基于MRI T1增強(qiáng)影像的影像組學(xué)模型預(yù)測較低級別膠質(zhì)瘤IDH基因型的價值

趙志勇 張 婧 曹云太 張國晉 孫建清 李昇霖 周俊林

WHO 分級Ⅱ級彌漫性膠質(zhì)瘤和間變型膠質(zhì)瘤具有高度可變的臨床表現(xiàn)，很難根據(jù)組織學(xué)分類進(jìn)行很好地預(yù)測其預(yù)后，有文獻(xiàn)將其合稱為較低級別膠質(zhì)瘤（lower grade glioma，LerGG）[1，2]。隨著膠質(zhì)瘤異檸檬酸脫氫酶（isocitrate dehydrogenase，IDH）基因分子的發(fā)現(xiàn)[3]，研究顯示LerGG中IDH基因型比傳統(tǒng)組織病理學(xué)分級包含更多的預(yù)后信息，能更客觀地預(yù)測病人的預(yù)后[4～6]。因此，術(shù)前確定IDH 基因型有助于LerGG 病人個體化診療方案的制定及預(yù)后評估。目前，術(shù)后組織病理檢測仍然是診斷LerGG 的IDH 基因狀態(tài)的金標(biāo)準(zhǔn)，但這一方法受限于組織標(biāo)本的腫瘤含量，同時具有滯后性及有創(chuàng)性等不足。有研究報(bào)道基于MRI多模態(tài)的影像組學(xué)方法可以預(yù)測膠質(zhì)瘤IDH基因狀態(tài)[7]，但這些研究所需的MRI序列較多；同時，這些研究大多關(guān)注膠質(zhì)母細(xì)胞瘤。本文探討基于MRI T1增強(qiáng)影像的影像組學(xué)預(yù)測LerGG膠質(zhì)瘤IDH基因型的價值。

1 資料與方法

1.1 病例選擇標(biāo)準(zhǔn)納入標(biāo)準(zhǔn)：新確診、未經(jīng)治療的LerGG；具有IDH 基因檢測結(jié)果。排除標(biāo)準(zhǔn)：復(fù)發(fā)性LerGG；術(shù)前應(yīng)用激素或替莫唑胺治療；有顱內(nèi)手術(shù)史；合并有其它顱內(nèi)腫瘤；年齡<18 周歲；其它WHO分級Ⅱ～Ⅲ級膠質(zhì)瘤，如多形性黃色星形細(xì)胞瘤、室管膜瘤或間變性室管膜瘤。

1.2 研究對象回顧性收集2017 年1 月至2020 年6月經(jīng)手術(shù)病理證實(shí)為LerGG共170例，其中IDH野生型（IDH-wt）70例，IDH突變型（IDH-mut）100例。按2：1 的比例分為訓(xùn)練集（n=113，IDH-mut=69，IDHwt=44）和驗(yàn)證集（n=57，IDH-mut=31，IDH-wt=26），前者用來訓(xùn)練預(yù)測模型，后者用來驗(yàn)證預(yù)測模型。訓(xùn)練集男71例，女42例；平均年齡（43.32±11.94）歲；KPS 評分60 分3 例，70 分43 例，80 分45 例，90 分22例；WHO 分級Ⅱ級37 例、Ⅲ級76 例；癲癇72 例。驗(yàn)證集男27 例，女30 例；平均年齡（45.00±11.55）歲；KPS 評分60 分6 例，70 分16 例，80 分20 例，90 分15例；WHO 分級Ⅱ級23 例、Ⅲ級34 例；癲癇34 例。本研究通過蘭州大學(xué)第二醫(yī)院倫理委員會審核（倫理編號：2020A-70）。

