脑胶质瘤起源于神经胶质细胞，是最常见的中枢神经系统肿瘤，约占颅脑肿瘤的50%～60%，发生率有逐年上升的趋势^[1,2]。世界卫生组织将胶质瘤分为低级别(Ⅰ和Ⅱ）和高级别(Ⅲ和Ⅳ)。Ⅳ级胶质母细胞瘤恶性度最高，10年的生存率不到3%^[3]，中位生存约12~ 14个月^[4]。尽管常规MRI特征及先进的功能磁共振技术有助于胶质瘤的分级及患者生存期的预测，但对肿瘤的分子状态及治疗反应的评估仍然有挑战性^[5]。目前，脑组织活检仍然是组织学和遗传分类的主要标准。但是该方法有创，且胶质瘤中的异质性可能影响其诊断的准确性和预后判断。此外，在立体定向活检中，约7%～15％的患者病理结果仍不明确^[6]。影像组学是一种非侵入性的诊断方法，借助计算机通过深度挖掘人类肉眼不能识别的深层次肿瘤信息，全面地评估肿瘤异质性^[7]。近年来，MRI影像组学在脑胶质瘤中的应用较广泛。本文就影像组学概念、MRI影像组学在脑胶质瘤中临床应用、面临的问题予以介绍。

1　影像组学概述及工作流程

       影像组学是由Lambin等^[8]最先提出。它是一种新兴的、无创的医学影像诊断方法，将计算机技术与X线、MRI、CT、正电子发射型计算机断层显像（positron emission tomography，PET)、超声检查等医学影像数据相结合，通过特征值来反映病灶的形状大小、纹理等信息，以量化的方式揭示人类肉眼无法识别的与微观组织异质性间接相关的宏观组织异质性，并可与病理、基因等其他临床资料相结合，辅助医师做出较准确的诊断^[9]。影像组学的临床应用广泛，如疾病的分子表型估计、分期、预后判断等^[10,11,12]，显示出了较大潜力。

       MRI影像组学也是影像组学是一部分，大概包括以下流程：MRI图像的采集、感兴趣区勾画及病灶分割、MRI影像特征提取、影像特征选择、预测模型的建立及验证。

       图像采集参数如磁场强度、空间分辨率、信噪比及不同的脉冲序列等都会影响MRI影像组学特征。但是，MRI软组织分辨率高，多序列成像可以使纹理信息相互补充，这点优于CT或PET等其他成像模式。采集后的图像借助开源或商业软件进行感兴趣区的勾画及图像分割、强度标准化、灰度级降级等预处理，可增强像素特征及信号强度标准化、统一化。勾画感兴趣区是影像组学分析的基础，有手动、半自动及全自动勾画方式。手动勾画被认为是最准确的方法，费时费力，有个体差异。全自动勾画省时省力，对于边界模糊、周围有水肿的肿瘤，勾画范围并不能与实际情况匹配。下一步是影像特征的提取，包括对描述病变形状和大小等语义特征，无需计算机辅助就可得到；另一方面是非语义特征，主要是反应病变像素强度的纹理特征，可以基于统计、模型、变换等数学方法提取。常用的基于统计方法的纹理特征包括一阶（描述单个体素的分布）、二阶及高阶特征（描述两个或两个以上像素之间空间分布强度关系，通过灰度共生矩阵和灰度游程矩阵等方法获取）。纹理特征的普遍应用致影像组学特征数目很多，故需对特征初步筛选后进行统计分析，以解决冗余及过度拟合问题。提取的影像特征与临床资料、基因等进行相关性分析后，建立预测模型，通过模型完成对病变病理生理、生物学等特性的预测。

2　 MRI影像组学在脑胶质瘤中的临床应用

2.1　脑肿瘤的术前分级及鉴别诊断

       Qin等^[13]利用影像组学方法对胶质瘤进行术前分级，对提取的114个影像组学特征进行筛选，其中T1增强序列灰度共生矩阵（gray level co-occurence matrix，GLCM）的熵和ADC图GLCM的均匀性在区分高低级胶质瘤中有较大潜力，最终提取了8个显著相关性特征值，受试者工作特征(receiver operating characteristic，ROC）的曲线下面积（area under curve，AUC）为0.943。Su等^[14]发现多模态MRI影像组学特征可区分胶质瘤亚型，其中区分低和高级别胶质瘤中，最佳AUC为0.911。同时，在一些影像鉴别诊断中，MRI影像组学也显示出较大临床价值。Kim等^[15]分析了143例患者术前包括扩散加权成像在内的多模态MR影像组学特征，基于逻辑回归分类器对胶质母细胞瘤和原发性中枢神经系统淋巴瘤进行鉴别，结果发现AUC、灵敏度和特异性分别为0.979、0.938、0.944。此外，Fetit等^[16]发现影像组学纹理特征可以对儿童幕下脑肿瘤包括髓母细胞瘤、毛细胞星形细胞瘤和室管膜瘤进行的鉴别分类。也有学者基于病灶对氟代脱氧葡萄糖摄取多少，利用PET相关的纹理特征对病灶良恶性进行判断的研究^[17]。值得注意的是，尽管影像组学在辅助医生进行成人或儿童脑胶质瘤分级、同影不同肿瘤的鉴别及良恶性判断方面提供了诊断依据，但是大多是基于单中心或较少模态的回顾性研究，如与磁共振灌注成像及弥散张量成像等相关组学研究较少。

