基于術(shù)前MRI圖像構(gòu)建影像組學(xué)與深度學(xué)習(xí)的機器學(xué)習(xí)模型預(yù)測膠質(zhì)瘤IDH1基因表達(dá)的研究

胡哲 王玉紅 劉曉龍 于昊 王皆歡 劉德國 王唯偉 陳月芹

【摘要】目的探討基于術(shù)前核磁共振成像（MRI）T2抑脂序列預(yù)測膠質(zhì)瘤異檸檬酸脫氫酶（IDH）1基因表達(dá)情況的價值。方法本研究共納入2016年1月—2023年2月在濟寧醫(yī)學(xué)院附屬醫(yī)院經(jīng)組織病理學(xué)證實的124例膠質(zhì)瘤患者。使用ITKSNAP軟件勾畫感興趣區(qū)域（ROI），使用Pyradiomics包實現(xiàn)影像組學(xué)特征的提取，使用經(jīng)過預(yù)訓(xùn)練的ResNet50深度學(xué)習(xí)模型提取深度學(xué)習(xí)特征。使用Pearson相關(guān)系數(shù)和最小絕對收縮和選擇算子（LASSO）回歸模型進行特征篩選。最后進行10折交叉驗證來評估模型效能。將傳統(tǒng)影像組學(xué)、深度遷移學(xué)習(xí)以及融合模型基于支持向量機（SVM）、K近鄰（KNN）以及隨機森林（RF）三種機器學(xué)習(xí)模型分別建模。使用受試者工作特征（ROC）曲線評價各模型的預(yù)測效能。結(jié)果基于影像組學(xué)特征的機器學(xué)習(xí)模型SVM、KNN以及RF的曲線下面積（AUC）分別為0.699、0.628、0.616。基于深度遷移學(xué)習(xí)特征的機器學(xué)習(xí)模型SVM、KNN以及RF的AUC分別為0.853、0.753、0.807?；谌诤咸卣鞯臋C器學(xué)習(xí)模型SVM、KNN以及RF的AUC分別為0.868、0.818、0.787。結(jié)論基于常規(guī)MRI序列中的T2WI抑脂序列的SVM融合模型對預(yù)測膠質(zhì)瘤IDH1基因表達(dá)情況具有較高的預(yù)測效能。

【關(guān)鍵詞】膠質(zhì)瘤；機器學(xué)習(xí)；深度學(xué)習(xí)；磁共振成像；影像組學(xué)

【中圖分類號】R739.41【文獻(xiàn)標(biāo)志碼】A【文章編號】16727770（2024）02018706

Study on predicting IDH1 gene expression in gliomas using machine learning models based on imagomics and deep learning based on preoperative MRI images HU Zhe， WANG Yuhong， LIU Xiaolong， et al. Clinical Medical College， Jining Medical University， Jining 272013， China

Corresponding author： CHEN Yueqin

Abstract： ObjectiveTo investigate value of preoperative magnetic resonance imaging（MRI） T2 fat suppression sequence in predicting isocitrate dehydrogenase（IDH）1 gene expression in gliomas. Methods124 patients with glioma， who were confirmed by histopathology， were collected. Regions of interest（ROI） was delineated using ITKSNAP software. Pyradiomics package was used to extract radiomic features from the imaging data， while a pretrained ResNet50 deep learning model was employed to extract deep learning features. Feature selection was performed using the Pearson correlation coefficient and the Least Absolute Shrinkage and Selection Operator（LASSO） regression model. Model performance was evaluated through 10fold crossvalidation. Traditional radiomics， deep transfer learning， and fusion models were separately constructed based on support vector machine（SVM）， knearest neighbors（KNN）， and random forest（RF） machine learning algorithms. The predictive performance of each model was assessed using receiver operating characteristic（ROC） curve. ResultsThe area under curve（AUC） for the machine learning models SVM， KNN， and RF based on radiomic features were 0.699， 0.628， and 0.616， respectively. For the machine learning models SVM， KNN， and RF based on deep transfer learning features， the

AUC values were 0.853， 0.753， and 0.807， respectively. The machine learning models SVM， KNN， and RF based on fusion features achieved AUC values of 0.868， 0.818， and 0.787， respectively. ConclusionThe SVM fusion model based on the T2WI fat suppression sequence in routine MRI exhibits higher predictive performance in determining the IDH1 gene expression status in gliomas.

