來源：磁共振成像傳媒

歐陽紅, 劉光耀, 白玉萍, 韓娜, 張靜. MRI影像組學在腦膠質(zhì)瘤中的臨床應用進展. 磁共振成像, 2020, 11(1): 74-76.

腦膠質(zhì)瘤起源于神經(jīng)膠質(zhì)細胞，是最常見的中樞神經(jīng)系統(tǒng)腫瘤,，約占顱腦腫瘤的50%～60%,，發(fā)生率有逐年上升的趨勢[1-2]。世界衛(wèi)生組織將膠質(zhì)瘤分為低級別(Ⅰ和Ⅱ)和高級別(Ⅲ和Ⅳ),。Ⅳ級膠質(zhì)母細胞瘤惡性度最高,，10年的生存率不到3%[3]，中位生存約12～14個月[4],。盡管常規(guī)MRI特征及先進的功能磁共振技術(shù)有助于膠質(zhì)瘤的分級及患者生存期的預測,，但對腫瘤的分子狀態(tài)及治療反應的評估仍然有挑戰(zhàn)性[5],。目前，腦組織活檢仍然是組織學和遺傳分類的主要標準,。但是該方法有創(chuàng),，且膠質(zhì)瘤中的異質(zhì)性可能影響其診斷的準確性和預后判斷。此外,，在立體定向活檢中,，約7%～15%的患者病理結(jié)果仍不明確[6]。影像組學是一種非侵入性的診斷方法,，借助計算機通過深度挖掘人類肉眼不能識別的深層次腫瘤信息,，全面地評估腫瘤異質(zhì)性[7]。近年來,， MRI影像組學在腦膠質(zhì)瘤中的應用較廣泛,。本文就影像組學概念、MRI影像組學在腦膠質(zhì)瘤中臨床應用,、面臨的問題予以介紹,。

影像組學是由Lambin等[8]最先提出。它是一種新興的,、無創(chuàng)的醫(yī)學影像診斷方法,，將計算機技術(shù)與X線、MRI,、CT,、正電子發(fā)射型計算機斷層顯像(positronemission tomography，PET),、超聲檢查等醫(yī)學影像數(shù)據(jù)相結(jié)合,，通過特征值來反映病灶的形狀大小、紋理等信息,，以量化的方式揭示人類肉眼無法識別的與微觀組織異質(zhì)性間接相關(guān)的宏觀組織異質(zhì)性,，并可與病理,、基因等其他臨床資料相結(jié)合,，輔助醫(yī)師做出較準確的診斷[9]。影像組學的臨床應用廣泛,，如疾病的分子表型估計,、分期、預后判斷等[10-12],，顯示出了較大潛力,。

MRI影像組學也是影像組學是一部分，大概包括以下流程：MRI圖像的采集,、感興趣區(qū)勾畫及病灶分割,、MRI影像特征提取,、影像特征選擇、預測模型的建立及驗證,。

圖像采集參數(shù)如磁場強度,、空間分辨率、信噪比及不同的脈沖序列等都會影響MRI影像組學特征,。但是,，MRI軟組織分辨率高，多序列成像可以使紋理信息相互補充,，這點優(yōu)于CT或PET等其他成像模式,。采集后的圖像借助開源或商業(yè)軟件進行感興趣區(qū)的勾畫及圖像分割、強度標準化,、灰度級降級等預處理,，可增強像素特征及信號強度標準化、統(tǒng)一化,。勾畫感興趣區(qū)是影像組學分析的基礎,，有手動、半自動及全自動勾畫方式,。手動勾畫被認為是最準確的方法,，費時費力，有個體差異,。全自動勾畫省時省力,，對于邊界模糊、周圍有水腫的腫瘤,，勾畫范圍并不能與實際情況匹配,。下一步是影像特征的提取，包括對描述病變形狀和大小等語義特征,，無需計算機輔助就可得到,；另一方面是非語義特征，主要是反應病變像素強度的紋理特征,，可以基于統(tǒng)計,、模型、變換等數(shù)學方法提取,。常用的基于統(tǒng)計方法的紋理特征包括一階(描述單個體素的分布),、二階及高階特征(描述兩個或兩個以上像素之間空間分布強度關(guān)系，通過灰度共生矩陣和灰度游程矩陣等方法獲取),。紋理特征的普遍應用致影像組學特征數(shù)目很多,，故需對特征初步篩選后進行統(tǒng)計分析，以解決冗余及過度擬合問題。提取的影像特征與臨床資料,、基因等進行相關(guān)性分析后,，建立預測模型，通過模型完成對病變病理生理,、生物學等特性的預測,。

