胶质瘤异柠檬酸脱氢酶基因型与影像学研究进展

分享到微信朋友圈

• 综述 •

蒋健张学凌周俊林

Cite this article as: Jiang J, Zhang XL, Zhou JL. Research progress on isocitrate dehydrogenase genotype and imaging of glioma[J]. Chin J Magn Reson Imaging, 2021, 12(5): 103-106.本文引用格式：蒋健, 张学凌, 周俊林. 胶质瘤异柠檬酸脱氢酶基因型与影像学研究进展[J]. 磁共振成像, 2021, 12(5): 103-106. DOI:10.12015/issn.1674-8034.2021.05.025.

摘要

[摘要] 异柠檬酸脱氢酶(isocitrate dehydrogenase，IDH)是胶质瘤基因诊断的重要内容之一，也是影响胶质瘤患者治疗及预后的关键因素之一。MR成像、多模态成像及影像组学的多种影像征象及组学特征与IDH基因表型相关。作者就胶质瘤IDH基因型与影像学研究进展予以综述。

[Abstract] Isocitrate dehydrogenase (IDH) is not only one of the important contents of glioma gene diagnosis, but also one of the key factors affecting the treatment and prognosis of glioma patients. A variety of imaging features and radiomic features of MRI imaging, multimodal imaging and radiomics are associated with the phenotype of IDH gene. This article reviews the progress in the study of IDH genotypes and imaging of gliomas.

[关键词] 异柠檬酸脱氢酶基因型；胶质瘤；功能磁共振成像；多模态成像；影像组学

[Keywords] isocitrate dehydrogenase genotype；glioma；functional magnetic resonance imaging；multi-modal imaging；radiomics

作者信息

蒋健 ^{1,
2,
3}   张学凌 ^{2,
3}   周俊林 ^{2,
3*}

¹ 兰州大学第二临床医学院，兰州　730030

² 兰州大学第二医院放射科，兰州　730030

³ 甘肃省医学影像重点实验室，兰州　730030

周俊林，E-mail：lzuzjl601@163.com

全体作者均声明无利益冲突。

出版信息

基金项目： 国家自然科学基金 82071872 兰州大学第二医院“萃英科技创新计划”应用基础研究项目 CY2017-MS03

收稿日期：2020-12-09

接受日期：2021-03-25

DOI: 10.12015/issn.1674-8034.2021.05.025

本文引用格式：蒋健, 张学凌, 周俊林. 胶质瘤异柠檬酸脱氢酶基因型与影像学研究进展[J]. 磁共振成像, 2021, 12(5): 103-106. DOI:10.12015/issn.1674-8034.2021.05.025.

正文

胶质瘤是最常见的中枢神经系统肿瘤，约占颅脑肿瘤的50%～60%，其发生率有地域差异^[¹^]，并呈逐年上升趋势。2016年世界卫生组织(World Health Organization，WHO)中枢神经系统肿瘤分类、分级标准修定版已纳入基因型作为胶质瘤的重要诊断依据，肿瘤的分子生物学特征是影响胶质瘤患者治疗及预后的关键因素。目前，胶质瘤与影像学表型相关的基因学研究中，以表皮生长因子受体(epidermal growth factor receptor，EGFR)最为多见，异柠檬酸脱氢酶(isocitrate dehydrogenase，IDH)的研究相对较少(16.7%)。笔者就胶质瘤IDH基因型与影像学研究进展予以综述。

1 IDH基因在胶质瘤中的突变类型及特征

1.1 IDH突变类型

IDH基因是由三个基因编码的三分子同工酶家族(IDH1、IDH2、IDH3)。IDH1、IDH2形成同型二聚体，IDH3形成异四聚体。IDH1存在于细胞质和过氧化物酶体中，IDH2和IDH3位于线粒体，仅IDH3参与柠檬酸/三羧酸循环。研究^[²^]表明，IDH突变与染色体不稳定性的增加相关。胶质瘤中发生IDH1突变比IDH2突变更常见，约90% IDH1突变涉及错义突变，即在氨基酸残基132处将精氨酸聚合为组氨酸。IDH2在精氨酸172处(类似于IDH1中的R132)也可发生类似的错义突变。IDH的其他突变亚型(例如，IDH1-R132C、R132S、R132G、R132L和IDH2-R172K、R172M、R172W)在胶质瘤中也有表达，所占比例约8%～11%^[³^]。胶质瘤中IDH1和IDH2突变主要是体细胞基因和杂合形式的突变，导致突变IDH不能结合异柠檬酸盐使其产生正常催化活性，并诱导代谢重编程，这种异常代谢途径在原发性脑肿瘤发病和进展中起作用^[⁴^]。IDH突变会阻碍细胞新陈代谢、降低抵抗氧化应激的能力。因此，IDH突变被认为是胶质瘤发生的早期遗传事件。

