MRI影像特征结合机器学习算法无创预测弥漫性较低级别胶质瘤1p_19q缺失状态.pdf

医学影像学杂志2024年第34 卷第2 期 J Med Imaging Vol.34 No.2 2024MRI 影像特征结合机器学习算法无创预测弥漫性较低级别胶质瘤 1p/19q缺失状态姚巧丽1，梁知遇2，邓刊3，朱柳红1，刘豪1，许乙凯21.复旦大学附属中山医院（厦门）放射科 福建 厦门 361015；2.南方医科大学南方医院医学影像中心 广东 广州 510515；3.飞利浦医疗保健事业部 中国 香港 999077【摘 要】目的探讨基于 MRI 表现特征结合机器学习算法在预测弥漫性较低级别胶质瘤（1p/19q）缺失状态的价值。方法选取经手术病理证实为级胶质瘤 79 例【异柠檬酸脱氢酶（IDH）突变伴 1p/19q 共缺失组 39 例，IDH 突变伴1p/19q 非共缺失组 40 例）】，所有患者术前均行常规头颅 MRI 平扫及增强（T1WI、T2WI、SWI、FLAIR、DWI、CE-T1WI），由未知病理结果的神经影像医师提取影像特征：钙化或出血、T2-FLAIR 错配征、瘤周水肿、强化程度、T2异质性、皮质受累、边界规则、中线偏倚。利用卡方检验或 Fisher 精确检验评估两组胶质瘤影像学特征的统计学差异，并构建逻辑回归模型；另外，利用所提取的 MRI 特征构建出机器学习模型，使用受试者工作特征曲线（ROC）分析其预测 1p/19q 缺失状态的诊断效能。结果钙化或出血、T2-FLAIR 错配征、T2异质性三个影像特征在不同 1p/19q 缺失状态中比较，差异有统计学意义（P0.05），联合以上三个影像特征的逻辑回归模型的曲线下面积（AUC）可达 0.859；另外，利用 MRI 特征所构建的机器学习模型鲁棒性较佳，测试集 AUC 可高达 0.910。结论术前 MRI 表现特征结合机器学习算法可用于无创的预测弥漫性较低级别胶质瘤 1p/19q 缺失状态。【关键词】胶质瘤；磁共振成像；机器学习；染色体部分缺失中图分类号：R739.4；R445.2 文献标识码：A 文章编号：1006-9011（2024）02-0001-05Non-invasive prediction of 1p/19q deletion in diffuse lower grade gliomas based on MRI image features combined with machine learning algorithmYAO Qiaoli1，LIANG Zhiyu2，DENG Kan3，ZHU Liuhong1，LIU Hao1，XU Yikai21.Department of Radiology，Zhongshan Hospital（Xiamen），Fudan University，Xiamen 361015，China2.Department of Medical Imaging Center，Nanfang Hospital，Southern Medical University，Guangzhou 510515，China3.Philips Healthcare，HongKong 999077，China【Abstract】ObjectiveTo explore the value of MRI image features combined with machine learning algorithm in predicting 1p/19q deletion in diffuse lower grade gliomas.MethodsA retrospective collection of 79 cases of glioma confirmed by surgical pathology as grade 39 cases of isocitrated dehydrogenase（IDH）mutation with 1p/19q co-deletion，40 cases of IDH mutation with 1p/19q non-co-deletion was conducted and all patients underwent conventional head MRI scan and enhancement（T1WI，T2WI，SWI，FLAIR，DWI，CE-T1WI），and imaging features were extracted by neuroimaging radiologist with unknown pathological results as follows：calcification or hemorrhage，T2-FLAIR mismatch，peritumoral edema，degree of enhancement，T2 heterogeneity，cortical involvement，boundary rules，and midline