗證集中,模型的擬合度均較好。a)訓練集中,模型預測概率與實際概率之間的差異無統計學意義(P=0.051);b)驗證集中,模型預測概率與實際概率之間的差異無統計學意義(P=0.284)。 圖5 綜合模型預測MGMT-PM狀態的決策曲線。X軸代表閾值概率,Y軸代表凈獲益,曲線下面積代表獲益大小。在訓練集和驗證集中,該預測模型均表現出較高的臨床獲益,表明模型具有一定的臨床應用價值。a)訓練集;b)驗證集。

討 論

本研究基于ADC圖和3D-CE-T1WI序列提取的影像組學特征,聯合年齡和性別等臨床特征,構建了術前無創性預測GBM患者MGMT-PM狀態的綜合模型。診斷效能分析結果顯示,多序列聯合的影像組學分數的預測效能優于單一序列,臨床特征的引入進一步提高了模型的預測效能,綜合模型在訓練集和驗證集中均取得了較好的預測效能,表明基于影像組學分析多序列MRI構建的綜合模型在術前無創性預測GBM患者MGMT-PM狀態、指導臨床制訂個性化治療方案及預后評估方面可能均具有一定的臨床應用價值。

理論上,MGMT可以通過血管內皮生長因子A和血管內皮生長因子受體2等正性調節因子調節血管生成,而在MGMT啟動子甲基化的GBM患者中這一途徑可能被抑制,從而增加了腫瘤對烷化劑的敏感性[10]。Lu等[11]和He等[12]利用MRI定量參數建立模型來評估MGMT-PM狀態,構建的模型的AUC為0.802～0.849,但是該模型未在驗證集中進行驗證。本研究引入了臨床特征,豐富了模型的評價尺度,并且在驗證集中得到了相似的結論,驗證了模型的可靠性,與Wei等[7]的結論基本一致。王巖等[13]基于DWI和T2WI建立多序列影像組學預測模型,并與單一序列模型的效能進行比較,結果顯示多序列模型的預測效能有所提高,與本研究結果一致。

本研究中聯合兩個序列的影像組學特征構建的聯合模型的預測效能優于單一序列,筆者分析原因為:ADC圖像能夠反映水分子擴散受限區域,但是圖像上病灶的邊界較模糊,而3D-CE-T1WI圖像對病灶的邊界等形態學特征的顯示較好,兩個序列的信息正好互補,即聯合分析既提供了腫瘤全域的細胞增殖信息,又包含了血腦屏障破壞的信息,而且這與臨床診療時的閱片經驗也是一致的。Chen等[9]的研究結果表明,同時評估細胞增殖和血流情況可以提高對MGMT-PM狀態的預測效能。經查閱文獻,發現既往的相關研究中尚未納入增強掃描序列,而本研究證實了增強掃描序列預測MGMT-PM狀態的可行性。在3D-CE-T1WI序列上可準確識別病灶邊界,為后續開展深度學習、保證病灶標注的準確性等奠定了研究基礎。此外,本研究中采用三維CE-T1WI,與以往二維成像時常規采用的3.0～5.0 mm的層厚相比,1.0 mm的掃描層厚可能提供了更為準確的影像組學特征信息。但是,本研究中采用的手動分割ROI的方法提高了時間成本,確認了基于3D-CE-T1WI提取的影像組學特征有助于識別MGMT-PM狀態后,在今后的研究中可借助半自動圖像標注工具,完成有監督學習的數據標注,減少ROI的勾畫時間,節約研究的時間成本。

影像組學特征可以在像素水平上定量評估腫瘤的異質性[14]。最近的研究已經表明,影像組學模型在膠質瘤分子特征的預測中具有一定的潛力,在本研究中也得到了證實。在影像組學模型建立的過程中,特征選擇也是構建組學模型的核心步驟,避免特征共線性才能提高預測效能,本研究中Hosmer-Lemeshow檢驗結果表明模型擬合度較好,模型的預測概率與實際概率之間一致性較高。本研究中還通過繪制諾模圖實現了模型可視化,將影像組學分數、年齡和性別等特征帶入諾模圖得到每一項對應的分數,再將各項的分數相加得到一個總分,向下投影即可得到預測MGMT-PM狀態的概率值。利用簡單的圖形工具完成復雜的統計學預測,增強結果的可讀性,有助于該模型在臨床的推廣。

本研究存在一定的局限性:首先,樣本量有限,今后需進一步擴大樣本量,積極開展多中心、大樣本實驗來提高模型的穩健性;其次,今后還可結合病理進一步探討影像組學模型的生物學意義,進一步提高模型臨床應用的可行性[15]。

總之,基于ADC圖和3D-CE-T1WI序列提取的影像組學特征構建的預測模型有助于術前無創性預測膠質母細胞瘤MGMT啟動子甲基化狀態,繪制模型的諾模圖有助于臨床應用和推廣,可為臨床治療決策和預后評估提供較可靠的影像學依據。