基于MRI-T1增強(qiáng)影像組學(xué)特征分析預(yù)測(cè)腦膜瘤p53基因表型

歐陽治強(qiáng)， 李倩， 孫學(xué)進(jìn)， 魯毅

腦膜瘤(meningioma)起源于腦膜上皮細(xì)胞，約占所有顱內(nèi)腫瘤的37%[1]。2016年WHO中樞神經(jīng)系統(tǒng)腫瘤分類將其分為Ⅲ級(jí)15個(gè)亞型，不同級(jí)別、不同亞型的腦膜瘤有著不同侵襲性、復(fù)發(fā)率和臨床預(yù)后[2]。目前，WHO分級(jí)系統(tǒng)已成為影響腦膜瘤臨床治療方案制定以及預(yù)后評(píng)估關(guān)鍵因素，但僅依賴該分級(jí)系統(tǒng)還不足以讓臨床醫(yī)生完全掌握腦膜瘤復(fù)雜生物學(xué)行為，這是因?yàn)槟X膜瘤存在豐富變異性，組織學(xué)上不同亞型良性腦膜瘤即使在完全切除后也可能變異成為非典型或間變型等高級(jí)別亞型，進(jìn)而表現(xiàn)出高復(fù)發(fā)風(fēng)險(xiǎn)和較差的臨床預(yù)后[3-4]，而想要了解這些復(fù)雜生物學(xué)行為就必須對(duì)腦膜瘤基因分子學(xué)特征進(jìn)行研究。p53基因作為人類最重要的抑癌基因，其突變所涉及腫瘤類型極為廣泛，研究表明人類50%以上的腫瘤組織中存在p53基因突變[5]，包括肝癌、乳腺癌、胃癌和前列腺癌等，而腦膜瘤作為顱內(nèi)最常見的腫瘤之一，其腫瘤大小、惡性程度、復(fù)發(fā)率及預(yù)后均與p53基因有著密切的聯(lián)系。然而，現(xiàn)階段臨床主要通過組織標(biāo)本的免疫組化分析或基因測(cè)序來明確腦膜瘤p53基因表型，其中取樣誤差[6-7]、時(shí)效欠佳以及費(fèi)用高昂等不利因素都限制了p53基因在腦膜瘤患者治療方案制定以及預(yù)后評(píng)價(jià)中的作用。相比之下，影像組學(xué)(radiomics)能夠及時(shí)、全面、無創(chuàng)地對(duì)腫瘤整體特征進(jìn)行評(píng)價(jià)[8]且之前的研究證實(shí)通過影像組學(xué)預(yù)測(cè)腫瘤p53基因表達(dá)具有一定可行性[9-10]；本研究運(yùn)用影像組學(xué)特征分析方法探索性地構(gòu)建腦膜瘤p53基因預(yù)測(cè)模型，期望能為臨床醫(yī)生前瞻腦膜瘤生物學(xué)行為提供一定分子學(xué)依據(jù)。

材料與方法

1.研究對(duì)象

回顧性搜集本院2016年6月-2020年6月經(jīng)術(shù)后病理及免疫組化證實(shí)腦膜瘤患者105例，按照納入與排除標(biāo)準(zhǔn)進(jìn)行篩選。納入標(biāo)準(zhǔn)：①所有入組患者均接受手術(shù)治療并經(jīng)術(shù)后病理及免疫組化證實(shí)顱內(nèi)占位為腦膜瘤；②所有患者接受手術(shù)治療前均在同一磁共振掃描儀上行頭部MR平掃及增強(qiáng)檢查且掃描參數(shù)保持一致；③所有患者均行p53基因免疫組化分析，并具有明確分析結(jié)果(組織切片中p53蛋白表達(dá)即p53(+)是p53基因突變的指標(biāo)[11-12])。排除標(biāo)準(zhǔn)：①未在同一磁共振掃描儀上接受MR檢查患者；②MR增強(qiáng)圖像質(zhì)量不佳者；③未行p53基因免疫組化分析者。最終入組80例，p53(-)和p53(+)各40例。