1.2 胶质瘤中IDH突变频率

研究^[⁵^]表明，约54%～100%弥漫性星形细胞瘤(WHO Ⅱ级)、66.1%间变性星形细胞瘤(WHO Ⅲ级)、64%～93%少突胶质细胞肿瘤(WHOⅡ～Ⅲ级)、50%～88%继发性胶质母细胞瘤(Glioblastoma，GBM)及5%的原发性GBM (WHO Ⅳ级)发生IDH突变，因此认为IDH突变是低级别胶质瘤(low grade glioma，LGG)和继发性GBM所特有的基因突变类型；而在毛细胞星形细胞瘤、室管膜肿瘤，神经元和混合性神经元-胶质肿瘤(如节细胞胶质瘤)等其他原发性脑肿瘤中并不占主导地位，甚至是罕见的。小儿胶质瘤的IDH突变发生率与成人原发性GBM相当。

1.3 IDH突变肿瘤部位特征

IDH突变的肿瘤多位于单侧大脑半球、单叶，如额叶、颞叶、岛叶等，额叶最为常见^[⁶^]，额叶内侧面皮质是发生IDH1/2突变伴有TERT启动子突变的少突胶质细胞瘤的特定位置^[⁷^]。原发于幕下IDH突变型星形细胞肿瘤的临床和分子病理具有独特性，其中约80%的IDH突变是非IDH1-R132H变异，最常见的是IDH1-R132C/G和IDH2-R172S/G突变，而这在幕上星形细胞瘤中很少见。此外，在幕下肿瘤中，ATRX缺失和MGMT启动子甲基化的频率(通常与幕上星形细胞肿瘤的IDH突变相关)显著降低。少部分肿瘤具有IDH1-R132C/H3F3A-K27M共突变。IDH野生型星形细胞瘤优先定位于白质而非大脑皮层^[⁸^]。

1.4 胶质瘤IDH突变与其他基因突变的共存及互斥

63%弥漫性星形细胞瘤和80%的间变性星形细胞瘤、GBM中IDH突变可与p53突变共存；LGG、间变性少突胶质细胞瘤、间变性少突星形细胞瘤IDH突变和1p/19q联合缺失显著相关^[⁹^]。IDH突变先于其他谱系特异性遗传变化发生，包括TP53、ATRX、1p/19q联合缺失、CIC和TERT突变等。IDH突变型LGG可能因后续发生KRAS、PIK3CA、PDGFRA、MET、PTEN和N-Myc等突变而发生恶变^[¹⁰^]。在儿童和成人高级别胶质瘤(high grade glioma，HGG)中，IDH1/2突变与H3突变互斥^[¹¹^]。在IDH野生型弥漫性星形细胞瘤中也观察到TERT启动子突变。IDH和TERT启动子野生型GBM存在不同亚型，并伴有频繁的PDGFRA突变。

1.5 IDH突变组织学特征

免疫组织化学染色显示IDH突变型胶质瘤微血管周细胞覆盖率显著降低，微血管密度(microvessel density，MVD)略降低。此外，癌症基因组图谱(the cancer genome atlas，TCGA)数据库显示血管生成因子(包括ANGPT1、PDGFB和VEGFA)的mRNA水平被下调及启动子高度甲基化^[¹²^]。IDH突变型星形细胞瘤由于肿瘤代谢物的抗血栓形成作用，其坏死率远低于野生型肿瘤。IDH野生型星形细胞瘤肿瘤血管生成更多，核异型性更显著，肿瘤实体部分细胞密度更高，因而具有更强的侵袭性。弥漫性胶质瘤脑组织浸润和反应性胶质增生的鉴别对患者预后意义重大，当遇到形态学上难以准确区分的病例(尤其是年龄＞50岁的患者)，单纯依赖IDH突变进行判断存在困难时，IDH及TERT启动子突变可能有助于提示存在脑组织浸润^[¹³^]。