Key words： glioma; machine learning; deep learning; magnetic resonance imaging; radiomics

膠質(zhì)瘤是成人顱內(nèi)最常見的惡性原發(fā)性腦腫瘤，約占所有中樞神經(jīng)系統(tǒng)腫瘤的23.3%［1］。膠質(zhì)瘤惡性程度高，預(yù)后偏差。隨著第五版《WHO中樞神經(jīng)系統(tǒng)腫瘤分類指南》發(fā)布，使得中樞神經(jīng)系統(tǒng)腫瘤的分級和診斷更加細(xì)致，指南進一步強調(diào)了分子基因特征在腫瘤分類和分級中的作用［2］。其中，異檸檬酸脫氫酶（isocitrate dehydrogenase，IDH）1基因作為目前評價分級和預(yù)后的關(guān)鍵基因，在臨床中具有重要作用［34］。IDH1基因分為突變型和野生型，其中，IDH1突變型膠質(zhì)瘤預(yù)后明顯好于IDH野生型膠質(zhì)瘤［5］，并且IDH1突變型膠質(zhì)瘤對于放、化療更為敏感［67］。但是目前對于IDH1基因的檢測主要依靠免疫組化，但是該方法只能依靠術(shù)后的病理組織進行檢測。如果在術(shù)前可以對膠質(zhì)瘤患者的IDH1基因分型進行預(yù)測，將會對于部分不適宜手術(shù)治療的患者提供個性化的臨床治療方案，同時對于患者預(yù)后的判斷也具有重要的臨床價值。

隨著人工智能（artificial intelligence，AI）的發(fā)展，基于AI技術(shù)的機器學(xué)習(xí)和深度學(xué)習(xí)算法模型逐漸被應(yīng)用于醫(yī)學(xué)影像領(lǐng)域［810］。AI擅長識別高通量的成像數(shù)據(jù)，并能以自動化的方式進行識別診斷，因此通過影像數(shù)據(jù)對患者的基因分型的進行無創(chuàng)性預(yù)測成為現(xiàn)實［1113］。本研究回顧性分析2016年1月—2023年2月濟寧醫(yī)學(xué)院附屬醫(yī)院收治的經(jīng)組織病理學(xué)證實的124例膠質(zhì)瘤患者，旨在探討術(shù)前MRI圖像構(gòu)建影像組學(xué)與深度學(xué)習(xí)的機器學(xué)習(xí)模型預(yù)測膠質(zhì)瘤IDH1基因表達(dá)的價值?，F(xiàn)報告如下。

1資料與方法

1.1一般資料共納入124例膠質(zhì)瘤患者，其中男62例，女62例；年齡7～77歲，平均年齡51歲；IDH1陰性81例，陽性43例。納入標(biāo)準(zhǔn)：（1）符合2021新版WHO中樞神經(jīng)系統(tǒng)腫瘤診斷標(biāo)準(zhǔn)并經(jīng)病理診斷證實的膠質(zhì)瘤患者；（2）術(shù)前進行過顱腦磁共振檢查的患者；（3）術(shù)后病理組織進行過免疫組化檢測。排除標(biāo)準(zhǔn)：（1）IDH1分子信息缺失（0例）；（2）術(shù)前MRI圖像不包含T2抑脂序列或圖像質(zhì)量不佳（12例）；（3）術(shù)前接受過放化療治療（0例）。本研究經(jīng)濟寧醫(yī)學(xué)院附屬醫(yī)院倫理委員會批準(zhǔn)，免除受試者知情同意（批準(zhǔn)文號：202303C030）。

1.2MR掃描方法本研究使用兩臺磁共振進行掃描，分別是德國西門子MAGNNETOM Verio 3.0 T磁共振及聯(lián)影uMR770 3.0 T磁共振，參數(shù)見表1。

1.3圖像預(yù)處理本研究首先對磁共振T2抑脂序列進行N4偏置場校正，以消除校正序列的強度不均勻性。然后對圖像進行重采樣后體素大小為1 mm×1 mm×1 mm，用來減少不同機器采集時的差別。

