基于深度學(xué)習(xí)方法的膠質(zhì)母細(xì)胞瘤MGMT啟動子甲基化基因序列狀態(tài)預(yù)測

張杉杉　張楊潔　李彤

摘要：直接通過膠質(zhì)母細(xì)胞瘤患者腦部MRI圖像預(yù)測MGMT啟動子甲基化基因序列狀態(tài)，可以有效減少醫(yī)生手動勾畫病灶所花費的時間并可能最大限度地減少手術(shù)次數(shù)和改進所需的治療類型。本文使用深度學(xué)習(xí)方法，在RSNA-MICCAI 腦腫瘤放射基因組學(xué)分類數(shù)據(jù)集上對膠質(zhì)母細(xì)胞瘤MGMT啟動子甲基化基因序列狀態(tài)進行預(yù)測。

關(guān)鍵詞：MRI;膠質(zhì)母細(xì)胞瘤;基因預(yù)測;深度學(xué)習(xí)

1????????? 引言

膠質(zhì)母細(xì)胞瘤是最常見和最惡性的人類腦腫瘤，占腦瘤的15%。即使采用積極治療，患者的中位生存期也只有12至14個月。最近，深度學(xué)習(xí)的性能在計算機視覺領(lǐng)域得到了集中展示，它能夠提取圖像中大量的深度特征，與傳統(tǒng)放射組學(xué)提取手工特征相比，這些深度特征包含更多的醫(yī)學(xué)圖像抽象信息。O6 -甲基鳥嘌呤-DNA 甲基轉(zhuǎn)移酶（ MGMT ） 啟動子甲基化可改善膠質(zhì)母細(xì)胞瘤的預(yù)后和治療反應(yīng)。到目前為止，膠質(zhì)母細(xì)胞瘤基因序列狀態(tài)預(yù)測的研究中，仍然要依賴醫(yī)生手工勾畫腫瘤區(qū)域，這一任務(wù)十分浪費醫(yī)生的時間和精力。因此本研究提出了一個深度學(xué)習(xí)模型，從未經(jīng)醫(yī)生勾畫的膠質(zhì)母細(xì)胞瘤患者的MRI腦部圖像來預(yù)測膠質(zhì)母瘤患者的MGMT啟動子甲基化狀態(tài)。

2????????? 方法

研究根據(jù)患者腦部MR圖像使用均值投影，得到患者二維圖像。對于每個患者的二維圖像，使用裁剪方法裁減掉圖像周圍的黑色區(qū)域，減少其對于網(wǎng)絡(luò)的干擾。最后將得到的圖像重采樣到256×256，并進行歸一化操作。經(jīng)過預(yù)處理的二維圖像作為本研究網(wǎng)絡(luò)的輸入。研究所采用的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。網(wǎng)絡(luò)由卷積、池化和全連接層組成。10個卷積層（Conv）分別由32，32，64，64，64，64，128，128，128，128個濾波器組成，核大小均為3×3。每個卷積層之后是批處理歸一化（Batch Normalization，BN）層，使網(wǎng)絡(luò)訓(xùn)練更快、更穩(wěn)定。最大池化層（Max-pool）用在BN層之后來降低特征圖的維數(shù)，步長為2。在最大池化層之后，使用密集塊（Denseblock）加強特征的傳遞，更有效地利用各層信息。最后經(jīng)過全局平均池化層（AVG-pool）和全連接層得到最后的分類結(jié)果。為了防止網(wǎng)絡(luò)過擬合，我們在深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練過程中，對于神經(jīng)網(wǎng)絡(luò)單元，按照一定的概率抑制神經(jīng)元的輸出，即進行dropout操作。

3????????? 實驗與結(jié)果

3.1 實驗數(shù)據(jù)