2.設(shè)備儀器與方法

MR檢查：所有入組患者術(shù)前均于Philips Achieva 1.5T超導(dǎo)型磁共振掃描儀聯(lián)合8通道相控陣線圈的條件下行頭部MR平掃及增強(qiáng)檢查。具體掃描序列及參數(shù)：平掃行軸面T1WI、T2WI、T2-FLAIR掃描，采用快速自旋回波序列(TSE)；T1WI(TR 550 ms,TE 15 ms)，T2WI(TR 4000 ms,TE 100 ms)，T2-FLAIR(TR 7000 ms,TE 120 ms,TI 2200 ms)，層厚6 mm，層間距1 mm，F(xiàn)OV 240 mm×240 mm，NEX 1；增強(qiáng)掃描使用高壓注射器經(jīng)肘靜脈注入釓噴酸葡胺(Gd-DTPA)對(duì)比劑，劑量0.2 mmol/kg，速率2.0 mL/s，注射完成后加推15～2 0mL生理鹽水，行軸、冠、矢狀面3方位T1WI及軸面T2-FLAIR掃描。

p53基因免疫組化分析：手術(shù)切除標(biāo)本采用10%甲醛溶液固定，經(jīng)組織脫水后使用石蠟切片封埋處理行p53基因免疫組化染色，于100倍顯微鏡下觀察，據(jù)結(jié)果分為p53(-)和p53(+)，p53(+)即p53基因突變型，指細(xì)胞核內(nèi)出現(xiàn)深染棕黃色顆粒。

3.圖像處理

勾畫感興趣區(qū)(region of interest,ROI):將T1增強(qiáng)軸面圖像以醫(yī)學(xué)數(shù)字成像和通信格式(digital imaging and communications in medicine,DICOM)格式導(dǎo)入基于MATLAB R2014a平臺(tái)開發(fā)IBEX(Beta 1.0,http://bit.ly/IBEX_MDAnderson)圖像處理軟件，由1名影像科碩士研究生(醫(yī)師1)參照T2WI及T2-FLAIR平掃圖像逐層勾勒出所有腦膜瘤病灶(單發(fā)和多發(fā))邊界，記為ROI1(圖1a、b)，同時(shí)由一名具有8年以上中樞神經(jīng)系統(tǒng)影像診斷經(jīng)驗(yàn)高年資醫(yī)師復(fù)核，后由另1名影像科碩士研究生(醫(yī)師2)按照相同方法勾畫ROI2(圖1c、d)，再由同一名高年資醫(yī)師復(fù)核。最新的研究結(jié)果顯示腦膜瘤內(nèi)部壞死、囊變、鈣化、出血以及被腫瘤侵犯的腦膜、顱骨和腦膜尾征作為常規(guī)影像上腫瘤異質(zhì)性映射，與腦膜瘤惡性程度、侵襲性有著密切聯(lián)系[13-14]，故本研究所勾畫ROI包括以上內(nèi)容。

圖1 a、b) 醫(yī)師1參照兩個(gè)腦膜瘤患者M(jìn)R檢查中T2WI和T2-FLAIR圖像，在局部放大的T1增強(qiáng)軸面圖像上勾勒出腦膜瘤邊界(綠線)，記為ROI 1； c、d) 醫(yī)師2采取同樣方法在相同兩個(gè)腦膜瘤患者局部放大的T1增強(qiáng)軸面圖像上勾勒出腦膜瘤邊界(紅線)，記為ROI 2。 圖2 a) 使用LASSO對(duì)542個(gè)影像組學(xué)特征進(jìn)行篩選系數(shù)收斂圖，縱坐標(biāo)是LASSO系數(shù)，下橫坐標(biāo)是log(λ)值，上橫坐標(biāo)是非零系數(shù)個(gè)數(shù)，從左到右log(λ)逐漸增大，變量系數(shù)逐漸減小為0； b) 使用10倍交叉驗(yàn)證法篩選效能最佳組學(xué)特征圖，下橫坐標(biāo)是log(λ)值，上橫坐標(biāo)是與log(λ)值相對(duì)應(yīng)LASSO降維后特征個(gè)數(shù)，左側(cè)虛線表示最低平均分類錯(cuò)誤率所對(duì)應(yīng)的log(λ)值以及相應(yīng)特征個(gè)數(shù)(最小方差)，右側(cè)虛線則表示最低平均分類錯(cuò)誤率1倍標(biāo)準(zhǔn)差時(shí)所對(duì)應(yīng)的log(λ)值以及相應(yīng)的特征個(gè)數(shù)(最簡(jiǎn)化模型)；本研究選取最簡(jiǎn)化模型所提供的5個(gè)組學(xué)特征組成特征集。