1.4圖像分割本研究采用ITKSNAP軟件（http：//www.itksnap.org/pmwiki/pmwiki.php）手動分割感興趣區(qū)域（region of interest，ROI ）。因為瘤周水腫區(qū)可能會存在腫瘤細(xì)胞浸潤，所以整個ROI的標(biāo)注包括腫瘤瘤體、周圍水腫帶、壞死區(qū)及囊變區(qū)。分別由兩位擁有5年和7年影像診斷經(jīng)驗的專家進行雙盲標(biāo)注。由于深度學(xué)習(xí)模型輸入的圖像是包含完整ROI病灶的矩形圖像，因此選擇每個患者的腫瘤病灶的最大切面作為輸入圖像。磁共振T2抑脂序列用矩形ROI在腫瘤輪廓周圍截取。然后將截取后的切片保存為“PNG”格式來進行后續(xù)分析（圖1）。

1.5特征提取影像組學(xué)特征可以分為三類：（1）形態(tài)特征；（2）一階直方圖特征；（3）紋理特征。形態(tài)特征描述了腫瘤的三維形狀特征。一階直方圖特征描述了與ROI內(nèi)的體素強度分布有關(guān)的特征。紋理特征是描述體素空間分布強度等級的特征。本研究使用幾種不同的方法提取紋理特征，包括灰度共生矩陣（GLCM）、灰度游程矩陣（GLRLM）、灰度級帶矩陣（GLSZM）和鄰域灰度差分矩陣（NGTDM）方法。使用Pyradiomics中的內(nèi)部特征分析程序提取影像組學(xué)特征（http：//pyradiomics.readthedocs.io）。

深度學(xué)習(xí)在圖像處理和計算機視覺領(lǐng)域中具有廣泛的應(yīng)用。在深度學(xué)習(xí)中，提取特征是一個非常重要的步驟，因為它可以從原始圖像數(shù)據(jù)中提取高維度的特征表示。深度學(xué)習(xí)特征通常采用遷移學(xué)習(xí)算法，預(yù)訓(xùn)練的模型參數(shù)可以在新的數(shù)據(jù)集上微調(diào)以提高性能。本研究使用的是ImageNet數(shù)據(jù)集上預(yù)訓(xùn)練的ResNet50模型作為基礎(chǔ)模型，通過輸入的切片圖像來提取深度學(xué)習(xí)特征，這些圖像將通過ResNet50模型，使用其已經(jīng)訓(xùn)練好的特征提取器進行處理。選擇avgpool層的深度學(xué)習(xí)特征作為輸出特征，每個患者將獲得2 048個深度學(xué)習(xí)特征，這些特征將用于訓(xùn)練和測試我們的機器學(xué)習(xí)模型。

1.6特征篩選首先進行影像組學(xué)特征在兩位影像標(biāo)注醫(yī)師組間的一致性檢驗，一致性檢驗用組內(nèi)相關(guān)系數(shù)（intraclass correlation coefficient，ICC）作為衡量指標(biāo)。隨機選擇30例患者，由兩名擁有五年影像診斷經(jīng)驗的醫(yī)師獨立勾畫ROI并提取特征，評估觀察者組間的一致性，僅保留ICC≥0.75的影像組學(xué)特征。

其次對第一步保留的影像組學(xué)特征進行特征篩選。對于重復(fù)性較高的特征，采用Pearson相關(guān)系數(shù)計算特征之間的相關(guān)性，保留任意兩個特征之間相關(guān)系數(shù)大于0.9的特征之一。然后使用最小絕對收縮和選擇算子（LASSO）回歸模型，通過10折交叉驗證的方法，進一步篩選組學(xué)特征。

1.7模型選擇與模型構(gòu)建所有數(shù)據(jù)資料按分層抽樣8∶2劃分訓(xùn)練集和測試集，其中訓(xùn)練集99例，測試集25例在進行特征篩選和融合后，利用Python SCIKITLearn建立了每個特征組的機器學(xué)習(xí)分類模型。比較了支持向量機（support vector machine，SVM）、K近鄰（Knearest neighbor，KNN）以及隨機森林（random forest，RF）三種機器學(xué)習(xí)模型的性能。利用測試集的受試者工作特征（receiver operating characteristic，ROC）曲線及計算相應(yīng)曲線下面積（area under curve，AUC）值來評估模型的識別能力（圖2）。

1.8統(tǒng)計學(xué)分析采用 SPSS 26.0軟件對數(shù)據(jù)進行統(tǒng)計分析，計數(shù)資料的差異性分析運用χ2檢驗； 計量資料以平均數(shù)±標(biāo)準(zhǔn)差（x±s）表示，其差異性分析采用獨立樣本t檢驗。通過繪制ROC曲線評估各模型的效能，此外計算不同模型特異度、靈敏度、準(zhǔn)確度、精確度、召回率和F1分?jǐn)?shù)。以P＜0.05為差異具有統(tǒng)計學(xué)意義。