1.3 IDH的檢測 利用單克隆抗體H09（德國Dianova公司）對膠質(zhì)瘤樣本進(jìn)行免疫組織化學(xué)分析，檢測IDH1-R132H突變狀態(tài)，如果有腫瘤細(xì)胞染色，則確定為IDH1-R132H免疫染色陽性。染色陰性病例通過焦磷酸測序法進(jìn)一步驗(yàn)證IDH1/2的突變狀態(tài)，并使用ABI3500Dx 試劑盒5.4Kit（美國Applied Biosys?tems公司）進(jìn)行序列數(shù)據(jù)分析。

1.4 MRI檢測 使用西門子3.0T 和Philips 1.5T 掃描儀獲得MRI T1增強(qiáng)圖像。靜脈注射Gd-DTPA 進(jìn)行增強(qiáng)掃描，速度為3.0 ml/s。西門子3.0 T 的掃描參數(shù)：TR=1 900ms，TE=2.9 ms，矩陣286×256，視野230×230，層厚5.5 mm，層間距1.65 mm，層數(shù)20，翻轉(zhuǎn)角150，采集時間1min8sec。Philips 1.5T 掃描參數(shù)：TR=450 ms，TE=15 ms，矩陣256×256，視野230×230，層厚6.0 mm，層間距1.17 mm，層數(shù)18，翻轉(zhuǎn)角69，采集時間1min2sec。

1.5 構(gòu)建影像組學(xué)模型

1.5.1圖像處理及病灶分割 從PACS 系統(tǒng)中獲取軸位MRI T1序列增強(qiáng)圖像，以DICOM 格式導(dǎo)入ITKSNAP 軟件（www.itksnap.org；Version 3.6.0）進(jìn)行病灶分割。由兩名放射科醫(yī)生A 和B（分別具有6 年和8年MRI 神經(jīng)系統(tǒng)腫瘤診斷經(jīng)驗(yàn)）在不知分子分型和病理結(jié)果的情況下采取獨(dú)立、盲法對圖像上的腫瘤區(qū)域進(jìn)行逐層手動分割，勾畫包括腫瘤實(shí)體感興趣區(qū)域（regions of interest，ROI）。通過融合每層圖像的分割區(qū)域生成病灶感興趣區(qū)體積（volume of interest，VOI）。隨后醫(yī)生C（具有15 年豐富診斷經(jīng)驗(yàn)的放射科醫(yī)生）對這種分割進(jìn)行驗(yàn)證。A 醫(yī)生分割所有訓(xùn)練集病例，B醫(yī)生分割所有驗(yàn)證集病例；兩位醫(yī)生不確定時，由醫(yī)生C 確定分割圖像。為了評估所提取的影像組學(xué)特征的可重復(fù)性和一致性，兩個月后，隨機(jī)選擇訓(xùn)練集30 例病人，通過醫(yī)生A 和醫(yī)生B 再次進(jìn)行勾畫，采用組內(nèi)及組間相關(guān)系數(shù)（intra-/interclass correlation coefficients，ICCs）對測量者之間及不同掃描儀之間進(jìn)行一致性評價。

1.5.2 影像組學(xué)特征的篩選、影像組學(xué)模型的構(gòu)建及驗(yàn)證 根據(jù)圖像生物標(biāo)志物標(biāo)準(zhǔn)化倡議指南，使用pyradiomic 包從醫(yī)學(xué)影像數(shù)據(jù)中提取標(biāo)準(zhǔn)化的影像組學(xué)特征。從每例病人的T1增強(qiáng)圖像的ROI中提取1 595 個組學(xué)特征，其中包括14 個形狀特征，306 個一階特征（又稱為直方圖特征）以及1 275 個紋理特征。所有特征均使用最小-最大縮放算法進(jìn)行歸一化處理。利用Spearman 相關(guān)性分析和LASSO 分析對特征進(jìn)行篩選和降維分析，排除相關(guān)系數(shù)小于0.3或P>0.05的影像組學(xué)特征。利用5折交叉驗(yàn)證法選擇準(zhǔn)確度最佳的分類器，并將LASSO 篩選出的與IDH基因型相關(guān)性最高的影像組學(xué)特征與篩選出的分類器相結(jié)合構(gòu)建基于影像組學(xué)特征的預(yù)測模型。再利用ROC曲線分析模型的診斷效能。