Qin等[13]利用影像組學方法對膠質(zhì)瘤進行術(shù)前分級， 對提取的114個影像組學特征進行篩選,，其中T1增強序列灰度共生矩陣(gray level co-occurence matrix,，GLCM)的熵和ADC圖GLCM的均勻性在區(qū)分高低級膠質(zhì)瘤中有較大潛力，最終提取了8個顯著相關(guān)性特征值,，受試者工作特征(receiver operating characteristic,，ROC)的曲線下面積(areaunder curve，AUC)為0.943,。Su等[14]發(fā)現(xiàn)多模態(tài)MRI影像組學特征可區(qū)分膠質(zhì)瘤亞型,，其中區(qū)分低和高級別膠質(zhì)瘤中，最佳AUC為0.911,。同時,，在一些影像鑒別診斷中，MRI影像組學也顯示出較大臨床價值,。Kim等[15]分析了143例患者術(shù)前包括擴散加權(quán)成像在內(nèi)的多模態(tài)MR影像組學特征,，基于邏輯回歸分類器對膠質(zhì)母細胞瘤和原發(fā)性中樞神經(jīng)系統(tǒng)淋巴瘤進行鑒別，結(jié)果發(fā)現(xiàn)AUC,、靈敏度和特異性分別為0.979,、0.938、0.944,。此外,，F(xiàn)etit等[16]發(fā)現(xiàn)影像組學紋理特征可以對兒童幕下腦腫瘤包括髓母細胞瘤、毛細胞星形細胞瘤和室管膜瘤進行的鑒別分類,。也有學者基于病灶對氟代脫氧葡萄糖攝取多少,，利用PET相關(guān)的紋理特征對病灶良惡性進行判斷的研究[17]。值得注意的是,，盡管影像組學在輔助醫(yī)生進行成人或兒童腦膠質(zhì)瘤分級,、同影不同腫瘤的鑒別及良惡性判斷方面提供了診斷依據(jù)，但是大多是基于單中心或較少模態(tài)的回顧性研究,，如與磁共振灌注成像及彌散張量成像等相關(guān)組學研究較少,。

因為外科活檢獲取腦膠質(zhì)瘤基因數(shù)據(jù)的方式有一定局限性,，所以有學者研究影像組學與基因相關(guān)性,，非侵入性地量化腫瘤基因異質(zhì)性。如Han等[18]對Ⅱ級和Ⅲ級膠質(zhì)瘤的染色體1p/19q共缺失狀態(tài)進行單中心回顧性術(shù)前預測研究,， 利用支持向量機(supportvector machines,，SVM)分類后發(fā)現(xiàn)MRI影像組學特征能夠?qū)Φ图墑e膠質(zhì)瘤的1p/19q狀態(tài)進行有效識別,。除此之外，其還可以對膠質(zhì)母細胞瘤進行相關(guān)基因預測,。如Li等[19]利用卷積神經(jīng)網(wǎng)絡(convolutional neural network,，CNN)方法對多個機構(gòu)膠質(zhì)母細胞瘤患者的術(shù)前MRI圖像中4個亞區(qū)(壞死區(qū)、水腫區(qū),、強化區(qū)域及非強化區(qū)域)進行分析,，最終篩選出與MGMT甲基化狀態(tài)相關(guān)的6個影像組學特征，并建立預測模型,，AUC值及準確率分別為0.88 和80%,。Chang等[20]從TCIA數(shù)據(jù)庫中獲取了256個包括高、低級別膠質(zhì)瘤患者的MRI圖像數(shù)據(jù),，基于CNN算法提取ROI內(nèi)與基因相關(guān)聯(lián)的影像組學特征,，發(fā)現(xiàn)預測IDH狀態(tài)的準確度達到94%，1p/19q共同缺失狀態(tài)達到92%,，MGMT啟動子甲基化狀態(tài)達到83%,。所有影像組學特征可以直接從深層神經(jīng)網(wǎng)絡算法中獲取，避免了特征分析帶來額外誤差,。