bias.Chi-square test or Fishers exact test was used to evaluate the statistical differences in imaging features between the two groups of gliomas and logistic regression analysis was performed on the image features.In addition，a machine learning model was constructed using the extracted MRI features，and the receiver operating characteristic（ROC）curve was used to analyze its diagnostic efficacy in predicting 1p/19q deletion.ResultsThe three imaging features of calcification or hemorrhage，T2-FLAIR mismatch sign，and T2 heterogeneity were statistically different in different 1p/19q deletion states（P0.05），combined with the above three imaging features，the area under the curve（AUC）of the logistic regression model could reach 0.859；in addition，the machine learning model constructed using MRI image features was more robust，and the test set AUC could be as high as 0.910.ConclusionThe preoperative MRI features combined with machine learning algorithm can be used to predict 1p/19q deletion states in diffuse lower grade gliomas noninvasively.基金项目：福建省自然科学基金项目（编号：2022J011425）作者简介：姚巧丽（1997-），女，医学硕士，技师，主要从事医学影像技术工作。通信作者：许乙凯 E-mail：论著1医学影像学杂志2024年第34 卷第2 期 J Med Imaging Vol.34 No.2 2024【Key words】Glioma；Magnetic resonance imaging；Machine learning；Partial deletion of chromosomes脑胶质瘤是原发性中枢神经系统最常见的肿瘤，约占颅内恶性肿瘤的80.9%1。2021版WHO分类再次强调了胶质瘤遗传特征的重要性2，级胶质瘤被称为弥漫性较低级别胶质瘤，其1号染色体短臂和19号染色体长臂（1p/19q）联合缺失与更长的生存期相关，是评估化疗反应的预测标志物3。临床相关标志物的无创性预判可以帮助患者治疗方案的制定以及预后的评估，因此，现迫切需要一种非侵入性的手段在术前准确预测 1p/19q 缺失状态。MRI是胶质瘤患者术前重要的检查手段，近年来，机器学习算法已被广泛运用于基于MRI脑肿瘤的诊断与预后判断。本文拟对术前MRI特征进行总结，以寻找出术前预测 1p/19q缺失状态的最佳影像学特征，并构建机器学习模型对其进行预测。1资料与方法1.1临床资料选取南方医科大学南方医院 2019 年 10 月至2022年3月经手术病理证实为级胶质瘤且异柠檬酸脱氢酶（isocitrated dehydrogenase，IDH）突变型患者79例，其组织病理结果均依据WHO 2021版。根据荧光原位杂交法获得1p/19q缺失状态，其中1p/19q共缺失组39例，男性30例，女性9例，年龄27 65岁，平均年龄（46.5 9.1）岁；1p/19q非共缺失组 40例，男性26例，女性14例，年龄2266岁，平均年龄（42.6 11.3）岁；所有入组患者术前均未进行放化疗等任何相关治疗。本文经医院伦理委员会审核通过。1.2检查方法采 用 3.0T MR 扫 描 仪（Ingenia CX；Philips Healthcare，Best，the Netherlands），8通道头部相控阵列线圈。扫描序列包括轴位平扫T1WI、T2WI、SWI、FLAIR、DWI序列。