影像組學(xué)特征提取:選擇IBEX軟件中拉普拉斯濾波(laplacian filter)和體素水平重采樣(resample voxel size)對(duì)兩次勾畫ROI行圖像預(yù)處理，隨后提取包括一階統(tǒng)計(jì)量特征、形態(tài)學(xué)特征及紋理特征在內(nèi)的3大類特征。

影像組學(xué)特征篩選及預(yù)測(cè)模型構(gòu)建:基于R軟件4.0.2版本(http://www.r-project.org)。首先，應(yīng)用均值填充法對(duì)所得特征數(shù)據(jù)中缺項(xiàng)進(jìn)行填充，再利用組間相關(guān)系數(shù)(interclass correlation coefficient,ICC)對(duì)兩次勾畫ROI數(shù)據(jù)進(jìn)行觀察者間一致性進(jìn)行評(píng)價(jià)，設(shè)定ICC≥0.75為一致性良好、重復(fù)性高，排除ICC<0.75影像組學(xué)特征；采用Z-score進(jìn)行標(biāo)準(zhǔn)化處理并使用單因素方差分析篩選出差異有統(tǒng)計(jì)學(xué)意義特征，然后以1為隨機(jī)種子(random seed)按7:3的比例進(jìn)行無放回的隨機(jī)選擇，將影像組學(xué)特征數(shù)據(jù)分為訓(xùn)練組和驗(yàn)證組；隨后，使用最小收縮和選擇算子(least absolute shrinkage and selection operator，LASSO)回歸與10倍交叉驗(yàn)證對(duì)特征數(shù)據(jù)進(jìn)行降維處理，提取具有非零系數(shù)影像組學(xué)特征組成特征集；再將此特征集納入邏輯回歸(logistic regression,LR)、決策樹(decision tree,DT)、支持向量機(jī)(support vector machine,SVM)以及自適應(yīng)增強(qiáng)(adaptive boosting,AdaBoost)4種分類學(xué)習(xí)器分別構(gòu)建腦膜瘤p53基因表型預(yù)測(cè)模型。最后，分析患者M(jìn)RI影像資料，篩選出在腦膜瘤p53(-)和(+)組之間差異具有統(tǒng)計(jì)學(xué)意義影像特征并將其納入上述4種分類學(xué)習(xí)器中預(yù)測(cè)效能最佳的一個(gè)，構(gòu)建影像特征模型、聯(lián)合模型(影像特征和影像組學(xué)特征)。

4.比較4種分類學(xué)習(xí)器以及影像特征模型和聯(lián)合模型預(yù)測(cè)效能并建立Nomogram模型

繪制受試者工作特征曲線(receiver operating characteristic curve,ROC)評(píng)價(jià)4種分類學(xué)習(xí)器以及影像特征模型、聯(lián)合模型預(yù)測(cè)效能，評(píng)價(jià)指標(biāo)包括靈敏度(sensitivity)、特異度(specificity)、準(zhǔn)確率(accuracy)和曲線下面積(area under curve,AUC)。整合影像特征與影像組學(xué)特征，構(gòu)建Nomogram模型，采用校準(zhǔn)曲線(calibration curve)與決策曲線(decision curve)對(duì)Nomogram模型進(jìn)行評(píng)價(jià)。