以往的研究通過患者的年齡,、腫瘤的部位、大小,、切除范圍及傳統(tǒng)影像學方法等作為預后預測因子,，特別是僅基于病灶大小及有無強化來評估神經(jīng)膠質(zhì)瘤的治療反應，有一定的局限性[21],。影像組學能挖掘深部肉眼無法識別的紋理特征,，更有助于評價病變療效及預測預后[22-23]。Xi等[24]高通量提取經(jīng)替莫唑胺化療后的MGMT甲基化膠質(zhì)母細胞瘤療效的相關(guān)MRI影像組學特征,，降維后建立SVM分類模型,，分類特異性及敏感性分別為88.80%、83.84%,，驗證集有相似的結(jié)果,。Brynolfsson等[25]對高級別膠質(zhì)瘤患者放化療術(shù)前和術(shù)后的ADC圖進行紋理分析，來評估腫瘤對放化療的反應性,，結(jié)果發(fā)現(xiàn)ADC紋理特征可以作為影像學標記物有效鑒別高級別膠質(zhì)瘤治療后進展情況,。Sanghani等[26]基于腫瘤的形態(tài)、體積及紋理特征對多形性膠質(zhì)母細胞瘤的總生存期進行預測研究,，發(fā)現(xiàn)SVM分類器在患者組(生存時間≤400 d和＞400 d)的總生存期預測準確性為98.7%,。Macyszyn等[27]也報道了MRI 紋理特征可以預測對膠質(zhì)母細胞瘤的生存期，發(fā)現(xiàn)SVM模型可以將患者的生存分為短期、中期及長期類別,，準確度大80%以上,。

鑒別真性和假性進展對腦膠質(zhì)瘤患者后期的治療非常重要。目前,，唯一準確的鑒別方法是組織活檢和短期臨床影像隨訪,，這會造成患者二次創(chuàng)傷或延誤治療時機。常用的RANO標準又不能完全準確識別假性進展病例[28],。而可以定量的MRI影像組學為二者鑒別提供了新的方法,。如Hu等[29]對31例患者的多參數(shù)MRI數(shù)據(jù)分析，利用傳統(tǒng)的SVM方法建立了真假性進展分類器,，靈敏度為89.9%,，特異性為93.7%， ROC曲線下面積為0.944,。同時,，有文獻提到深度神經(jīng)網(wǎng)絡學習方法有助于提高影像組學分析結(jié)果的準確性。如Jang等[30] 首次利用長短時記憶模型與卷積神經(jīng)網(wǎng)絡相結(jié)合的模型進行膠質(zhì)瘤術(shù)后真假性進展研究,，并建立包含MRI影像組學特征和臨床資料的預測模型,，發(fā)現(xiàn)預測模型在驗證集中的AUC值為0.83。該文獻也證明了CNN相關(guān)模型的預測性能優(yōu)于傳統(tǒng)隨機森林模型,?？梢娪跋窠M學在鑒別膠質(zhì)瘤真假性進展方面有一定的潛力。