扫描参数：T1WI：TR 2048 ms，TE 20 ms，层厚 5 mm，矩阵 384 312，FOV 230 mm 211 mm；T2WI：TR 2720 ms，TE 80 ms，层厚5 mm，矩阵 460 400，FOV 230 mm 200 mm；SWI：TR 31 ms，TE 7.2 ms，层厚2 mm，矩阵384 315，FOV 230 mm 189 mm；FLAIR：TR 10000 ms，TE 160 ms，TI 2700ms，层厚 5 mm，矩阵 356 171，FOV 230 mm 181 mm；DWI：TR 4000 ms，TE 88 ms，层厚5 mm，矩阵 160 160，FOV 230 mm 230 mm，取 b 值为 0 s/mm2 和1000 s/mm2 后经计算机自动计算出表观弥散系 数（apparent diffusion coefficient，ADC）图。3D T1WI：TR 4.2 ms，TE 1.8 ms，层厚0.9 mm，矩阵268 268，FOV 240 mm 240 mm。增强扫描由高压注射器经肘静脉注射0.1ml/kg体质量的加乐显，注射速率2 ml/s，再以同等速率团注20 ml生理盐水行3D T1WI增强扫描。1.3图像分析由 2 位神经诊断医师在未知病理结果的情况下，分别独立阅片分析术前MRI表现特征（8个形态学特征）。包括：1）钙化或出血（存在/不存在）：基于SWI 病灶区域是否存在低信号进行判断；2）T2-FLAIR 错配征（存在/不存在）：T2WI存在完全/近完全高信号，FLAIR存在相对低信号，但周围边缘可为高信号4；3）瘤周水肿：是否有瘤周区域T1低信号，T2高信号，且无强化；4）强化程度：注射对比剂前后T1WI病变信号强度无明显变化时为不强化；信号强度轻度增高则为轻度强化；信号强度明显增高则为明显强化；5）T2WI异质性：T2WI肿瘤信号是否存在不均匀5；6）皮质受累：肿瘤是否侵犯大脑皮质；7）边界规则：肿瘤的边界是否规则；8）中线偏倚：大脑中线是否偏离原来位置。当分析结果存在争议时，由另1位高年资的神经影像专家进行阅片确认。1.4统计学分析采用 SPSS 24.0、FAE0.3.6软件6对所有数据进行统计分析，对分析结果的一致性使用 Cohens kappa系数分析；对于连续的变量若符合正态齐性与方差齐性，则采用 Students t检验，否则采用 Mann-Whitney U检验；分类资料使用卡方检验或Fisher精确检验；而后构建逻辑回归模型。以所提取的8个MRI表现作为特征构建机器学习模型，将所有样本量按7：3划分为训练集与测试集，使用综合的少数类过采样技术（synthetic minority oversampling technique，SMOTE）平衡样本量，归一化常规MRI特征并采用主成分分析（principal component analysis，PCA）进行降维，方差分析用于特征选择，最后使用AdaBoost作为分类器。利用受试者工作特性（ROC）曲线下面积（AUC）评价模型对于1p/19q缺失状态的预判能力。P 0.05），t检验结果显示年龄在两组间比较，差异无统计学意义（P 2医学影像学杂志2024年第34 卷第2 期 J Med Imaging Vol.34 No.2 20240.05），见表1。2.2MRI特征2 位医师的分析结果显示 Cohens kappa 系数均 0.7，显示具有较强的一致性。MRI显示钙化或出血、T2-FLAIR错配征、T2异质性的表现在1p/19q共缺失组与非共缺失组间比较，差异有统计学意义（P 0.05），见表2、（图1，2）。所构建的逻辑回归模型的结果显示，1p/19q共缺失组中出现钙化或出血风险增加（OR=4.583）、出现 T2异质性的风险增加（OR=2.424）；1p/19q非共缺失组中出现T2-FLAIR错配征的风险增加（OR=14.874）。分别利用MRI表现的钙化或出血、T2-FLAIR错配征、T2异质性特征进行鉴别诊断时，其AUC分别为0.746、0.737、0.697；其灵敏度为 80.0%、94.9%、62.5%；特异度为 69.2%、52.5%、76.9%。当联合以上三个影像特征构建逻辑回归模型预测1p/19q缺失状态时，AUC增大为0.859，灵敏度为66.7%，特异度87.5%，见表3、（图3A）。2.3机器学习模型机器学习方法所构建的模型鲁棒性能较佳，由ROC 曲 线 可 得 训 练 集 的 AUC 为 0.989，灵 敏 度100%，特异度89.3%；测试集的AUC为0.910，灵敏度75.0%，特异度91.7%。表明机器学习的模型能够较好的对弥漫性较低级别胶质瘤1p/19q缺失状态进行预测，见表3、（图3B）。