2 IDH突变与胶质瘤影像征象

2.1 常规MRI征象

除了前述的IDH突变肿瘤存在部位特征以外，其他MRI特征还包括皮层受累、肿瘤少强化、瘤体信号均质、肿瘤边界清晰、瘤周水肿较轻、较高的肿瘤钙化发生率等^[¹⁴^]。初诊时年龄小于40岁，肿瘤大于6 cm，以及T2-FLAIR不匹配征对IDH突变型星形细胞瘤具有高度特异性^[¹⁵^]。具有IDH1突变的GBM倾向位于左额叶，诊断时肿瘤体积可能更大，肿瘤无强化，囊性和弥漫浸润性成分增多，肿瘤更易靠近脑室，坏死和瘤周水肿程度、血管异常发生率降低，少突胶质形态增加，代谢产物也发生变化。

年龄超过45岁、多灶性、多中心性或脑胶质瘤病模式被认为是IDH野生型WHO Ⅱ/Ⅲ级胶质瘤的预测指标^[¹⁶^]；野生型GBM肿瘤强化部分体积更大。其他影像特征还包括肿瘤囊变率低，肿瘤强化(环形强化)、瘤周水肿更常见，FLAIR上信号异质性更大及边缘对比度较低、T1-FLAIR信号比值较低等^[⁸^]。病变坏死强化比例、肿瘤大小是预测低级别胶质瘤IDH突变的中度指标^[¹⁷^]。也有文献指出肿瘤强化程度不能区分IDH状态^[¹⁸^]。

2.2 MR功能成像特征

扩散磁共振成像：IDH突变型胶质瘤表观扩散系数(ADC)高于IDH野生型肿瘤^[⁸^,¹⁴^]。最小表观扩散系数(apparent diffusion coefficient minimum，ADCmin)、相对最小表观扩散系数(relative apparent diffusion coefficient minimum，rADCmin)对鉴别LGG与HGG IDH突变状态具有参考价值^[¹⁹^]。结合ADC值、年龄和肿瘤形态学特征的预测模型可预测WHO Ⅱ/Ⅲ胶质瘤IDH状态。也有文献指出DWI不能区分IDH状态^[¹⁸^]。

研究表明IDH野生型胶质瘤存在各向同性扩散(p)和各向异性扩散(q)受抑制的现象。神经突方向分散度和密度成像(neurite orientation dispersionand density imaging，NODDI)、扩散峰度成像(diffusion kurtosis imaging，DKI)等发现，WHO Ⅱ～Ⅲ级IDH野生型胶质瘤具有更高的各向异性分数(fractional anisotropy，FA)、峰度各向异性(kurtosis fractional anisotropy，KFA)及更低的平均扩散率(mean diffusivity，MD)^[²⁰^]，这都反映出IDH野生型肿瘤细胞密度增加、浸润性生长的比例更高的特征。

磁共振波谱成像：IDH1/2突变的肿瘤细胞会积累IDH突变代谢产物2-羟基戊二酸盐(2-hydroxyglutarate，2-HG)，术前无创检测2-HG提示肿瘤的IDH1/2突变，有助于制定手术计划^[¹^]，因此MRS 被认为是一种有价值的技术，有研究表明MRS能够检出2-HG的存在，但是研究所使用的技术并不能在临床中常规应用^[²¹^]。一项胶质瘤全脑MRS研究发现，与IDH野生型胶质瘤相比，IDH突变型胶质瘤瘤体和瘤周区域的Cho增加^[²²^]。IDH突变HGG MRS 出现更高的流动磷脂峰(mobile lipids，Mls)。肌醇/总胆碱比值或脂质20 (lipid20)也是区分IDH突变状态的重要参数。³¹P MRS采用3D化学位移成像(chemical shift imaging，CSI)检测磷脂代谢产物的研究提示其不能鉴别胶质瘤的IDH突变状态。