近年來,，相關(guān)綜述報道了影像組學在腫瘤診療中價值和潛力,，但在臨床實踐中仍然存在問題[31-32]。首先,，影像組學相關(guān)紋理提取及分析軟件不一,，有開放的、商業(yè)的及內(nèi)部研發(fā)的,，相應的多機構(gòu)研究結(jié)果之間不易對比,，軟件性能不易鑒別；其次,，MRI采集設備,、掃描參數(shù)和后處理方法等有差異，對腫瘤相關(guān)研究結(jié)果有影響,，包括多中心研究,。因此， 影像組學研究方法規(guī)范化,、數(shù)據(jù)采集和成像參數(shù)標準化至關(guān)重要,，才能保證研究結(jié)果有很好的重復性和普遍性,。此外，有關(guān)機器學習的理論基礎尚未完全建立起來[33],。在某中意義上說，MRI影像組學是將數(shù)學計算機與影像及相關(guān)臨床數(shù)據(jù)進行分析,，進行統(tǒng)計學比較,。這些統(tǒng)計學的重要意義與生理學相關(guān)性目前尚不清楚，有待被證實和驗證,。盡管MRI影像組學存在諸多不足,，但其作為一種新興的量化診斷方式為腦腫瘤精準診斷、療效評估,、預后預測等提供了突破口,。隨著研究方法的規(guī)范化、MRI數(shù)據(jù)大量積累及采集標準化,，以及相關(guān)機器學習理論的不斷完善,，影像組學將有助于加深對腦膠質(zhì)瘤的了解，推動臨床轉(zhuǎn)化,，更好地輔助臨床診療,。

利益沖突：無。

[1] Gillies RJ, Kinahan PE, Hricak H.Radiomics: images are more than pictures, they are data. Radiology, 2015,278(2): 563-577.

[2] Chen W, Zheng R, Baade PD, et al.Cancer statistics in China, 2015, Cancer J Clin, 2016, 66(2): 115-132.

[3] Louis DN, Perry A, Reifenberger G, etal. The 2016 World Health Organization classification of tumors of the centralnervous system: a summary. Acta neuropathologica, 2016, 131(6): 803-820.

[4] Ostrom QT, Gittleman H, Fulop J, et al.CBTRUS statistical report: primary brain and central nervous system tumorsdiagnosed in the United States in 2008-2012. Neuro Oncology, 2015, 17(suppl 4):iv1-iv62.

[5] Gutman DA, Cooper LAD, Hwang SN, et al.MR imaging predictors of molecular profile and survival: multi-institutionalstudy of the TCGA glioblastoma data set. Radiology, 2013, 267(2): 560-569.

[6] Gulsen S. Achieving higher diagnosticresults in stereotactic brain biopsy by simple and novel technique. Open AccessMaced J Med Sci, 2015, 3(1): 99-104.

[7] Yu J, Shi Z, Lian Y, et al. NoninvasiveIDH1 mutation estimation based on a quantitative radiomics approach for gradeII glioma. Eur Radiol, 2017, 27(8): 3509-3522.

[8] Lambin P, Rios-Velazquez E, LeijenaarR, et al. Radiomics: extracting more information from medical images usingadvanced feature analysis. Eur J Cancer, 2012, 48(4): 441-446.

[9] Aerts HJWL, Velazquez ER, LeijenaarRTH, et al. Decoding tumour phenotype by noninvasive imaging using aquantitative radiomics approach. Nat Commun, 2014, 5: 4006.

[10] Wang ZJ, Chen XC, Huang JB, et al.Predictive power of radiomic features combined with clinical features for genemutations in non-small cell lung cancer patients. J Clin Radiol, 2019,， 44(6): 1033-1037.

王紫君, 陳星池, 黃勁柏, 等. 影像組學結(jié)合臨床對非小細胞肺癌基因狀態(tài)的預測. 臨床放射學雜志, 2019,，44(6): 1033-1037.

[11] Park HJ, Lee SS, Park B, et al.Radiomics analysis of gadoxetic acid– enhanced MRI for staging liver fibrosis.Radiology, 2018, 290(2): 380-387.

[12] Guo D, Gu D, Wang H, et al. Radiomicsanalysis enables recurrence prediction for hepatocellular carcinoma after livertransplantation. Eur J Radiol, 2019, 117: 33-40.

[13] Qin J, Liu Z, Zhang H, et al. Grading ofgliomas by using radiomic features on multiple magnetic resonance imaging (MRI)sequences. Med Sci Monit, 2017, 23: 2168-2178.

[14] Su C, Jiang J, Zhang S, et al.Radiomics based on multicontrast MRI can precisely differentiate among gliomasubtypes and predict tumour-proliferative behaviour. Eur Radiol, 2019, 29(4):1986-1996.

[15] Kim Y, Cho HH, Kim ST, et al.Radiomics features to distinguish glioblastoma from primary central nervoussystem lymphoma on multi-parametric MRI. Neuroradiology, 2018, 60(12):1297-1305.

