MRI影像組學(xué)術(shù)前預(yù)測較低級別膠質(zhì)瘤IDH突變合并MGMT啟動子甲基化亞型的價值

沙永建，王效春，譚艷，張輝，楊國強*

較低級別膠質(zhì)瘤（lower grade gliomas, LGGs）通常指世界衛(wèi)生組織(World Health Organization,WHO)分級為2、3 級的膠質(zhì)瘤。其中，約占全部膠質(zhì)母細胞瘤8.8%～10%的繼發(fā)型是由LGGs 進展而來[1-3]。LGGs 的精準診斷、個體化治療和療效預(yù)后評估均與腫瘤分子分型密切相關(guān)[2]。LGGs 的異檸檬酸脫氫酶突 變（isocitrate dehydrogenase mutation, IDH mut）合并氧6-甲基鳥嘌呤DNA甲基轉(zhuǎn)移酶啟動子甲基化（O6-methylguanine-DNA methyltransferase promoter methylation, MGMT meth）亞型的患者，在異檸檬酸脫氫酶（isocitrate dehydrogenase, IDH）、氧6-甲基鳥嘌呤DNA 甲基轉(zhuǎn)移酶（O6-methylguanine-DNA methyltransferase, MGMT）的所有分子亞型中具有更長的總生存期（overall survival, OS）和（或）無進展生存期（progression free surviva, PFS）[4-5]，并從替莫唑胺（temozolomide, TMZ）的治療中獲益[6]。因此，該分子分型的準確預(yù)測具有重要的臨床價值。

目前，膠質(zhì)瘤IDH 和MGMT 分子標記物獲得需采用侵入性的、有創(chuàng)的病理活組織檢查或手術(shù)切除方式得以實現(xiàn)，而基于常規(guī)MRI 檢查的影像組學(xué)方法，相比前者，具有無創(chuàng)性、及時性和價格合理等優(yōu)點[7-8]。MRI 檢查可以無創(chuàng)地獲取活體內(nèi)深埋于組織或器官內(nèi)部腫瘤的靜態(tài)結(jié)構(gòu)、動態(tài)功能的多維度和多參數(shù)的圖像，利用計算機圖像處理和大數(shù)據(jù)挖掘的影像組學(xué)方法，發(fā)掘肉眼無法觀察到的紋理、小波等高維度影像特征，從而獲得深層次的映射腫瘤分子標記物的影像組學(xué)標記物[9-12]。

然而，應(yīng)用影像組學(xué)的方法對腦膠質(zhì)瘤分子生物標記物的研究多集中在IDH、MGMT 等單一分子上[13-14]。在多個腫瘤分子標記物結(jié)合作為聯(lián)合預(yù)測因子的研究中，也是根據(jù)2016 年WHO 中樞神經(jīng)系統(tǒng)腫瘤的分子分型，集中在IDH 合并1p/19q 基因型的研究中[15-16]。目前，基于常規(guī)MRI 的影像組學(xué)方法在膠質(zhì)瘤的IDH 合并MGMT 狀態(tài)的分子亞型的研究卻很少涉及。Zhang 等[17]使用自動機器學(xué)習(xí)的放射組學(xué)方法，對膠質(zhì)瘤（WHO 2～4 級）IDH mut 和MGMT meth共同發(fā)生進行預(yù)測研究。這項研究的病例中，WHO 4 級膠質(zhì)瘤占所有被納入研究的膠質(zhì)瘤的51.8%，且該研究中作為對照組的亞型包含更廣。因此，該研究的影像組學(xué)模型的分類性能更側(cè)重于WHO 4 級的膠質(zhì)瘤。而本研究的對象為LGGs，即WHO 2、3級膠質(zhì)瘤，且定義的兩個分子亞型更具針對性。由于LGGs的IDH mut 合并MGMT meth 作為聯(lián)合的預(yù)測因子，預(yù)示著良好的OS 和（或）PFS，并能從TMZ 治療中獲益。因此，本研究探討使用基于MRI 的影像組學(xué)的方法，建立一個用于預(yù)測LGGs 的IDH mut 合并MGMT meth亞型的預(yù)測模型，從而為腦膠質(zhì)瘤的精確診斷、TMZ的臨床決策及生存期預(yù)測提供重要的輔助價值。

