增強MRI影像組學預測腦膠質瘤IDH-1基因突變的價值分析

唐薇，段俊艷，余子意，翟昭華

膠質瘤是原發顱內腫瘤最常見的類型，可發生在中樞神經系統的任何部位，具有侵襲性強、預后差、復發率高的特點[1]。世界衛生組織(Word Health Organization，WHO)中樞神經系統腫瘤分類將膠質瘤分為1～4 級[2]，以往臨床常依靠病理組織學來預測其預后。但該方法有創，且越來越多的研究表明，膠質瘤的預后與病理分級無關，其侵襲性主要受分子遺傳組成的影響，若存在相同的基因改變，不同組織病理級別的腦膠質瘤患者可存在相似的生物學行為和預后[3]。2016 年版《WHO 中樞神經系統腫瘤分類》首次將基因型納入腦膠質瘤的診斷及預后判斷中，其中將異檸檬酸脫氫酶(isocitrate dehydrogenase，IDH)基因作為膠質瘤分子分型的核心依據之一[4]?；蚩赡苁桥c治療和預后相關的更為關鍵的預測因子[5]，基于表型和基因型的聯合分類方法能夠讓診斷更加明確，且更好地指導治療、預測預后。大量研究表明IDH-1 突變型膠質瘤的預后明顯好于野生型膠質瘤[6-7]。

臨床工作中，常規影像學檢查不能在術前預測基因型，故而不能準確地在術前確定治療方法。而影像組學作為一種通過提取數千種基于覆蓋整個腫瘤體積的強度直方圖、幾何和紋理分析的圖像特征新興研究方法，可以潛在表征肉眼看不見的腫瘤表型[8-9]，進行客觀、定量的分析，挖掘腫瘤的內在信息，分析腫瘤的異質性。目前，關于膠質瘤IDH 基因型預測方面的研究大多集中在對紋理特征的分析或者僅集中在某一種病理分級，限制了模型的應用。近年來，越來越多的學者采用更先進的MRI技術研究腦膠質瘤IDH基因型與患者預后、治療的關系，但是這些技術對圖像質量要求更高、后處理更復雜，從而難以獲得。本研究利用術前2～4級膠質瘤增強MRI圖像構建影像組學模型，操作更為簡便，并與臨床特征相結合，探討影像組學對術前膠質瘤IDH-1 突變狀態的預測價值，獲得的影像組學特征更多樣，是對現有研究的補充與擴展。

1 資料與方法

1.1 一般資料

回顧性分析2017年1月至2021年9月于川北醫學院附屬醫院行術前MRI 掃描的110 例膠質瘤患者的臨床及影像學資料。納入標準如下：(1)經手術或穿刺活檢證實為腦膠質瘤，并進行免疫組織化學分析，包括確定IDH-1基因型；(2)術前行頭顱增強MRI檢查；(3)臨床資料完整；(4)無其他腦腫瘤病史或外傷史。排除標準：(1)術前接受過放化療；(2)影像或臨床資料不完善或圖像質量不佳，偽影重。本研究最終納入102 例膠質瘤患者。其中男57 例，女45 例，年齡21～78 歲(56±11.31)歲。102 例患者中，IDH-1 基因野生型73 例(WHO 2 級12 例，3 級15 例，4 級46 例)，年齡(60.11±11.97)歲，IDH-1 基因突變型29 例(WHO 2 級15 例，3 級10 例，4 級4 例)，年齡(47.12±9.75)歲。經過12 次簡單隨機分組，最終將102 例患者按照7∶3 隨機分為訓練組71 例和驗證組31 例。收集患者臨床信息，包括年齡、性別、膠質瘤病理級別、瘤周是否水腫、腫瘤內是否壞死、腫瘤是否強化、病灶側別。本文為回顧性研究，經川北醫學院附屬醫院倫理委員會批準，免除受試者知情同意，批準文號：2021ER198-1。