磁共振灌注成像：一项基于动态磁敏感增强MRI的研究显示与IDH野生型肿瘤相比，IDH1/2突变的WHO Ⅱ～Ⅲ级肿瘤局部脑血容量和脑血流量更低^[¹⁴^]；基于DCE-MRI的研究发现，K^trans和TTP值是区分HGG IDH突变状态的最佳方法^[²³^]。IDH野生型星形细胞瘤的平均灌注量和最大灌注量均高于IDH突变型星形细胞瘤和少突胶质细胞瘤。灌注比例系数(F)、快速表观扩散系数(fast ADC)等体素内不相干运动成像(intravoxel incoherent motion，IVIM)的参数^[¹⁹^]也有较高的预测率；胶质瘤瘤体及瘤周区域相对最小表观扩散系数(rADCmin)和相对最大脑血容量(rCBVmax)联合应用可能产生最大的IDH基因型预测能力^[²⁴^]。

其他磁共振技术：酰胺质子转移加权(amide proton transfer weighted，APTw)成像研究发现IDH野生型WHO Ⅱ级胶质瘤通常有较高的APTw信号强度^[²⁵^]，提示APTw信号可能是有价值的生物标志物。7.0 T MRI弛豫补偿多池化学交换饱和转移成像(relaxation-compensated multipool chemical exchange saturation transfer)技术可以鉴别IDH突变及LGG与HGG^[²⁶^]。

2.3 影像组学

基于DWI和PWI的多参数MRI影像组学模型、基于DKI和DTI的全肿瘤影像组学分析、基于DSC灌注MRI建立的深度学习神经网络模型、深度半监督学习(deep semi-supervised learning)等均可以预测胶质瘤IDH基因型及评估肿瘤的分级。用影像组学评分、瘤周水肿程度和年龄构建的联合模型可进一步提高对IDH的预测能力，第90百分位值(影像组学特征)和MK 图中“热点”值(影像学特征)与IDH基因型显著相关^[²⁷^]。基于深度学习的脑肿瘤基因研究发现无强化或轻度强化、肿瘤中心区域在T1W和FLAIR呈低信号，以及清晰的肿瘤边缘是IDH突变最重要的特征^[²⁸^]。利用包含MRI、PET和CT等多模态数据建立的深度学习模型区分IDH突变的预测准确率显著优于仅MRI、MRI和PET、MRI和CT模型组^[²⁹^]。基于术前T1W数据中的连接体特征，建立机器学习模型的连接组学(connectomics)方法可以预测IDH基因型，并为肿瘤基因型在大规模脑网络组织中的潜在机制提供了独特的见解。纹理分析是预测胶质瘤基因分型的方法之一，纹理参数的最佳选择会受到序列选择、肿瘤形态和分割方法的影响。DSC-MRI、DCE-MRI直方图分析表明第10百分位数的曲线下面积(AUC)、第90百分位数血管外细胞空间的体积分数(Ve)、以及速率常数(Kep)对预测胶质瘤IDH、MGMT和TERT启动子突变等有良好的预测价值^[³⁰^]。基于FLAIR序列的Haralick纹理参数的初步研究发现同质性参数可以区分肿瘤IDH状态。在IDH基因型预测能力方面，基于影像组学标签和年龄的影像组学列线图表现优于临床影像学模型。此外，生存分析也显示影像组学列线图和IDH基因型的预后值相似。

2.4 其他影像学方法

具有IDH基因突变的LGG脑氧代谢率(cerebral metabolic rate of oxygen，CMRO2)降低，IDH突变的WHO Ⅲ级胶质瘤中微血管型指标(microvessel type indicator，MTI)显著增加^[³¹^]。¹¹C-MET脑PET显像半定量参数SUVmax作为单一参数对IDH1基因突变的预测效能最佳，SUVmax＋SUVpeak的多参数预测效能最好，同时也指出胶质瘤中含少突成分会使¹¹C-MET摄取值增高，这在一定程度上影响了¹¹C-MET对胶质瘤级别的判断效能^[³²^]。靶向成纤维细胞活化蛋白(targeting fibroblast activation protein，FAP) PET-CT成像是一种能够可视化肿瘤基质的新型诊断方法，研究发现IDH野生型WHO Ⅲ～Ⅳ级胶质瘤较IDH突变型、WHO Ⅱ级胶质瘤有更高的示踪剂摄取，表明FAP PET-CT成像有无创鉴别IDH基因型及肿瘤分级的潜在价值^[³³^]。动态¹⁸F-FET PET最短达峰时间(minimal time-to peak，TTPmin)可以很好地预测胶质瘤的IDH野生型状态，特别是对无强化效应的胶质瘤有较高的预测能力。18 kDa易位蛋白(translocator protein 18 kDa，TSPO)在脑肿瘤中过表达，是胶质瘤PET成像的靶标之一。¹⁸F-GE-180是一种新型TSPO配体，其在GBM中摄取最高，而WHO Ⅱ级胶质瘤不摄取，表明摄取特征与WHO分级高度相关，同时也发现IDH野生型胶质瘤摄取趋势更高，可反映IDH突变状态。IDH1突变型胶质瘤具有对缺氧不敏感、糖酵解水平低等代谢特征，通过pH和氧敏磁共振成像(simultaneous pH and oxygen sensitive MRI)可以区分IDH1突变状态，从代谢和微环境特征为诊断提供新思路。