2.2　胶质瘤基因表达状态的判断

       因为外科活检获取脑胶质瘤基因数据的方式有一定局限性，所以有学者研究影像组学与基因相关性，非侵入性地量化肿瘤基因异质性。如Han等^[18]对Ⅱ级和Ⅲ级胶质瘤的染色体1p/19q共缺失状态进行单中心回顾性术前预测研究，利用支持向量机（support vector machines，SVM）分类后发现MRI影像组学特征能够对低级别胶质瘤的1p/19q状态进行有效识别。除此之外，其还可以对胶质母细胞瘤进行相关基因预测。如Li等^[19]利用卷积神经网络（convolutional neural network，CNN）方法对多个机构胶质母细胞瘤患者的术前MRI图像中4个亚区（坏死区、水肿区、强化区域及非强化区域）进行分析，最终筛选出与MGMT甲基化状态相关的6个影像组学特征，并建立预测模型，AUC值及准确率分别为0.88和80%。Chang等^[20]从TCIA数据库中获取了256个包括高、低级别胶质瘤患者的MRI图像数据，基于CNN算法提取ROI内与基因相关联的影像组学特征，发现预测IDH状态的准确度达到94%，1p/19q共同缺失状态达到92%，MGMT启动子甲基化状态达到83%。所有影像组学特征可以直接从深层神经网络算法中获取，避免了特征分析带来额外误差。

2.3　胶质瘤疗效预测及预后评估

       以往的研究通过患者的年龄、肿瘤的部位、大小、切除范围及传统影像学方法等作为预后预测因子，特别是仅基于病灶大小及有无强化来评估神经胶质瘤的治疗反应，有一定的局限性^[21]。影像组学能挖掘深部肉眼无法识别的纹理特征，更有助于评价病变疗效及预测预后^[22,23]。Xi等^[24]高通量提取经替莫唑胺化疗后的MGMT甲基化胶质母细胞瘤疗效的相关MRI影像组学特征，降维后建立SVM分类模型，分类特异性及敏感性分别为88.80%、83.84%，验证集有相似的结果。Brynolfsson等^[25]对高级别胶质瘤患者放化疗术前和术后的ADC图进行纹理分析，来评估肿瘤对放化疗的反应性，结果发现ADC纹理特征可以作为影像学标记物有效鉴别高级别胶质瘤治疗后进展情况。Sanghani等^[26]基于肿瘤的形态、体积及纹理特征对多形性胶质母细胞瘤的总生存期进行预测研究，发现SVM分类器在患者组（生存时间≤400 d和>400 d)的总生存期预测准确性为98.7%。Macyszyn等^[27]也报道了MRI纹理特征可以预测对胶质母细胞瘤的生存期，发现SVM模型可以将患者的生存分为短期、中期及长期类别，准确度大80％以上。

2.4　胶质瘤术后真性和假性进展区分

       鉴别真性和假性进展对脑胶质瘤患者后期的治疗非常重要。目前，唯一准确的鉴别方法是组织活检和短期临床影像随访，这会造成患者二次创伤或延误治疗时机。常用的RANO标准又不能完全准确识别假性进展病例^[28]。而可以定量的MRI影像组学为二者鉴别提供了新的方法。如Hu等^[29]对31例患者的多参数MRI数据分析，利用传统的SVM方法建立了真假性进展分类器，灵敏度为89.9%，特异性为93.7%，ROC曲线下面积为0.944。同时，有文献提到深度神经网络学习方法有助于提高影像组学分析结果的准确性。如Jang等^[30]首次利用长短时记忆模型与卷积神经网络相结合的模型进行胶质瘤术后真假性进展研究，并建立包含MRI影像组学特征和临床资料的预测模型，发现预测模型在验证集中的AUC值为0.83。该文献也证明了CNN相关模型的预测性能优于传统随机森林模型。可见影像组学在鉴别胶质瘤真假性进展方面有一定的潜力。

3　问题及展望

       近年来，相关综述报道了影像组学在肿瘤诊疗中价值和潜力，但在临床实践中仍然存在问题^[31,32]。首先，影像组学相关纹理提取及分析软件不一，有开放的、商业的及内部研发的，相应的多机构研究结果之间不易对比，软件性能不易鉴别；其次，MRI采集设备、扫描参数和后处理方法等有差异，对肿瘤相关研究结果有影响，包括多中心研究。因此，影像组学研究方法规范化、数据采集和成像参数标准化至关重要，才能保证研究结果有很好的重复性和普遍性。此外，有关机器学习的理论基础尚未完全建立起来^[33]。在某中意义上说，MRI影像组学是将数学计算机与影像及相关临床数据进行分析，进行统计学比较。这些统计学的重要意义与生理学相关性目前尚不清楚，有待被证实和验证。尽管MRI影像组学存在诸多不足，但其作为一种新兴的量化诊断方式为脑肿瘤精准诊断、疗效评估、预后预测等提供了突破口。随着研究方法的规范化、MRI数据大量积累及采集标准化，以及相关机器学习理论的不断完善，影像组学将有助于加深对脑胶质瘤的了解，推动临床转化，更好地辅助临床诊疗。