1 材料與方法

1.1 對象和設(shè)備

本研究回顧性分析來自山西醫(yī)科大學(xué)第一醫(yī)院（The First Hospital of Shanxi Medical University,FHSXMU）、山西省人民醫(yī)院（Shanxi Provincial People'Hospital,SPPH），以及TCGA/TCIA（The Cancer Genome Atlas和The Cancer Imaging Archive）公共數(shù)據(jù)庫（TCGA 中包含了膠質(zhì)瘤患者的臨床和基因信息，網(wǎng)址為：https://www.cancer.gov/about-nci/organization/ccg/research/structural-genomics/tcga，TCIA 中為與TCGA 對應(yīng)的患者影像數(shù)據(jù)，網(wǎng)址為：https://www.cancerimagingarchive.net）的447 例 患 者 數(shù)據(jù)。FHSXMU和SPPH數(shù)據(jù)收集通過山西醫(yī)科大學(xué)倫理委員會批準，免除受試者知情同意，批準文號：2019LL101，收集日期為2011 年10 月至2020 年7 月。TCGA/TCIA 數(shù)據(jù)為公用數(shù)據(jù)庫資源，數(shù)據(jù)上傳和下載已獲得華盛頓大學(xué)醫(yī)學(xué)院倫理委員會批準，免除受試者知情同意，批準文號：201108194，TCGA/TCIA 數(shù)據(jù)收集日期為2011 年3 月至2019 年10 月。本研究的納入標準：（1）符合2021 新版WHO 中樞神經(jīng)系統(tǒng)腫瘤分級為2、3 級的膠質(zhì)瘤患者；（2）術(shù)前MRI 圖像包括對比增強后T1 加權(quán)序列（post-contrast enhanced T1-weighted, CE-T1）、T2 加權(quán)流體衰減反轉(zhuǎn)恢復(fù)序列（T2-weighted fluid attenuation inversion recovery, T2-FLAIR），并且序列完整、圖像清晰；（3）完整的IDH和MGMT 分子信息及臨床信息。最終，158 例患者符合納入標準，其中TCGA/TCIA 數(shù)據(jù)集86 例，F(xiàn)HSXMU和SPPH數(shù)據(jù)集72例。

FHSXMU數(shù)據(jù)采用8通道陣列線圈的3.0 T Scanner（Signa HDxt, GE Healthcare, USA）進行MRI 掃描，SPPH 數(shù)據(jù)采用8 通道陣列線圈的3.0 T Scanner（Discovery 750, GE Healthcare, USA）進行MRI 掃描。采集協(xié)議統(tǒng)一采用CE-T1 序列（TR/TE：195 ms/4.76 ms；FOV：240 mm×240 mm；層厚/層間距：5.0 mm/1.5 mm；矩陣：256×256）和T2-FLAIR 序列（TR/TE：8000 ms/95 ms；FOV：240 mm×240 mm；層厚/層間距：5.0 mm/1.5 mm；矩陣：256×256）。注射0.1 mmol/kg釓螯合對比劑（Omniscan,GE Healthcare,Ireland）后獲得CE-T1圖像。

由于TCGA/TCIA 數(shù)據(jù)庫的圖像來自不同的MRI設(shè)備和采集協(xié)議，并且與FHSXMU 數(shù)據(jù)和SPPH 數(shù)據(jù)的MRI 設(shè)備和采集協(xié)議亦存在差異，為使不同設(shè)備采集的圖像具有空間分辨率和灰度強度的可比性，我們對所有MRI 圖像進行重采樣，從而消除不同型號MRI設(shè)備造成空間分辨率不一致的干擾，并通過最大最小值的歸一化方法對圖像強度進行歸一化處理。此過程使用Python 3.10.4版（https://www.python.org/）的SimpleITK庫實現(xiàn)。