1.2 MRI檢查

采用美國GE 公司Signa excite 1.5 T 和Discovery MR 750 3.0 T MRI掃描儀檢查，分別使用頭部8通道和32通道相控陣列線圈。所有患者術前均行頭顱橫斷面MRI平掃與增強掃描，掃描基線平行于前后聯合連線，掃描范圍覆蓋枕骨大孔至顱頂。掃描序列包括：軸位T1加權成像(T1-weighted imaging，T1WI)、軸位T2加權成像(T2-weighted imaging，T2WI)、軸位T2液體衰減反轉恢復序列(T2 fluid attenuated inversion recovery，T2 FLAIR)、彌散加權成像(diffusion weighted imaging，DWI)及增強T1WI。DWI：b=0、1000 s/mm2。兩種掃描機型及掃描序列具體參數見表1、2。增強檢查對比劑為釓貝葡胺注射液(上海博萊科信誼藥業有限責任公司)，劑量為0.1 mmol/kg，速率2 mL/s。

表1 1.5 T MRI掃描參數

表2 3.0 T MRI掃描參數

1.3 影像組學過程

1.3.1 圖像預處理及組學特征提取

將增強T1WI 二維圖像以DICOM 格式加載到3D-Slicer 4.11 軟件(https://www.slicer.org)進行影像組學分析，為了盡量消除不同MRI 機型和參數對于特征提取的影響，將體素大小統一設為1 mm×1 mm×1 mm。由兩名具有3 年頭顱MRI 診斷經驗的放射科醫師采用雙盲法分別獨立對圖像進行分析，并手動逐層勾畫每個腫瘤，即感興趣區，包括腫瘤增強及壞死、囊變區，但不包括瘤周水腫。最終從增強T1WI 圖像中共提取了851 個特征，包括107 個原始圖像特征和744 個小波特征，其中162 個一階特征(first-order)、675 個紋理特征[灰度共生矩陣(Gray Level Co-occurence Matrix，LCM)、灰度游程矩陣(Gray Level Run-Length Matrix，GLRLM)、灰度大小區域矩陣(Gray Level Size Zone Matrix，GLSZM)、鄰域灰度差矩陣(Neighbourhood Gray-Tone Difference Matrix，NGTDM)、灰度依賴矩陣(Gray Level Dependence Matrix，GLDM)]及14個基于形狀因子特征。

1.3.2 組間及組內特征一致性檢驗

從所有病例中隨機抽取52例增強T1WI圖像，由兩名具有3年頭顱MRI診斷經驗的醫師同時勾畫感興趣區并提取特征，進行組間影像組學特征的一致性檢驗(interclass correlation coefficients，ICC)。放射醫師1于2周后再次勾畫并提取特征，與第一次特征進行比較評價組內影像組學特征的一致性。ICC＞0.75的特征被認為具有較好的一致性。

1.3.3 組學特征選擇

為了避免在建模時的維數災難，減少影像組學特征帶來的偏差，首先通過獨立樣本t檢驗或MannWhitneyU檢驗對所有特征進行降維，然后使用最小絕對收縮和選擇算子(least absolute shrinkage and selection operator，LASSO)對數據進行降維和特征選擇，采用10 倍交叉驗證法對模型進行檢驗，即將數據集分成10 份(folds 值設為10)，輪流將其中9 份做訓練集，1 份做驗證集，通過變量選擇和正則化來提高統計模型的預測精度和可解釋性。

1.3.4 模型建立及驗證

利用Logistic回歸模型建立IDH-1的預測模型。為了進行比較，我們創建了3 組影像組學模型，即臨床特征模型、T1WI 增強模型、臨床聯合影像組學模型。采用受試者工作特征(receiver operating characteristic，ROC)曲線下面積(area under the curve，AUC)評價模型診斷效能(0.5＜AUC＜0.7 為低診斷效率，0.7＜AUC＜0.9 為中等診斷效率，0.9＜AUC為高診斷效率)，并計算其敏感度、特異度及準確率。采用Delong檢驗比較3組模型的預測性能，P＜0.05被認為差異有統計學意義。繪制校準曲線分析模型校準效能。