3讨论对于1p/19q共缺失的胶质瘤推荐的治疗方案是放疗加辅助甲基苄肼、环己亚硝脲和长春新碱（PCV疗法）7，其能为胶质瘤的预后提供重要信息，因此，表1患者基本资料（例）参数性别 男 女年龄（岁）1p/19q共缺失组30946.5 9.11p/19q非共缺失组261442.6 11.3P0.3230.100表2MRI特征 n（%）特征钙化或出血 存在 不存在T2-FLAIR错配征 存在 不存在瘤周水肿 存在 不存在强化程度 不强化 轻度强化 明显强化T2异质性 存在 不存在皮质受累 存在 不存在边界规则 存在 不存在中线偏倚 存在 不存在1p/19q共缺失组（n=39）27（69.2）12（30.8）2（5.1）37（94.9）30（76.9）9（23.1）9（23.1）17（43.6）13（33.3）30（76.9）9（23.1）37（94.9）2（5.1）28（71.8）11（28.2）19（48.7）20（51.3）1p/19q非共缺失组（n=40）8（20.0）32（80.0）21（52.5）19（47.5）32（80.0）8（20.0）11（27.5）18（45.0）11（27.5）15（37.5）25（62.5）34（85.0）6（15.0）27（67.5）13（32.5）21（52.5）19（47.5）19.39621.4720.1110.38312.519/0.1720.1132P0.001a0.001a0.739a0.826a50.0%时，其预测1p/19q缺失状态的效能最高（AUC=0.884），此研究量化了 T2-FLAIR不匹配的比例，而本文只进行二分类分析，未表3各影像特征模型的诊断效能影像特征钙化或出血T2-FLAIR错配征T2异质性钙化或出血+T2-FLAIR错配征+T2异质性机器学习训练集机器学习测试集AUC0.7460.7370.6970.8590.9890.910灵敏度（%）80.094.962.566.710075.0特异度（%）69.252.576.987.589.391.73A3B图3ROC曲线特征。图3A 联合钙化或出血、T2-FLAIR错配征、T2异质性三个影像特征所构建逻辑回归模型的ROC曲线；图3B机器学习模型训练集与测试集ROC曲线。1A1B1C1D1E1F2A2B2C2D2E2F图1女，31岁，右侧额颞岛叶胶质瘤，1p/19q非共缺失。图1A，1B T2WI显示病灶呈均匀高信号，可见皮质受累，中线轻度左移，FLAIR显示信号受到抑制，存在明显的T2-FLAIR错配征；图1C T1WI显示病灶呈均匀低信号，边界欠清；图1D T1WI增强病灶未见明显强化；图1ESWI病灶区未见低信号；图1F HE染色病理切片。图2男，54岁，右侧额叶胶质瘤，1p/19q共缺失。图2A，2B T2WI显示病灶呈不均匀高信号，可见皮质受累，中线未见移位，FLAIR显示呈高信号，不存在T2-FLAIR错配征；图2C T1WI显示病灶呈稍低信号，边界欠清；图2D T1WI增强见病灶轻度强化；图2E SWI病灶区可见低信号；图2F HE染色病理切片。4医学影像学杂志2024年第34 卷第2 期 J Med Imaging Vol.34 No.2 2024来可进一步对其进行量化，虽然 T2-FLAIR 不匹配MRI表现的病理机制未被完全定义，但其是预测低级别胶质瘤IDH突变型中1p/19q缺失状态的一个有效影像学指标。放射基因组学是一个新兴学科领域，基因的改变诱导组织水平的改变，而后可以从影像中挖掘高通量的信息发生改变13。ZHANG等14研究表明对术前常规MRI图像进行纹理分析可以准确预测弥漫性较低级别胶质瘤1p/19q缺失状态，其鉴别诊断效能较高，AUC均大于0.88。而本文中只简单利用8个视觉特征进行模型的训练，不需耗费大量时间精力对肿瘤进行分割，机器学习模型便可对1p/19q缺失状态进行预测，且模型的鲁棒性能较佳，提示利用常规影像学特征结合机器学习方法在胶质瘤1p/19q缺失状态中具有潜在的重要价值。一项最新研究15表明通过深度学习图像标签（deep learning imaging signature，DLIS）构建模型，可有效预测LGG患者1p/19q状态，其用于训练集和验证集的AUC高达0.99、0.98，提示结合深度学习可能挖掘到与1p/19q状态相关性强的信息，未来将作进一步探讨。据此所知，本文是首次单纯运用常规MRI特征结合机器学习方法来对 1p/19q 缺失状态进行预测的分析探讨。本文的局限性：1）本文的样本量较小，需更大的样本来验证结果；2）MRI特征的分析中只进行定性分析，若能进一步进行定量分析，有望进一步提高鉴别诊断效能。综上所述，弥漫性较低级别胶质瘤1p/19q缺失状态可以通过钙化或出血、T2-FLAIR错配征、T2异质性进行预测，且基于MRI表现特征构建的机器学习模型具有较佳的预测能力。