2結(jié)果

2.1患者臨床信息經(jīng)過統(tǒng)計分析，性別以及年齡不存在統(tǒng)計學(xué)差異（P＞0.05），見表2。

2.2特征提取和選擇的結(jié)果影像組學(xué)基于ROI的3D圖像提取了107個放射學(xué)特征。只有ICC≥0.75的影像組學(xué)特征被認(rèn)為是高度穩(wěn)定的，并保留在后續(xù)分析中，因此選擇了103個放射學(xué)特征進行后續(xù)工作。將腫瘤最大ROI圖像輸入預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN），從每個MR圖像模態(tài)中提取2 048個深度學(xué)習(xí)特征。所提取的深度學(xué)習(xí)特征從預(yù)訓(xùn)練的深度學(xué)習(xí)模型ResNet50的全連接層輸出。通過Pearson相關(guān)系數(shù)和Lasso回歸分析，選取系數(shù)不為零的特征構(gòu)建分類模型。經(jīng)過特征篩選，最終影像組學(xué)保留8個特征（圖3A），深度學(xué)習(xí)保留42個特征（圖3B），融合特征保留39個（圖3C），見圖3。另外通過GradCAM可視化可以發(fā)現(xiàn)，深度學(xué)習(xí)模型對于切片的關(guān)注重點在于瘤體中心位置，見圖4。

2.3模型比較為了尋找效能最優(yōu)的機器學(xué)習(xí)模型來建立模型，我們比較了不同機器學(xué)習(xí)模型的性能，其中包括SVM、KNN以及RF三種機器學(xué)習(xí)模型，結(jié)果表明，SVM機器學(xué)習(xí)模型的效能最優(yōu)。在傳統(tǒng)組學(xué)中AUC值為0.699（95%CI=0.555～0.843）；在深度遷移學(xué)習(xí)中AUC值為0.853（95%CI=0.754～0.953）。而在融合模型中的AUC值為0.868（95%CI=0.766～0.969）。并且經(jīng)過計算可得基于融合特征的SVM機器學(xué)習(xí)模型特異度及精確度均高于單一特征的機器學(xué)習(xí)模型。由此可得基于融合特征的SVM機器學(xué)習(xí)模型效能最優(yōu)，具有診斷IDH1基因狀態(tài)的價值（圖5、表35）。

3討論

本研究共納入了124例膠質(zhì)瘤患者，開發(fā)了一個基于MRI影像組學(xué)及深度學(xué)習(xí)特征的融合模型來預(yù)測IDH1基因的突變情況，其中該融合模型針對IDH1基因的突變情況具有較高的預(yù)測能力（AUC＝0.868）。近年來，隨著膠質(zhì)瘤發(fā)病率的不斷升高以及指南的更新，基因分型也參與到膠質(zhì)瘤的分級評估以及預(yù)后評估。其中IDH1基因的突變情況是影響膠質(zhì)瘤患者預(yù)后的獨立危險因素［1415］。IDH突變可通過增加2羥基戊二酸的水平進而抑制組蛋白的去甲基化［16］，從而增加IDH突變型患者對化療的敏感度。并且IDH1作為潛在的治療靶點［17］，未來可以參與臨床決策的選擇。如術(shù)前能夠獲得IDH1基因的突變情況，將會對膠質(zhì)瘤患者治療方案的選擇至關(guān)重要。