3 IDH突变与肿瘤预后及手术可切除性

3.1 IDH突变与肿瘤预后

IDH突变对胶质瘤患者预后的影响与肿瘤类型及其他基因突变状态有关。目前已知携带IDH突变的肿瘤全基因组DNA甲基化、侵袭性生物学行为惰性增加、总生存期(overall survival，OS)延长^[³⁴^]。IDH野生型LGG基因组异常和生物学行为均与GBM相似，被称为GBM前或类GBM肿瘤，表明IDH突变是胶质瘤最有意义的预后因素之一。环形强化(ring enhancement，RE)对IDH野生型GBM具有很高的敏感性和特异性，是重要预测因子。对无环形强化、非IDH野生型肿瘤而言，肿瘤内钙化(intratumoral calcification，IC)是OS良好的重要预测指标^[³⁵^]。IDH突变型弥漫性星形细胞瘤和间变性星形细胞瘤总体生存率更高。IDH突变型GBM预后好于IDH野生型WHO Ⅱ～Ⅳ级肿瘤。IDH突变、1p/19q未缺失WHO Ⅲ～Ⅳ级胶质瘤和IDH野生型胶质瘤预后无差异。IDH野生型伴有7p增加、10q缺失的间变性星形细胞瘤患者的无进展生存时间(progression-free survival，PFS)较其他患者短。平均或最大灌注量较低的IDH野生型星形细胞肿瘤患者的1年PFS明显短于高灌注组，早期进展风险显著增高，这一发现与O6-甲基鸟苷DNA甲基转移酶的甲基化状态和治疗方法的变化无关。幕下IDH突变星形细胞瘤的临床疗效明显优于H3K27M突变弥漫性中线胶质瘤，而明显低于幕上IDH突变星形细胞瘤。少突胶质细胞瘤IDH1突变和染色体1p/19q联合缺失与化疗和放疗疗效及提高生存率有关；对患者预后的研究也提示对于年龄较小、IDH突变及位于脑前部的肿瘤，术后效果更好。

3.2 IDH突变与手术可切除性

IDH突变状态可能对胶质瘤的手术切除性有影响。从临床角度分析发现，胶质瘤预后与IDH突变状态和手术切除范围有关，即IDH野生型胶质瘤，尽量切除肿瘤强化部分，患者预后更好；对IDH突变型强化少的胶质瘤，尽可能大范围的切除病变，可改善患者预后。

IDH基因突变状态在原发性中枢神经系统胶质瘤的分类中起着越来越重要的作用。在先前胶质瘤生物学研究的基础上，基于分子分型可以分出更多的亚型，以进一步观察肿瘤患者预后，并依托影像组学方法实现对胶质瘤的预后分层预测；基于多种分子病理改变对胶质瘤进行再分组从而研究不同分子分组间肿瘤患者临床及预后特征等是后续的研究方向。高级别星形细胞瘤并非同质肿瘤，其临床表现、影像学特征和组织病理学表现存在异质性，肿瘤异质性的分子生物学研究也是重要的研究方向。

参考文献

Molinaro AM, Taylor JW, Wiencke JK, et al. Genetic and molecular epidemiology of adult diffuse glioma[J]. Nat Rev Neurol, 2019, 15(7): 405-417. DOI: 10.1038/s41582-019-0220-2.