5.統(tǒng)計(jì)學(xué)分析

結(jié) 果

1.患者一般資料與MRI影像資料分析

本研究共納入80例腦膜瘤患者，p53(-)和p53(+)各40例，所有病例按7：3比例隨機(jī)分配到訓(xùn)練組和驗(yàn)證組，訓(xùn)練組56例(陰性和陽性各28例)，驗(yàn)證組24例(陰性和陽性各12例)。訓(xùn)練組和驗(yàn)證組中p53(-)和p53(+)患者的性別、年齡差異均無統(tǒng)計(jì)學(xué)意義(P≥0.05)。據(jù)患者M(jìn)RI影像資料分析可知訓(xùn)練組和驗(yàn)證組中腫瘤強(qiáng)化均勻度與是否存在擴(kuò)散受限這兩個(gè)影像特征在p53(-)和p53(+)腦膜瘤中差異有統(tǒng)計(jì)學(xué)意義(P<0.05)即行MRI檢查時(shí)腦膜瘤p53(+)者較p53(-)者更易出現(xiàn)強(qiáng)化不均勻和擴(kuò)散受限表現(xiàn)(表1)。

2.影像組學(xué)特征分析

提取到初始影像組學(xué)特征838個(gè)，經(jīng)組間一致性檢驗(yàn)排除ICC<0.75組學(xué)特征28個(gè)，經(jīng)Z-score標(biāo)準(zhǔn)化處理以及單因素方差分析后得到542個(gè)差異有統(tǒng)計(jì)學(xué)意義(P<0.05)組學(xué)特征； LASSO回歸和10倍交叉驗(yàn)證降維得到5個(gè)具有非零系數(shù)影像組學(xué)特征(圖2、表2)。

表2 影像組學(xué)特征集

3.四種分類學(xué)習(xí)器預(yù)測(cè)效能分析

將包含上述5個(gè)影像組學(xué)特征的訓(xùn)練集分別納入LR、DT、SVM和AdaBoost分類學(xué)習(xí)器，構(gòu)建腦膜瘤p53基因表型預(yù)測(cè)模型，利用驗(yàn)證集對(duì)所得的4種預(yù)測(cè)模型進(jìn)行檢驗(yàn)，各模型所對(duì)應(yīng)的訓(xùn)練集與驗(yàn)證集ROC曲線見圖3，預(yù)測(cè)效能如表3。分析可知，SVM模型的預(yù)測(cè)效能最佳，其訓(xùn)練集與驗(yàn)證集AUC均最高，分別為0.894和0.729。

圖3 4種分類學(xué)習(xí)器構(gòu)建的影像組學(xué)預(yù)測(cè)模型訓(xùn)練集(藍(lán)線)與驗(yàn)證集(紅線)ROC曲線及曲線下面積(AUC)。a) LR； b) DT; c) SVM; d) AdaBoost。 圖4 基于SVM分類學(xué)習(xí)器構(gòu)建的影像組學(xué)預(yù)測(cè)模型(藍(lán)線)、影像特征模型(紅線)和聯(lián)合模型(綠線)的ROC曲線及的曲線下面積(AUC)。

表3 4種分類學(xué)習(xí)器的預(yù)測(cè)效能

4.影像組學(xué)模型和影像特征模型以及聯(lián)合模型預(yù)測(cè)效能分析

將腫瘤強(qiáng)化均勻度與是否存在擴(kuò)散受限這2個(gè)影像特征納入SVM分類學(xué)習(xí)器，最終得到影像組學(xué)模型、影像特征模型和聯(lián)合模型和3種模型的ROC曲線及預(yù)測(cè)效能(圖4、表4)。聯(lián)合模型的預(yù)測(cè)效能最佳，AUC為0.954，靈敏度、特異度和準(zhǔn)確率分別為96.4%、82.1%、89.3%。

表4 影像組學(xué)模型、影像特征模型及聯(lián)合診斷模型的預(yù)測(cè)效能

5.Nomogram模型分析及校準(zhǔn)

據(jù)MRI影像特征分析結(jié)果以及驗(yàn)證集Radiomics值，構(gòu)建Nomogram模型(圖5)。結(jié)果顯示強(qiáng)化均勻度(不均勻積14point、欠均勻積8point、均勻積0point)，擴(kuò)散是否受限(受限積100point、不受限積0point)，Radiomics值(-8～6分別積0～38point)，以上各項(xiàng)積分相加得到總分，總分越高對(duì)應(yīng)腦膜瘤患者p53基因突變幾率越高。Nomogram模型經(jīng)Boostrap法行1000次內(nèi)部抽樣驗(yàn)證后得出模型預(yù)測(cè)值與臨床實(shí)際觀察值重合度較好，但偏離45°基線較多(圖6)，說明該模型校準(zhǔn)度欠佳；而決策曲線(圖7)顯示Nomogram模型在預(yù)測(cè)腦膜瘤p53基因表型方面較單純影像組學(xué)模型存在明顯優(yōu)勢(shì)。