[16] Fetit AE, Novak J, Rodriguez D, et al.Radiomics in paediatric neuro-oncology: a multicentre study on MRI textureanalysis. NMR Biomed, 2018, 31(1): e3781.

[17] Xu R, Kido S, Suga K, et al. Textureanalysis on (18) F-FDG PET/ CT images to differentiate malignant and benignbone and soft-tissue lesions. Ann Nucl Med, 2014, 28(9): 926-935.

[18] Han Y, Zhen X, Zang Y, et al.Non-invasive genotype prediction of chromosome 1p/19q co-deletion bydevelopment and validation of an MRI-based radiomics signature in lower-gradegliomas. J Neuro Oncol, 2018, 140(2): 297-306.

[19] Li ZC, Bai H, Sun Q, et al.Multiregional radiomics features from multiparametric MRI for prediction ofMGMT methylation status in glioblastoma multiforme: a multicentre study. EurRadiol, 2018, 28(9): 3640-3650.

[20] Chang P, Grinband J, Weinberg BD, etal. Deep-learning convolutional neural networks accurately classify geneticmutations in gliomas. Am J Neuroradiol, 2018, 39(7): 1201-1207.

[21] Bahrami N, Piccioni D, Karunamuni R,et al. Edge contrast of the FLAIR hyperintense region predicts survival inpatients with high-grade gliomas following treatment with bevacizumab. Am JNeuroradiol, 2018, 39(6): 1017-1024.

[22] Yang D, Rao G, Martinez J, et al.Evaluation of tumor-derived MRI-texture features for discrimination ofmolecular subtypes and prediction of 12-month survival status in glioblastoma.Med Phys, 2015, 42(11): 6725-6735.

[23] Chang K, Zhang B, Guo X, et al.Multimodal imaging patterns predict survival in recurrent glioblastoma patientstreated with bevacizumab. Neuro Oncol, 2016, 18(12): 1680-1687.

[24] Xi Y, Guo F, Xu Z, et al. Radiomicssignature: a potential biomarker for the prediction of MGMT promotermethylation in glioblastoma. J Magn Reson Imaging, 2018, 47(5): 1380-1387.

[25] Brynolfsson P, Nilsson D, HenrikssonR, et al. ADC texture-An imaging biomarker for high-grade glioma? Med Phys,2014, 41(10): 101903.

[26] Sanghani P, Ang BT, King NKK, et al.Overall survival prediction in glioblastoma multiforme patients fromvolumetric, shape and texture features using machine learning. Surg Oncol,2018, 27(4): 709-714.

[27] Macyszyn L, Akbari H, Pisapia JM, etal. Imaging patterns predict patient survival and molecular subtype inglioblastoma via machine learning techniques. Neuro Oncol, 2015, 18(3):417-425.

[28] Nasseri M, Gahramanov S, Netto JP, etal. Evaluation of pseudoprogression in patients with glioblastoma multiformeusing dynamic magnetic resonance imaging with ferumoxytol calls RANO criteriainto question. Neuro Oncol, 2014, 16(8): 1146-1154.

[29] Hu X, Wong KK, Young GS, et al.Support vector machine multiparametric MRI identification of pseudoprogressionfrom tumor recurrence in patients with resected glioblastoma. J Magn ResonImaging, 2011, 33(2): 296-305.

[30] Jang BS, Jeon SH, Kim I H, et al.Prediction of pseudoprogression versus progression using machine learningalgorithm in glioblastoma. Sci Rep, 2018, 8(1): 12516.

[31] Lotan E, Jain R, Razavian N, et al.State of the art: machine learning applications in glioma imaging. Am JRoentgenol, 2019, 212(1): 26-37.

[32] Chen XZ, Ma J. Status of radiomics incerebral giomas. Chin J Magn Reson Imaging, 2018, 9(10): 721-724.

陳緒珠, 馬軍. 影像組學在腦膠質(zhì)瘤中的研究進展. 磁共振成像, 2018, 9(10): 721-724.

[33] Ge W. A perspective on deep imaging.IEEE Access, 2017, 4(99): 8914-8924.