Cohen A, Sato M, Aldape K, et al. DNA copy number analysis of grade II-III and grade IV gliomas reveals differences in molecular ontogeny including chromothripsis associated with IDH mutation status[J]. Acta Neuropathol Commun, 2015, 20(3): 34. DOI: 10.1186/s40478-015-0213-3.

Banan R, Stichel D, Bleck A, et al. Infratentorial IDH-mutant astrocytoma is a distinct subtype[J]. Acta Neuropathol, 2020, 140(4): 569-581. DOI: 10.1007/s00401-020-02194-y.

Chen R, Ravindra VM, Cohen AL, et al. Molecular features assisting in diagnosis, surgery, and treatment decision making in low-grade gliomas[J]. Neurosurg Focus, 2015, 38(3): E2. DOI: 10.3171/2015.1.FOCUS14745.

Karsy M, Guan J, Cohen AL, et al. New molecular considerations for glioma: IDH, ATRX, BRAF, TERT, H3 K27M[J]. Curr Neurol Neurosci Rep, 2017, 17(2): 19. DOI: 10.1007/s11910-017-0722-5.

Smits M, van den Bent MJ. Imaging correlates of adult glioma genotypes[J]. Radiology, 2017, 284(2): 316-331. DOI: 10.1148/radiol.2017151930.

Arita H, Kinoshita M, Kawaguchi A, et al. Lesion location implemented magnetic resonance imaging radiomics for predicting IDH and TERT promoter mutations in grade II/III gliomas[J]. Sci Rep, 2018, 8(1): 11773. DOI: 10.1038/s41598-018-30273-4.

Villanueva-Meyer JE, Wood MD, Choi BS, et al. MRI features and IDH mutational status of grade II diffuse gliomas: impact on diagnosis and prognosis[J]. AJR Am J Roentgenol, 2018, 210(3): 621-628. DOI: 10.2214/AJR.17.18457.

Sonoda Y, Shibahara I, Kawaguchi T, et al. Association between molecular alterations and tumor location and MRI characteristics in anaplastic gliomas[J]. Brain Tumor Pathol, 2015, 32(2): 99-104. DOI: 10.1007/s10014-014-0211-3.

Wakimoto H, Tanaka S, Curry WT, et al. Targetable signaling pathway mutations are associated with malignant phenotype in IDH-mutant gliomas[J]. Clin Cancer Res, 2014, 20(11): 2898-909. DOI: 10.1158/1078-0432.CCR-13-3052.

Fontebasso AM, Bechet D, Jabado N. Molecular biomarkers in pediatric glial tumors: a needed wind of change[J]. Curr Opin Oncol, 2013, 25(6): 665-673. DOI: 10.1097/CCO.0000000000000007.

Sun C, Zhao Y, Shi J, et al. Isocitrate dehydrogenase1 mutation reduces the pericyte coverage of microvessels in astrocytic tumours[J]. J Neurooncol, 2019, 143(2): 187-196. DOI: 10.1007/s11060-019-03156-5.

Hewer E, Phour J, Gutt-Will M, et al. TERT promoter mutation analysis to distinguish glioma from gliosis[J]. J Neuropathol Exp Neurol, 2020, 1;79(4): 430-436. DOI: 10.1093/jnen/nlaa004.

Ding H, Huang Y, Li Z, et al. Prediction of IDH status through MRI features and enlightened reflection on the delineation of target volume in low-grade gliomas[J]. Technol Cancer Res Treat, 2019, 18: 1533033819877167. DOI: 10.1177/1533033819877167.

Juratli TA, Tummala SS, Riedl A, et al. Radiographic assessment of contrast enhancement and T2/FLAIR mismatch sign in lower grade gliomas: correlation with molecular groups[J]. J Neurooncol, 2019, 141(2): 327-335. DOI: 10.1007/s11060-018-03034-6.

Hyare H, Rice L, Thust S, et al. Modelling MR and clinical features in grade II/III astrocytomas to predict IDH mutation status[J]. Eur J Radiol, 2019, 114: 120-127. DOI: 10.1016/j.ejrad.2019.03.003.

Lasocki A, Anjari M, Ӧrs Kokurcan S, et al. Conventional MRI features of adult diffuse glioma molecular subtypes: a systematic review[J]. Neuroradiology, 2020, 25. DOI: 10.1007/s00234-020-02532-7.