1.2 IDH mut狀態(tài)和MGMT meth狀態(tài)的檢測

對于TCGA/TCIA 數(shù)據(jù)集，從數(shù)據(jù)庫中下載獲得IDH mut 狀態(tài)和MGMT meth 狀態(tài)的數(shù)據(jù)。對于FHSXMU和SPPH 數(shù)據(jù)，IDH mut 狀態(tài)通過Sanger 測序確定，采用Simlex OUP?FFPE DNA 核酸提取試劑盒提取DNA，應(yīng)用Chromas序列分析軟件判定IDH狀態(tài)。MGMT meth狀態(tài)通過焦磷酸測序進行評估，使用BisulFlash?DNA 修飾試劑盒（Epigentek, USA）對提取的DNA 進行修飾，獲得MGMT啟動子內(nèi)10個CpG位點數(shù)據(jù)，平均甲基化≥8%，則認為腫瘤存在甲基化，未甲基化病例平均甲基化＜8%[18]。

1.3 腫瘤感興趣區(qū)勾畫

首先將T2-FLAIR 圖像通過FSL 軟件（http://fsl.fMRIb.ox.ac.uk/fsl/fslwiki/FSL）采 用 仿 射變換與相應(yīng)的CE-T1 圖像進行配準。腫瘤感興趣區(qū)（region of interest, ROI）的勾畫利用ITK-SNAP軟件（http://www.itksnap.org）進行。由兩名年資在10 年以上的放射科主治醫(yī)生進行雙盲手動勾畫，重疊區(qū)作為腫瘤的感興趣區(qū)。并最終由一名年資超過20 年的放射科主任醫(yī)生審驗。在CE-T1 MRI 的圖像上勾畫出ROI，然后配準到T2-FLAIR圖像上（圖1）。

圖1 腫瘤感興趣區(qū)的勾畫。CE-T1：對比增強后T1 加權(quán)序列；FLAIR：流體衰減反轉(zhuǎn)恢復(fù)序列。Fig. 1 Delineation of tumor regions of interest. CE-T1: post-contrast enhanced T1-weighted; FLAIR: fluid attenuation inversion recovery.

1.4 影像組學(xué)特征提取

從CE-T1 和T2-FLAIR 圖像中提取腫瘤ROI 的1702 個影像組學(xué)特征，每個MRI 序列提取851 個特征，包括：18個一階直方圖特征，14個形狀特征，75個紋理特征[包括24 個灰度共生矩陣（gray level co-occurence matrix, GLCM）特征，14個灰度依賴矩陣（gray level dependence matrix, GLDM）特征，16個灰度運行長度矩陣（gray level run length matrix,GLRLM）特征，16 個灰度大小區(qū)域矩陣（gray level size zone matrix, GLSZM）特征，5個鄰域灰度依賴矩陣（neighbouring gray tone difference matrix,NGTDM）特征]，以及通過小波濾波后MRI圖像的一階特征和紋理特征得到的744 個小波特征。影像組學(xué)特征提取采用開源軟件FAE（http://github.com/salan668/FAE)實現(xiàn)，該軟件基于PyRadiomics 軟件包（https://github.com/Radiomics/pyradiomics）。

1.5 統(tǒng)計學(xué)分析

根據(jù)IDH mut 狀態(tài)下MGMT 啟動子的是否發(fā)生甲基 化，將LGGs 分 為IDH mut 合 并MGMT meth 亞 型、IDH mut合并氧6-甲基鳥嘌呤DNA甲基轉(zhuǎn)移酶啟動子非甲基化（O6-methylguanine-DNA methyltransferase promoter unmethylation, MGMT unmeth）亞型（該亞型簡寫為：IDH mut合并MGMT unmeth亞型）。由于兩種分子亞型的構(gòu)成比明顯不均衡，為提高模型泛用性，將FHSXMU數(shù)據(jù)、SPPH數(shù)據(jù)和TCGA/TCIA數(shù)據(jù)進行整合，然后以7∶3比例隨機分為訓(xùn)練集和測試集。統(tǒng)計分析采用R 軟件4.1.2 版本（www.R-project.org）和SPSS軟件23.0版本（https://www.ibm.com/analytics/spss-statistics-software）實現(xiàn)。