1.4 統計學分析

使用IBM SPSS 25.0 (https://www.ibm.com)和R 4.0.2(https://www.r-project.org)軟件，符合正態分布且方差齊的計量資料比較采用獨立樣本t檢驗，否則采用Mann-WhineyU檢驗。計數資料采用卡方檢驗進行分析，P＜0.05為差異有統計學意義。構建3組Logistic回歸模型，繪制ROC曲線，采用Delong檢驗比較3組影像組學模型的評價性能。

2 結果

2.1 臨床基本資料

訓練組和驗證組患者臨床資料見表3。在所有7個臨床特征中，年齡為計數資料，經檢驗不符合正態分布，故采用Mann-WhineyU檢驗。其余特征為計量資料，采用卡方檢驗。結果顯示：訓練組和驗證組的病理分級和年齡差異具有統計學意義(P＜0.05)；突變型平均年齡低于野生型；兩組性別、瘤周水腫、病變部位、腫瘤壞死及腫瘤強化差異無統計學意義(P＞0.05)。

表3 訓練組和驗證組的臨床資料

2.2 特征選擇和模型構建

本研究進行組內ICC 后發現所有特征均具有較好的一致性。行組間ICC 后，從增強T1WI 組學特征中提取出508 個一致性較好的特征(ICC＞0.75)。使用t檢驗、Mann-WhineyU檢驗以及LASSO Logistic 回歸模型對這些影像學特征進行篩選及歸一化處理，最終得到4個非零影像組學系數特征(圖1)。其中包括原始圖像中的紋理特征1 個(GLCM)、小波特征3 個(first-order、GLSZM、GLCM)。

圖1 LASSO回歸降維收斂圖和篩選特征變量二項式偏差圖。

2.3 診斷效能

3 組模型訓練組和驗證組AUC 值、敏感度、特異度及準確率見表4，結果顯示加入年齡的聯合模型預測效能最好，訓練組和驗證組的AUC 值分別為0.886 (95%CI：0.81～0.96)、0.889 (95%CI：0.77～1.00)，敏感度分別為0.90、0.86，特異度均為0.55，準確率分別為80%、77%，與臨床特征模型對比差異具有統計學意義(P＜0.05)。校準曲線顯示在訓練組和驗證組中聯合預測模型IDH-1 突變的概率和實際概率的一致性較好(圖2)。

圖2 聯合模型預測IDH-1突變狀態在訓練組和驗證組中的校準曲線。黑色實線與對角虛線越接近表示模型一致性越好。

表4 三組影像組學模型訓練組和驗證組AUC值、敏感度、特異度、準確率

3 討論

本研究驗證了基于增強T1WI 的定量影像組學模型預測膠質瘤IDH-1 基因型的價值，結果顯示結合年齡的聯合影像組學模型在訓練組和驗證組均表現出較好的預測效能，AUC值分別為0.886、0.889，且使用Delong 法與臨床特征模型對比，差異具有統計學意義，這證明了放射組學特征在預測膠質瘤IDH基因型方面的增量價值。本研究為術前預測性研究，創新型地將2～4 級膠質瘤病例均納入研究，使其應用不受病理分級的限制。并將年齡與影像特征聯合，年齡在術前容易獲得，這使得納入這一變量成為發展聯合模型的常見策略，為術前預測膠質瘤IDH-1 基因型提供了一種個體化和非侵入性的預測工具。

IDH 基因是膠質瘤一個重要的遺傳標志，在膠質瘤代謝、發病機制和進展中發揮著重要作用[2,4]，IDH-1 是其最常見的一種突變型形式。根據IDH基因突變情況，膠質瘤可分為IDH突變型和野生型[10]。IDH 突變導致腫瘤代謝物D-2-羥基戊二酸產生[11]，該物質潛在地促進IDH 突變腫瘤的免疫逃逸[12]。IDH-1 突變型膠質瘤比野生型生長緩慢，更易接受大體全切除，對放化療更敏感，總體生存期和無進展生存期更長，預后和存活生存率更高[13]。