融合模型可以實現(xiàn)IDH1基因狀態(tài)的無創(chuàng)性預(yù)測，主要是由于基因表達(dá)的不同，將會導(dǎo)致相關(guān)基因位點的關(guān)鍵蛋白表達(dá)不同，而不同的蛋白表型將會直接影響腫瘤的形態(tài)、生長特點以及腫瘤的異質(zhì)性。本研究從124例膠質(zhì)瘤患者的T2抑脂序列圖像中提取影像組學(xué)和深度學(xué)習(xí)特征相互疊加，成為融合特征，并通過Pearson相關(guān)系數(shù)和Lasso回歸分析保留39個融合特征（圖3），其中包括2個影像組學(xué)特征和37個深度學(xué)習(xí)特征，在這部分特征中顯示original_firstorder_Skewness、original_glcm_Imc1和部分深度學(xué)習(xí)特征與IDH1突變狀態(tài)相關(guān)度最高。這兩個影像組學(xué)特征可以用來描述膠質(zhì)瘤圖像的亮度、對比度、紋理和腫瘤邊緣等信息，其中original_firstorder_Skewness特征（偏度）表示腫瘤內(nèi)部體素信號不一致，IDH突變型與IDH野生型相比，IDH突變型的膠質(zhì)瘤邊界更清晰，對比度增強更少，即偏度相對越小［18］。這些信息在一定程度上可以反映腫瘤的異質(zhì)性［19］。同時經(jīng)過GradCAM可視化分析可以發(fā)現(xiàn)，深度學(xué)習(xí)模型對于腫瘤的關(guān)注點在于腫瘤的瘤內(nèi)部分，也是人工智能模型進行學(xué)習(xí)的重要位置，同時腫瘤的異質(zhì)性主要表現(xiàn)在瘤內(nèi)部分，這與深度學(xué)習(xí)模型所對于圖像的關(guān)注點相契合。近年來，人工智能在預(yù)測IDH1基因領(lǐng)域已表現(xiàn)出巨大的潛力與價值。Peng等［20］使用CET1、T2、ASL多模態(tài)序列使用SVM機器學(xué)習(xí)模型進行建模預(yù)測IDH1基因狀態(tài)，其AUC值可達(dá)0.823。唐薇等［21］使用基于增強MRI圖像的影像組學(xué)模型來預(yù)測腦膠質(zhì)瘤IDH1基因突變狀態(tài)，驗證集的AUC值為0.889。但以上的研究僅限于單獨的機器學(xué)習(xí)或深度學(xué)習(xí)算法，并沒有將兩者進行相互融合。而本研究開發(fā)并驗證了基于T2抑脂序列的影像組學(xué)模型、深度遷移學(xué)習(xí)模型以及影像組學(xué)和深度學(xué)習(xí)特征融合模型。相比于以往的研究，將影像組學(xué)的特征與深度學(xué)習(xí)的特征相結(jié)合。在訓(xùn)練集和測試集中，可以有效區(qū)分IDH1基因突變情況。其中基于影像組學(xué)和深度學(xué)習(xí)特征融合模型（SVM模型）表現(xiàn)出較優(yōu)的效能，SVM機器學(xué)習(xí)算法是一種性能出色的分類和回歸算法，其在處理高維數(shù)據(jù)時具有很好的泛化能力，可以有效避免過擬合現(xiàn)象。相比其他機器學(xué)習(xí)算法，SVM的優(yōu)勢在于其能夠通過核技巧解決非線性問題，并且適用范圍較廣。研究結(jié)果表明，融合模型具有較好的效能以及在預(yù)測IDH基因突變方面具有廣闊的應(yīng)用前景。

本研究也存在一些局限性。首先，在特征提取方面，對于影像組學(xué)特征的提取目前大多數(shù)是基于Pyradiomics代碼包，而對于深度學(xué)習(xí)特征可能會有更多的深度學(xué)習(xí)模型來進行選擇，如VGG、DenseNet等系列，不同的深度學(xué)習(xí)模型所包含的卷積層和池化層不同導(dǎo)致所提取出的特征會出現(xiàn)差異，故本研究選擇在醫(yī)學(xué)影像領(lǐng)域較為常見的ResNet50模型進行特征提取。在影像數(shù)據(jù)方面，本研究所采用的樣本量較少，可能會限制算法的泛化能力和適用范圍。此外，由于僅僅使用醫(yī)學(xué)影像數(shù)據(jù)可能無法完全反映患者的全部信息，這可能會導(dǎo)致模型過于依賴于影像特征，而忽略了其他重要信息，如患者的基本情況、病史等。這會影響模型的有效性和可靠性。在未來，本研究將希望進一步優(yōu)化特征提取方式，通過多中心研究以及納入患者多種臨床資料來共同構(gòu)建模型，進一步增加模型可信度及鑒別效能。

利益沖突：所有作者均聲明不存在利益沖突。

［參 考 ?文 ?獻(xiàn)］

［1］Sung H，F(xiàn)erlay J，Siegel RL，et al.Global cancer statistics 2020：GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries［J］.CA Cancer J Clin，2021，71（3）：209249.