1.6 統(tǒng)計(jì)學(xué)方法使用Python 3.7.1（https://www.py?thon.org）軟件、R 軟件（http：//www.Rproject.org; Ver?sion 3.4.1）和SPSS 22.0 軟件進(jìn)行分析；正態(tài)分布計(jì)量變量采用±s描述，采用t檢驗(yàn)；計(jì)數(shù)資料采用χ2檢驗(yàn)；P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 一致性分析兩個放射科醫(yī)生和不同掃描儀所提取的影像學(xué)特征的一致性良好，ICCs值>0.75。

2.2 膠質(zhì)瘤IDH 基因型與病人臨床特征的關(guān)系在訓(xùn)練和驗(yàn)證集中，IDH基因型與性別和KPS評分、病理分級以及癲癇發(fā)作無明顯關(guān)系（P>0.05），但I(xiàn)DHwt組年齡較IDH-mut組明顯增大（P<0.05）。見表1。

表1 訓(xùn)練集和驗(yàn)證集IDH-mut和IDH-wt組臨床特征比較

2.3 影像組學(xué)特征處理與分析經(jīng)Spearman 相關(guān)性分析、LASSO對特征進(jìn)行降維篩選后，得到5個影像組學(xué)特征及其系數(shù)，分別為GLCM.sqrt.InverseVari?ance（1.723）、HLL.Kurtosis（0.872）、GLCM.HLL.Idn（1.060）、LHL.Median（-1.480）、SurfaceVolumeRatio（-1.166）；其中前三個影像組學(xué)特征在IDH-mut 組中顯著高于IDH-wt 組（P<0.05；圖1），而后兩個在IDH-mut組中顯著低于IDH-wt組（P<0.05；圖1）。

圖1 利用LASSO降維后篩選出與較低級別膠質(zhì)瘤IDH突變狀態(tài)高度相關(guān)的、并用來構(gòu)建預(yù)測模型的影像組學(xué)特征

在訓(xùn)練集和驗(yàn)證集中，根據(jù)影像組學(xué)構(gòu)建的IDH-mut 預(yù)測模型具有較好的診斷性能（圖2）。通過5-折交叉驗(yàn)證選出的準(zhǔn)確度最高的最佳分類器，利用logistic回歸模型分析構(gòu)建基的影像組學(xué)模型預(yù)測IDH突變狀態(tài)。ROC曲線分析顯示預(yù)測模型在驗(yàn)證集和訓(xùn)練集的曲線下面積分別為0.84、0.82，準(zhǔn)確度分別為79%、80%，敏感度分別為81%、88%，特異度分別為75%、66%（圖3）。

圖2 影像組學(xué)預(yù)測模型在訓(xùn)練集（A）和驗(yàn)證集中（B）影像組學(xué)評分分布圖

圖3 預(yù)測模型在訓(xùn)練集和驗(yàn)證集中評估性能

3 討論

隨著人工智能的興起和膠質(zhì)瘤基因分型的深入研究，越來越多的學(xué)者試圖應(yīng)用機(jī)器學(xué)習(xí)的方法對腦膠質(zhì)瘤進(jìn)行分級、分型以及鑒別診斷[8～11]。應(yīng)用高級數(shù)學(xué)模型算法識別人類肉眼無法識別的醫(yī)學(xué)影像征象，高通量提取腫瘤內(nèi)部ROI 的影像數(shù)據(jù)并將其轉(zhuǎn)化為具有高分辨率的、可發(fā)掘的、定量的特征空間數(shù)據(jù)（即影像組學(xué)特征），進(jìn)一步分析這些特征與腫瘤異質(zhì)性之間關(guān)聯(lián)度，應(yīng)用機(jī)器學(xué)習(xí)算法構(gòu)建分類模型，從而實(shí)現(xiàn)對膠質(zhì)瘤基因分型的精準(zhǔn)評估。