3.1 增強T1WI影像組學在預測腦膠質瘤IDH-1突變狀態的臨床價值

本研究對比分析IDH-1 突變型和野生型患者的臨床及MRI 相關資料，結果表明年齡、病理分級是預測IDH-1 突變狀態的獨立危險因素。研究結果證實突變型患者的平均年齡較野生型患者年齡更小，差異有統計學意義，且結合年齡的影像組學模型在三組中的預測性能最好，與Tan等[14]的研究結果一致。雖然越來越多的學者使用MRI 先進技術分析IDH 突變狀態與膠質瘤之間的關系[15-16]，但是一項Meta分析顯示常規MRI序列的機器學習在預測IDH突變方面顯示出更好的特異性[17]。本研究在增強T1WI 序列上提取大量高通量影像組學特征，操作簡單，易于獲得。有學者[1,18]發現基于術前增強MR的放射組學模型可以有效地預測高級別膠質瘤的IDH-1基因。Park等[19]發現在常規序列影像組學中加入彌散張量成像(diffusion tensor imaging，DTI)影像組學能顯著提高低級別膠質瘤IDH狀態的預測準確性。Li 等[20]分別從多參數MRI 的增強區、非增強區、壞死、水腫、腫瘤核心以及整個腫瘤六個區中提取特征，結果表明多區域影像組學模型能夠在術前預測膠質母細胞瘤的突變狀態，且將年齡與全區域相結合可獲得最佳預測性能。但是上述研究僅集中在低級別或高級別膠質瘤，需要腫瘤病理分級作為前提，分級信息需要侵入性檢查獲得，極大地限制了影像組學的臨床應用。而本研究未將病理分級納入臨床特征，使得研究不受病理分級的限制，擴展了影像組學模型的臨床應用，為術前預測腦膠質瘤IDH-1基因狀態提供了可能。

3.2 影像組學特征與膠質瘤IDH突變狀態的關系

影像組學作為非侵入性的影像醫學檢查方法，使用自動數據特征化算法將MRI 圖像中肉眼不可見的信息轉換為定量的高通量特征，獲取與臨床疾病潛在關聯。本研究從102 例膠質瘤患者的增強T1WI圖像中提取了851個特征，應用LASSO法進行特征提取，結果顯示原始圖像中的紋理特征(GLCM)、小波圖像特征(first-order、GLSZM、GLCM)與IDH-1 突變狀態相關度最高。小波圖像特征在本模型中具有重要意義的原因可能是其較原始特征占有更高的權重，相比原始特征的信息量更大。一階特征和紋理特征反映腫瘤的異質性[21]。Hsieh等[22]從腫瘤組織中提取了定量的一階特征、形態和紋理特征來確定膠質母細胞瘤的IDH 狀態，使用Logistic 回歸分類器對特征集進行評估，以建立預測模型，結果表明紋理特征預測準確率為85%，顯著高于形態特征和一階特征。Han 等[23]利用常規磁共振成像直方圖和GLCM特征得出的聯合變量可以精確檢測IDH-1突變的膠質瘤。Sohn等[24]研究發現在預測IDH突變狀態中，與之相關度最高的為紋理特征和形狀特征。以上研究均表明IDH 突變型和野生型之間存在某些紋理上的差別，與本研究結果一致。

3.3 局限性

首先，本研究樣本量小，特別是IDH-1 突變型，使得訓練組和驗證組的分類模型會出現采樣不均衡的問題。其次，本研究只使用了MRI 增強單一序列，還應納入其他常規序列或先進的MRI 技術，以構建更全面、更先進的影像組學模型。最后，本研究只關注了膠質瘤的IDH 基因型，MRI 影像組學與膠質瘤其他基因表達的關系還有待進一步研究。

綜上所述，基于增強MRI 影像組學模型可以在術前有效的預測膠質瘤IDH-1 基因型，特別是對于那些不能手術切除患者治療前的常規評估方法，從而指導臨床治療、預測預后。

作者利用沖突：全部作者均聲明無利益沖突。