1.5.1 臨床資料和分子信息的統(tǒng)計描述

由于本研究兩個分子亞型數(shù)據(jù)構(gòu)成比差異明顯，進行組間比較時，使用皮爾遜卡方檢驗或Fisher's確切檢驗。連續(xù)變量使用中位數(shù)和四分位數(shù)間距表示，組間比較使用Mann-WhitneyU檢驗，雙側(cè)P＜0.05表示差異具有統(tǒng)計學(xué)意義。

1.5.2 影像組學(xué)特征篩選和模型構(gòu)建驗證

首先，使用Z-score變換對訓(xùn)練集的影像組學(xué)特征進行標準化，單因素邏輯回歸（logistic regression,LR）進行特征初篩，P＜0.05 表示特征具有統(tǒng)計學(xué)意義。然后使用最小絕對收縮和選擇算法（least absolute shrinkage and selection operator,LASSO）回歸進一步進行特征選擇，通過10-fold交叉驗證選擇最佳參數(shù)λ，在其值最小時選擇系數(shù)非零的影像組學(xué)特征。由于數(shù)據(jù)集的構(gòu)成比差異明顯，為提高訓(xùn)練模型的準確性，使用合成少數(shù)過采樣技術(shù)（synthetic minority over-sampling technique,SMOTE）方法對訓(xùn)練集少數(shù)類樣本進行平衡化，再采用多因素LR進行建模。通過訓(xùn)練集和測試集的受試者工作特征（receiver operating characteristic curve,ROC）曲線以及校準曲線，對模型性能和擬合優(yōu)度進行檢驗。繪制列線圖進行可視化風(fēng)險預(yù)測。

2 結(jié)果

FHSXMU 數(shù)據(jù)、SPPH 數(shù)據(jù)和TCGA/TCIA 數(shù)據(jù)合并后數(shù)據(jù)集的兩個分子亞型在訓(xùn)練集和測試集的臨床特征統(tǒng)計描述如表1 所示。兩種分子亞型在訓(xùn)練集和測試集的年齡、性別和腫瘤分級的P值均大于0.05，說明兩種分子亞型在訓(xùn)練集和測試集的不同臨床特征的組間比較差異均無統(tǒng)計學(xué)意義。

表1 FHSXMU、SPPH、TCGA/TCIA合并數(shù)據(jù)集的不同分子亞型在訓(xùn)練集和測試集一般資料的比較Tab.1 Comparison of general data of the different subtypes of the combined data set including FHSXMU,SPPH and TCGA/TCIA data sets in training set and test set

訓(xùn)練集經(jīng)過單因素LR，僅CE-T1序列保留了21個放射組特征，T2-FLAIR序列為0。為了選擇最佳的影像組學(xué)特征和解決過擬合問題，采用LASSO算法。最終，在λ值最小時，有7個系數(shù)不為零的特征被保留（圖2）。經(jīng)SMOTE 數(shù)據(jù)平衡（陽性和陰性樣本例數(shù)為99∶99），使用多因素LR建立影像組學(xué)模型（圖3）。

圖2 LASSO（最小絕對收縮和選擇算法）的特征選擇。Fig. 2 Features selection of LASSO (least absolute shrinkage and selection operator).

圖3 森林圖顯示了影像組學(xué)模型的所有特征，以及每個影像組學(xué)特征的優(yōu)勢比（OR）值及其95%置信區(qū)間（95%CI）、P值。Fig. 3 The forestplot shows the features of the radiomics model, the OR of each feature and its 95%CI,P value.

影像組學(xué)模型在訓(xùn)練集和測試集的曲線下面積（area under the curve, AUC）值分別為0.842 和0.935（圖4）。在訓(xùn)練集的準確率為93.6%、精確率為94.2%、召回率為98.9%、F-Measure 為0.965；在測試集的準確率為89.6%、精確率為93.1%、召回率為95.3%、F-Measure為0.942（表2）。

表2 影像組學(xué)模型在訓(xùn)練集和測試集的評價結(jié)果Tab.2 Evaluation results of the radiomics model in the training set and the test set

圖4 訓(xùn)練集和測試集的受試者工作特征（ROC）曲線。Fig. 4 The receiver operating characteristic curve of the training set and the test set.