IDH突變對膠質(zhì)瘤病人的預(yù)后和療效具有很強(qiáng)的預(yù)測價值。目前，應(yīng)用肉眼可見的影像學(xué)特征非侵入性地對IDH突變進(jìn)行評估被廣泛研究了多年[12～14]，但這些影像特征的描述是基于臨床醫(yī)師的一種定性和半定量的評估，研究結(jié)果的可重復(fù)性較低，不利于類似研究間的對比交流。基于多模態(tài)MRI影像組學(xué)方法預(yù)測膠質(zhì)瘤IDH的突變對檢查設(shè)備的要求較高、費(fèi)時耗力且花費(fèi)較高。如果能以較低成本、快速精準(zhǔn)地根據(jù)術(shù)前影像預(yù)測IDH狀態(tài)則對膠質(zhì)瘤的診斷、手術(shù)計(jì)劃和靶向治療具有重要意義。Yu 等[15]基于MRI T2-FLAIR的影像組學(xué)特征構(gòu)建WHO分級Ⅱ級膠質(zhì)瘤IDH1突變狀態(tài)的預(yù)測模型，結(jié)果顯示預(yù)測模型的準(zhǔn)確度、敏感度、特異度以及曲線下面積分別為80%、83%、74%及0.86。Liu 等[16]基于MRI T2影像組學(xué)特征構(gòu)建低級別膠質(zhì)瘤IDH的突變狀態(tài)的預(yù)測模型，結(jié)果顯示，模型預(yù)測IDH突變狀態(tài)的曲線下面積為0.86，隨著影像特征的增加，模型預(yù)測IDH突變狀態(tài)的曲線下面積可達(dá)1.00。Kim 等[17]利用MRI 灌注像影像組學(xué)成功預(yù)測低級別膠質(zhì)瘤IDH 突變狀態(tài)，曲線下面積為0.729。

我們根據(jù)MRI T1增強(qiáng)影像提取影像組學(xué)特征，構(gòu)建LerGG 中IDH 突變狀態(tài)的預(yù)測模型，其性能在驗(yàn)證集中準(zhǔn)確度、敏感度、特異度及曲線下面積分別為79%，81%，75%和0.84。這提示該模型能夠區(qū)分IDH 在LerGG 中表達(dá)差異，對其突變狀態(tài)具有較好的預(yù)測性能。其優(yōu)點(diǎn)：①根據(jù)腫瘤的強(qiáng)化邊界分割腫瘤能更精確地提取腫瘤內(nèi)部的全部信息，減少水腫區(qū)域?qū)μ卣鞯母蓴_[18]，有利于提取到腫瘤內(nèi)部更特異性的基因信息；②根據(jù)增強(qiáng)影像提取的腫瘤特征包含了腫瘤更多異質(zhì)性信息，為膠質(zhì)瘤基因分型的預(yù)測提供了更多的、有價值的參考，提高了模型的鑒別能力[19]；③MRI 有無強(qiáng)化是鑒別大部分WHO 分級Ⅱ、Ⅲ級膠質(zhì)瘤的重要依據(jù)[20]，這也是影像組學(xué)反應(yīng)特征差異的一個原因；④膠質(zhì)瘤IDH 基因突變可以激活缺氧誘導(dǎo)因子，促進(jìn)腫瘤新生血管生成，而腫瘤血管可經(jīng)影像強(qiáng)化程度表征。

總之，基于MRI T1增強(qiáng)影像的影像組學(xué)模型對LerGG 中IDH 基因狀態(tài)具有較好的預(yù)測能力，具有經(jīng)濟(jì)實(shí)用、便捷迅速實(shí)施的特點(diǎn)。