［2］Louis DN，Perry A，Wesseling P，et al.The 2021 WHO classification of tumors of the central nervous system：a summary［J］.Neuro Oncol，2021，23（8）：12311251.

［3］Hartmann C，Hentschel B，Wick W，et al.Patients with IDH1 wild type anaplastic astrocytomas exhibit worse prognosis than IDH1mutated glioblastomas，and IDH1 mutation status accounts for the unfavorable prognostic effect of higher age：implications for classification of gliomas［J］.Acta Neuropathol，2010，120（6）：707718.

［4］Turkalp Z，Karamchandani J，Das S.IDH mutation in glioma：new insights and promises for the future［J］.JAMA Neurol，2014，71（10）：13191325.

［5］Juratli TA，Kirsch M，Geiger K，et al.The prognostic value of IDH mutations and MGMT promoter status in secondary highgrade gliomas［J］.J Neurooncol，2012，110（3）：325333.

［6］EckelPassow JE，Lachance DH，Molinaro AM，et al.Glioma groups based on 1p/19q，IDH，and TERT promoter mutations in tumors［J］.N Engl J Med，2015，372（26）：24992508.

［7］Xu SC，Tang L，Dai G，et al.Immunerelated genes with APA in microenvironment indicate risk stratification and clinical prognosis in grade II/III gliomas［J］.Mol Ther Nucleic Acids，2021，23：12291242.

［8］Bi WL，Hosny A，Schabath MB，et al.Artificial intelligence in cancer imaging：Clinical challenges and applications［J］.CA Cancer J Clin，2019，69（2）：127157.

［9］Zhu YB，Man CT，Gong LX，et al.A deep learning radiomics model for preoperative grading in meningioma［J］.Eur J Radiol，2019，116：128134.

［10］Avanzo M，Wei LS，Stancanello J，et al.Machine and deep learning methods for radiomics［J］.Med Phys，2020，47（5）：e185e202.

［11］Avanzo M，Stancanello J，Pirrone G，et al.Radiomics and deep learning in lung cancer［J］.Strahlenther Onkol，2020，196（10）：879887.

［12］Ma WJ，Zhao YM，Ji Y，et al.Breast cancer molecular subtype prediction by mammographic radiomic features［J］.Acad Radiol，2019，26（2）：196201.

［13］Saha A，Harowicz MR，Grimm LJ，et al.A machine learning approach to radiogenomics of breast cancer：a study of 922 subjects and 529 DCEMRI features［J］.Br J Cancer，2018，119（4）：508516.

［14］van den Bent MJ，Brandes AA，Taphoorn MJB，et al.Adjuvant procarbazine，lomustine，and vincristine chemotherapy in newly diagnosed anaplastic oligodendroglioma：longterm followup of EORTC brain tumor group study 26951［J］.J Clin Oncol，2013，31（3）：344350.

［15］Cairncross G，Wang MH，Shaw E，et al.Phase III trial of chemoradiotherapy for anaplastic oligodendroglioma：longterm results of RTOG 9402［J］.J Clin Oncol，2013，31（3）：337343.

［16］Lu C，Ward PS，Kapoor GS，et al.IDH mutation impairs histone demethylation and results in a block to cell differentiation［J］.Nature，2012，483（7390）：474478.

［17］Rohle D，PopoviciMuller J，Palaskas N，et al.An inhibitor of mutant IDH1 delays growth and promotes differentiation of glioma cells［J］.Science，2013，340（6132）：626630.

［18］van Lent DI，van Baarsen KM，Snijders TJ，et al.Radiological differences between subtypes of WHO 2016 grade IIIII gliomas：a systematic review and metaanalysis［J］.Neurooncol Adv，2020，2（1）：vdaa044.

［19］Hsieh KLC，Chen CY，Lo CM.Radiomic model for predicting mutations in the isocitrate dehydrogenase gene in glioblastomas［J］.Oncotarget，2017，8（28）：4588845897.

［20］Peng H，Huo JH，Li B，et al.Predicting isocitrate dehydrogenase（IDH） mutation status in gliomas using multiparameter MRI radiomics features［J］.J Magn Reson Imaging，2021，53（5）：13991407.

［21］唐薇，段俊艷，余子意，等.增強MRI影像組學(xué)預(yù)測腦膠質(zhì)瘤IDH1基因突變的價值分析［J］.磁共振成像，2022，13（5）：111114.

（收稿20230508修回20230813）