本次實驗采用的數(shù)據(jù)集為RSNA-MICCAI 腦腫瘤放射基因組學(xué)分類數(shù)據(jù)集，該數(shù)據(jù)集由585位膠質(zhì)母細(xì)胞瘤患者的腦部MR圖像組成，編號為109，123，709的三位患者因為缺少序列被排除，剩余的582個病人的MR圖像均包含流體衰減反轉(zhuǎn)恢復(fù) （FLAIR）、T1 加權(quán)預(yù)對比 （T1w）、T1 加權(quán)后對比 （T1Gd）和T2 加權(quán) （T2）四個模態(tài)。本次實驗將582位患者數(shù)據(jù)中的524個數(shù)據(jù)作為訓(xùn)練集，58個病人作為測試集，使用十折交叉驗證得到預(yù)測結(jié)果。

3.2? 評價指標(biāo)

根據(jù)受試者工作特征曲線（ROC）下的面積（AUC）、準(zhǔn)確率、精確率和召回率進行對模型分類性能的評估。各評價指標(biāo)的意義及計算公式如表1所示：

其中，TP（True Positives）表示將正類正確預(yù)測為正類數(shù);FP（False Positives）表示將負(fù)類錯誤預(yù)測為正類數(shù);FN（False Negatives）表示將正類錯誤預(yù)測為負(fù)類數(shù);TN（True? Negatives）指將負(fù)類正確預(yù)測為負(fù)類數(shù)。

3.3 實驗結(jié)果

表2展示了研究構(gòu)建的深度學(xué)習(xí)模型在膠質(zhì)母細(xì)胞瘤MGMT啟動子甲基化基因序列狀態(tài)預(yù)測中的性能。研究從準(zhǔn)確率，精確率，召回率以及AUC值四個方面對模型進行評估，并分別比較了四個模態(tài)的預(yù)測性能?？梢钥吹?，單序列中，F(xiàn)LAIR模態(tài)在模型中表現(xiàn)出相對較好的預(yù)測性能。其中，召回率為0.791，即模型對于MGMT啟動子甲基化存在有較好的預(yù)測性能。

4????????? 結(jié)束語

直接通過醫(yī)學(xué)影像對膠質(zhì)母細(xì)胞瘤MGMT啟動子甲基化存在與否進行預(yù)測是可行的。實驗表明，在膠質(zhì)母細(xì)胞瘤患者MR圖像中，F(xiàn)LAIR序列能夠取得優(yōu)于T1W、T1WCE和T2W三者的預(yù)測性能。同時，這一工作能夠有效節(jié)省醫(yī)生勾畫腫瘤所花費的精力。

參考文獻：

[1]Dolecek，T. A.，Propp，J. M.，Stroup，N. E. & Kruchko，C. Cbtrus statistical report： primary brain and central nervous system tumors diagnosed in the united states in 2005–2009. Neuro-oncology 14，v1–v49 （2012）.

[2]Lao，J.，Chen，Y.，Li，ZC. et al. A Deep Learning-Based Radiomics Model for Prediction of Survival in Glioblastoma Multiforme. Sci Rep 7，10353 （2017）. https：//doi.org/10.1038/s41598-017-10649-8.

[3]Yogananda CGB，Shah BR，Nalawade SS，Murugesan GK，Yu FF，Pinho MC，Wagner BC，Mickey B，Patel TR，F(xiàn)ei B，Madhuranthakam AJ，Maldjian JA. MRI-Based Deep-Learning Method for Determining Glioma MGMT Promoter Methylation Status. AJNR Am J Neuroradiol. 2021 May;42（5）：845-852. doi： 10.3174/ajnr.A7029. Epub 2021 Mar 4. PMID： 33664111;PMCID： PMC8115363..

[4]U.Baid，et al.，“The RSNA-ASNR-MICCAI BraTS 2021 Benchmark on Brain Tumor Segmentation and Radiogenomic Classification”，arXiv：2107.02314，2021.

第一作者簡介：張杉杉（1997），女，漢族，河南省新鄉(xiāng)縣，碩士研究生，圖像分析與圖像處理，蘭州財經(jīng)大學(xué)，730010。

作者簡介：李彤（1997-），女，漢族，甘肅白銀，碩士研究生在讀，圖像處理。蘭州財經(jīng)大學(xué)，730010。

作者簡介：張楊潔（2000-），男，漢，浙江臺州，本科在讀，研究方向醫(yī)學(xué)圖像處理，蘭州財經(jīng)大學(xué)，730010。