訓(xùn)練集的校準曲線顯示了影像組學(xué)模型和實際結(jié)果有著較好的一致性，經(jīng)Hosmer-Lemeshow 檢驗的P值為0.1393（圖5），測試集因為數(shù)據(jù)過少、且構(gòu)成比的差異顯著，R 語言的glm 和lrm 函數(shù)無法擬合模型，因此無法生成校準曲線。根據(jù)模型計算的影像組學(xué)評分（radiomics score, Radscore），我們還繪制了列線圖用于風(fēng)險預(yù)測（圖6）。

圖5 訓(xùn)練集的校準曲線。Fig.5 The calibration curve of the training set.

圖6 影像組學(xué)模型計算的影像組學(xué)評分的列線圖。Fig.6 The nomogram of radiomcs score calculated by the radiomics model.

3 討論

本研究探討使用基于常規(guī)MRI 的無創(chuàng)影像組學(xué)方法，建立一個用于預(yù)測LGGs 的IDH mut 合并MGMT meth 亞型的影像組學(xué)模型，結(jié)果顯示模型具有良好的預(yù)測性能（訓(xùn)練集和測試集的AUC 分別為0.842 和0.935）。本研究在LGGs 層面，使用基于常規(guī)MRI 的影像組學(xué)方法，預(yù)測IDH mut 合并MGMT meth 分子亞型為國內(nèi)外首次被提出。由于LGGs 的IDH mut 合并MGMT meth作為聯(lián)合的預(yù)測因子，預(yù)示著良好的OS和（或）PFS，并能從TMZ治療中獲益。因此，該亞型的準確預(yù)測，為LGGs 患者分子分型的精確診斷、TMZ 的臨床決策及生存期預(yù)測提供重要的臨床輔助價值。

3.1 與本研究相關(guān)的單一腫瘤分子標記物的研究

使用影像組學(xué)的方法對膠質(zhì)瘤IDH 是否發(fā)生突變已經(jīng)進行了廣泛的研究，Wang等[19]通過基于MRI動態(tài)增強掃描序列和擴散加權(quán)序列，探討了使用影像組學(xué)的方法對膠質(zhì)瘤IDH 狀態(tài)的改善價值（AUC 在訓(xùn)練集和測試集分別為0.939和0.880）。Manikis等[20]也探討了基于動態(tài)磁化率對比MRI 的影像組學(xué)方法對IDH 狀態(tài)的增益價值（AUC 在訓(xùn)練集和獨立的驗證集的分別為0.678 和0.667）。本研究在LGGs 的IDH mut 的基礎(chǔ)上，結(jié)合MGMT 啟動子是否發(fā)生甲基化，將其進行分層，并獲得良好的效果（AUC 在訓(xùn)練集和測試集分別為0.842 和0.935）。而膠質(zhì)瘤IDH mut 狀態(tài)下，MGMT meth 較MGMT unmeth 有著更長的中位OS，且可以從TMZ 的治療中獲益[5]。對于使用影像組學(xué)在膠質(zhì)瘤MGMT meth 研究中，Lohmann 等[21]通過基于正電子發(fā)射斷層顯像（PET）/MRI 的影像組學(xué)方法，預(yù)測了腦膠質(zhì)瘤MGMT meth 狀態(tài)（最高的準確度為83%，而本研究為93.6%）。Huang 等[22]通過一篇Meta分析證明了影像組學(xué)在研究膠質(zhì)瘤MGMT meth 的價值，并計算了多個模型的綜合AUC 值（訓(xùn)練集和獨立的驗證集分別為0.91 和0.88）。而僅具有MGMT meth 的單一分子標記物的膠質(zhì)瘤，只能表明它可以從TMZ 的治療中獲益。本研究中，LGGs 的IDH mut 合并MGMT meth 亞型同時具有更好的生存期，以及從TMZ治療獲益的優(yōu)點。