圖5 預(yù)測(cè)腦膜瘤p53基因表型的Nomogram圖。存在患者，DWI及ADC序列相上表現(xiàn)為腫瘤擴(kuò)散受限(100point)，MR增強(qiáng)掃描呈不均勻強(qiáng)化(14point)，Radiomics值1.6(約27point)，總分141point，依據(jù)Nomogram可推測(cè)該腦膜瘤患者p53基因突變率>90%，而其術(shù)后免疫組化分析結(jié)果為p53(+)。 圖6 Nomogram預(yù)測(cè)模型校準(zhǔn)曲線。 圖7 影像組學(xué)模型、Nomogram模型預(yù)測(cè)腦膜瘤p53基因表型的決策曲線。

討 論

p53基因作為人類發(fā)現(xiàn)最早且研究最多的抑癌基因之一，早在1979年就由Lane等在SV40感染的小鼠細(xì)胞中發(fā)現(xiàn)。野生型p53基因產(chǎn)物具有轉(zhuǎn)錄因子的功能，參與細(xì)胞周期中DNA修復(fù)調(diào)節(jié)并誘導(dǎo)細(xì)胞凋亡，能夠殺滅腫瘤細(xì)胞的同時(shí)還能抑制腫瘤血管生成，從而有效防止腫瘤的復(fù)發(fā)和轉(zhuǎn)移，而當(dāng)p53基因發(fā)生突變時(shí)，其不但失去抑制腫瘤細(xì)胞生長(zhǎng)的能力，反而會(huì)促使腫瘤發(fā)生和發(fā)展[15]。有研究表明，p53基因過度表達(dá)與腦膜瘤惡性程度具有顯著相關(guān)性[16,4]；其在誘導(dǎo)腦膜瘤復(fù)發(fā)及惡性轉(zhuǎn)化中存在著潛在作用[17]；Kotipatruni等[18]發(fā)現(xiàn)p53基因上調(diào)可導(dǎo)致NDRG4原癌基因在侵襲性腦膜瘤中過度表達(dá)，他們認(rèn)為p53基因可間接導(dǎo)致腦膜瘤惡性轉(zhuǎn)化。由此觀之，p53基因與腦膜瘤惡性程度、復(fù)發(fā)率及預(yù)后均有著密切的聯(lián)系，對(duì)腦膜瘤患者p53基因表型進(jìn)行術(shù)前預(yù)測(cè)，將有助于外科醫(yī)生前瞻性評(píng)估腦膜瘤的侵襲性、惡性程度以及復(fù)發(fā)可能，為臨床治療方案制定提供重要參考依據(jù)。