参考文献：1OSTROM Q T，CIOFFI G，WAITE K，et al.CBTRUS Statistical Report：Primary Brain and Other Central Nervous System Tumors Diagnosed in the United States in 2014 2018J.Neuro-Oncology.2021，23（3）：1-105.2LOUIS D N，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）：1231-1251.3JIANG H，CUI Y，WANG J，et al.Impact of epidemiological characteristics of supratentorial gliomas in adults brought about by the 2016 world health organization classification of tumors of the central nervous systemJ.Oncotarget.2017，8（12）：20354-20361.4PATEL S H，POISSON L M，BRAT D J，et al.T2-FLAIR Mismatch，an Imaging Biomarker for IDH and 1p/19q Status in Lower-grade Gliomas：A TCGA/TCIA ProjectJ.Clin Cancer Res.2017，23（20）：6078-6085.5GUPTA M，GUPTA A，YADAV V，et al.Comparative evaluation of intracranial oligodendroglioma and astrocytoma of similar grades using conventional and T1-weighted DCE-MRI J.Neuroradiology.2021，63（8）：1227-1239.6SONG Y，ZHANG J，ZHANG Y，et al.FeAture Explorer（FAE）：A tool for developing and comparing radiomics modelsJ.PLOS ONE.2020，15（8）：e237587-237593.7SMITH H L，WADHWANI N，HORBINSKI C.Major Features of the 2021 WHO Classification of CNS Tumors J.Neurotherapeutics.2022，19（6）：1691-1704.8PARK Y W，HAN K，AHN S S，et al.Prediction of IDH1-Mutation and 1p/19q-Codeletion Status Using Preoperative MR Imaging Phenotypes in Lower Grade Gliomas J.AJNR Am J Neuroradiol.2018，39（1）：37-42.9LIU D，GAO S X，LIAO H F，et al.A Comparative Study of 2 Different Segmentation Methods of ADC Histogram for Differentiation Genetic Subtypes in Lower-Grade Diffuse GliomasJ.Biomed Res Int.2020，33（11）：9549361-9549369.10皮厚山，杨健，李辉，等.青年性胶质母细胞瘤 MRI 表现和免疫组化相关性研究 J.医学影像学杂志.2022，32（12）：2041-2045.11JOHNSON D R，DIEHN F E，GIANNINI C，et al.Genetically Defined Oligodendroglioma Is Characterized by Indistinct Tumor Borders at MRIJ.AJNR Am J Neuroradiol.2017，38（4）：678-684.12潘婷，苏春秋，张璇，等.常规 MRI 特征在预测弥漫性低级别胶质瘤 1p/19q 缺失状态的应用价值 J.临床放射学杂志.2020，39（6）：1189-1194.13周英，程东风，万振法，等.脑肿瘤放射基因组学的研究进展J.医学影像学杂志.2022，32（9）：1581-1583.14ZHANG S，CHIANG G C，MAGGE R S，et al.MRI based texture analysis to classify low grade gliomas into astrocytoma and 1p/19q codeleted oligodendrogliomaJ.Magnetic Resonance Imaging.2019，57（1）：254-258.15YAN J，ZHANG S，SUN Q，et al.Predicting 1p/19q co-deletion status from magnetic resonance imaging using deep learning in adult-type diffuse lower-grade gliomas：a discovery and validation study J.Lab Invest.2022，102（2）：154-159.（收稿日期：2023-04-25）5