3.2 與本研究相關(guān)的多個腫瘤分子標記物結(jié)合的研究比較

在膠質(zhì)瘤多個分子生物標記物結(jié)合的影像組學(xué)研究中，Arita 等[23]運用影像組學(xué)的方法，構(gòu)建LGGs包含IDH 合并TERT 基因共同突變亞型的3 種亞型的預(yù)測模型，并檢驗其性能。Fan 等[24]使用影像組學(xué)的方法，構(gòu)建了WHO 2 級膠質(zhì)瘤IDH mut 下是否發(fā)生1p/19q 共丟失的預(yù)測模型。以上研究證實了使用影像組學(xué)的方法在IDH mut 狀態(tài)合并其他腫瘤分子標記物的可行性。Zhang 等[17]使用自動機器學(xué)習(xí)的放射組學(xué)方法，對膠質(zhì)瘤IDH mut 和MGMT meth 共同發(fā)生進行預(yù)測研究（多個模型的平均AUC=0.951）。與本研究相比，該研究包含了WHO 2～4 的三個級別的膠質(zhì)瘤，適用范圍更廣。然而，該研究中，作為對照組的其他亞型包含了IDH mut 合并MGMT unmeth 亞型、IDH 野生型合并MGMT meth 和IDH 野生型合并MGMT unmeth 三種亞型，且IDH mut 合并MGMT unmeth 亞型僅為一例，同時，WHO 4 級的膠質(zhì)瘤占全部膠質(zhì)瘤的51.8%。而本研究著重于WHO 2、3 級的膠質(zhì)瘤，并以IDH mut合并MGMT unmeth亞型作為對照組，同時，為解決兩個亞型的構(gòu)成比不均衡問題，我們使用了SMOTE 算法進行數(shù)據(jù)平衡化，最終的影像組學(xué)模型亦具備良好的預(yù)測性能。

3.3 兩個亞型構(gòu)成比不均衡的解決方法

為解決數(shù)據(jù)構(gòu)成比問題，我們引入了SMOTE算法進行數(shù)據(jù)平衡化，其優(yōu)點是：相較于過采樣對于原始數(shù)據(jù)隨機抽取而言，該算法是通過少數(shù)樣本中任意單個樣本與其臨近的k個樣本（通常默認為5）進行插值，從而提高分類器泛化能力，同時，與只對多數(shù)類進行欠采樣相比，該方法可以實現(xiàn)更好的分類器性能[25-26]。當(dāng)然，SMOTE 也有缺點，如由于k 近鄰的選擇而產(chǎn)生的噪聲和樣本復(fù)制問題[27]。然而，樣本信息能否真實地反映總體，是模型好壞的關(guān)鍵。SMOTE 算法在一定程度上解決了樣本均衡問題，這也體現(xiàn)在本研究中的影像組學(xué)模型具有較好的性能。

3.4 本研究的局限性

本研究存在以下局限性：（1）由于對照組（即IDH-mut 合并MGMT unmeth 亞型）樣本數(shù)量過少導(dǎo)致的構(gòu)成比不均衡，盡管通過SMOTE算法得以數(shù)據(jù)平衡化，但畢竟不是真實樣本的反映；（2）缺乏獨立的外部驗證集；（3）由于構(gòu)成比的顯著差異，導(dǎo)致臨床變量統(tǒng)計學(xué)不顯著，未能實現(xiàn)影像組學(xué)-臨床結(jié)合模型的建立。因此，本研究還需要獲得更多的少數(shù)類樣本，在保證少數(shù)類樣本足夠豐度的前提下，進一步實現(xiàn)影像組學(xué)模型對真實總體的反映。同時，使用獨立外部驗證集進行檢驗可以進一步驗證影像組學(xué)模型的普遍適用性。最后，足夠的少數(shù)類樣本的獲得也可能使臨床變量具統(tǒng)計學(xué)有意義，使影像組學(xué)-臨床結(jié)合模型的實現(xiàn)成為可能，從而進一步提高模型的性能。

綜上所述，本研究是通過基于術(shù)前MRI的影像組學(xué)方法，構(gòu)建了一個用于預(yù)測LGGs 的IDH mut 合并MGMT meth 亞型的影像組學(xué)模型。結(jié)果表明該模型具有良好預(yù)測性能，從而為LGGs 患者的分子亞型的精確診斷、化療藥物TMZ 使用的決策、患者OS 和（或）PFS的評估提供重要的臨床輔助價值。

作者利益沖突聲明：全體作者均聲明無利益沖突。