本研究結(jié)果顯示基于腦膜瘤患者術(shù)前T1增強(qiáng)圖像進(jìn)行的影像組學(xué)特征分析，最終獲得了5個(gè)具有非零系數(shù)的影像組學(xué)特征；先前有研究[9]通過對(duì)宮頸鱗癌術(shù)前T2WI圖像進(jìn)行影像組學(xué)特征分析，發(fā)現(xiàn)最大強(qiáng)度、強(qiáng)度值范圍、反差分矩和短行程優(yōu)勢(shì)4個(gè)影像組學(xué)特征在預(yù)測(cè)宮頸鱗癌p53基因表達(dá)方面具有一定的價(jià)值，AUC分別為0.66、0.67、0.71和0.71，但此研究所納入病例數(shù)較少，未使用分類學(xué)習(xí)器對(duì)所得影像組學(xué)特征進(jìn)行整合的同時(shí)也也未設(shè)置驗(yàn)證組對(duì)所得結(jié)果進(jìn)行驗(yàn)證，而本研究不僅利用LR、DT、SVM和AdaBoost 4種分類學(xué)習(xí)器來構(gòu)建腦膜瘤p53基因表型預(yù)測(cè)模型，還設(shè)置驗(yàn)證組對(duì)所有模型進(jìn)行了檢驗(yàn)，分析后發(fā)現(xiàn)SVM模型具有較好的預(yù)測(cè)效能，訓(xùn)練集與驗(yàn)證集AUC分別為0.894和0.729。此外，本研究還對(duì)所有患者的MRI影像資料進(jìn)行分析，發(fā)現(xiàn)腫瘤強(qiáng)化均勻度與擴(kuò)散是否受限這兩個(gè)影像特征在腦膜瘤p53基因(-)與(+)組間的差異有統(tǒng)計(jì)學(xué)意義(P<0.05)，將這兩個(gè)影像特征參數(shù)納入SVM分類學(xué)習(xí)器得到影像特征模型預(yù)測(cè)效能欠佳，但將影像特征與影像組學(xué)特征整合后得到聯(lián)合模型，其預(yù)測(cè)效能有了顯著提升，AUC和準(zhǔn)確度分別升至0.954和89.3%；王睿[19]基于XGboost回歸建立CT影像模型、動(dòng)脈期組學(xué)模型、靜脈期組學(xué)模型在評(píng)估胃神經(jīng)內(nèi)分泌癌不同病理級(jí)別時(shí)準(zhǔn)確率分別為81.8%、86.0%和87.8%，隨后，其進(jìn)一步對(duì)CT影像模型和動(dòng)、靜脈期組學(xué)模型中的重要因子進(jìn)行整合并再次納入XGBoost回歸后得到的聯(lián)合診斷模型，診斷準(zhǔn)確率升高至91.0%，表明聯(lián)合診斷模型具有最佳的診斷效能，本研究所得結(jié)果與之一致。我們對(duì)影像特征與影像組學(xué)特征進(jìn)行量化后構(gòu)建了能夠用于預(yù)測(cè)腦膜瘤p53基因突變風(fēng)險(xiǎn)的Nomogram模型，結(jié)果顯示腦膜瘤患者出現(xiàn)強(qiáng)化不均勻、擴(kuò)散受限表現(xiàn)以及Radiomics系數(shù)增高時(shí)，其p53基因?yàn)橥蛔冃偷母怕试礁撸幌噍^于廖詩琪等[20]結(jié)合一般臨床因素與CT影像征象建立的用于預(yù)測(cè)乙型肝炎病毒相關(guān)性肝細(xì)胞肝癌微血管浸潤(rùn)情況的Nomogram模型，本研究構(gòu)建的Nomogram模型已然具備一定的臨床應(yīng)用與推廣價(jià)值。

本研究存在的不足之處，首先，此項(xiàng)研究為回顧性研究，在對(duì)象的選擇上難免存在選擇性偏倚進(jìn)而對(duì)最終結(jié)果產(chǎn)生不利影響；其次，相較于其他影像基因組學(xué)研究，本研究總樣本量偏小且只選取了T1增強(qiáng)序列進(jìn)行影像組學(xué)特征提取，這可能導(dǎo)致最終獲得的預(yù)測(cè)模型可靠性欠佳；最后，本研究是通過免疫組化分析來識(shí)別腦膜瘤患者p53基因表型而不是使用基因測(cè)序這一“金標(biāo)準(zhǔn)”，所以在p53基因表型區(qū)分方面可能存在一定實(shí)驗(yàn)誤差。

綜上所述，本研究基于MRI-T1增強(qiáng)影像組學(xué)特征分析建立的SVM分類學(xué)習(xí)模型在預(yù)測(cè)腦膜瘤p53基因表型時(shí)已初具有較良好的效能表現(xiàn)。而整合影像特征與影像組學(xué)特征所構(gòu)建的聯(lián)合模型，預(yù)測(cè)效能有了進(jìn)一步的提升，最終建立的Nomogram模型則對(duì)各個(gè)因子權(quán)重進(jìn)行了量化，是預(yù)測(cè)腦膜瘤患者p53基因直觀且有用的參考工具。