Delfanti RL, Piccioni DE, Handwerker J, et al. Imaging correlates for the 2016 update on WHO classification of grade II/III gliomas: implications for IDH, 1p/19q and ATRX status[J]. J Neurooncol, 2017, 135(3): 601-609. DOI: 10.1007/s11060-017-2613-7.

Wang X, Chen XZ, Shi L, et al. Glioma grading and IDH1 mutational status: assessment by intravoxel incoherent motion MRI[J]. Clin Radiol, 2019, 74(8): 651.e7-651.e14. DOI: 10.1016/j.crad.2019.03.020.

Figini M, Riva M, Graham M, et al. Prediction of isocitrate dehydrogenase genotype in brain gliomas with mri: single-shell versus multishell diffusion models[J]. Radiology, 2018, 289(3): 788-796. DOI: 10.1148/radiol.2018180054.

Di Ieva A, Magnussen JS, McIntosh J, et al. Magnetic resonance spectroscopic assessment of isocitrate dehydrogenase status in gliomas: the new frontiers of spectrobiopsy in neurodiagnostics[J]. World Neurosurg, 2020, 133: e421-e427. DOI: 10.1016/j.wneu.2019.09.040.

Goryawala M, Saraf-Lavi E, Nagornaya N, et al. The association between whole-brain MR spectroscopy and IDH mutation status in gliomas[J]. J Neuroimaging, 2020, 30(1): 58-64. DOI: 10.1111/jon.12685.

von Deimling A, Ono T, Shirahata M, et al. Grading of diffuse astrocytic gliomas: a review of studies before and after the advent of IDH testing[J]. Semin Neurol, 2018, 38(1): 19-23. DOI: 10.1055/s-0038-1636430.

Xing Z, Zhang H, She D, et al. IDH genotypes differentiation in glioblastomas using DWI and DSC-PWI in the enhancing and peri-enhancing region[J]. Acta Radiol, 2019, 60(12): 1663-1672. DOI: 10.1177/0284185119842288.

Jiang S, Zou T, Eberhart CG, et al. Predicting IDH mutation status in grade II gliomas using amide proton transfer-weighted (APTw) MRI[J]. Magn Reson Med, 2017, 78(3): 1100-1109. DOI: 10.1002/mrm.26820.

Paech D, Windschuh J, Oberhollenzer J, et al. Assessing the predictability of IDH mutation and MGMT methylation status in glioma patients using relaxation-compensated multipool CEST MRI at 7.0 T[J]. Neuro Oncol, 2018, 20(12): 1661-1671. DOI: 10.1093/neuonc/noy073.

Tan Y, Mu W, Wang XC, et al. Whole-tumor radiomics analysis of DKI and DTI may improve the prediction of genotypes for astrocytomas: a preliminary study[J]. Eur J Radiol, 2020, 124: 108785. DOI: 10.1016/j.ejrad.2019.108785.

Chang P, Grinband J, Weinberg BD, et al. Deep-learning convolutional neural networks accurately classify genetic mutations in gliomas[J]. AJNR Am J Neuroradiol, 2018, 39(7): 1201-1207. DOI: 10.3174/ajnr.A5667.

Matsui Y, Maruyama T, Nitta M, et al. Prediction of lower-grade glioma molecular subtypes using deep learning[J]. J Neurooncol, 2020, 146(2): 321-327. DOI: 10.1007/s11060-019-03376-9.

Zhang HW, Lyu GW, He WJ, et al. DSC and DCE Histogram analyses of glioma biomarkers, including IDH, MGMT, and TERT, on differentiation and survival[J]. Acad Radiol, 2020, 27(12): e263-e271. DOI: 10.1016/j.acra.2019.12.010.

Stadlbauer A, Zimmermann M, Kitzwögerer M, et al. MR imaging-derived oxygen metabolism and neovascularization characterization for grading and IDH gene mutation detection of gliomas[J]. Radiology, 2017, 283(3): 799-809. DOI: 10.1148/radiol.2016161422.

Kebir S, Weber M, Lazaridis L, et al. Hybrid 11C-MET PET/MRI combined with "machine learning" in glioma diagnosis according to the revised glioma WHO classification 2016[J]. Clin Nucl Med, 2019, 44(3): 214-220. DOI: 10.1097/RLU.0000000000002398.

Röhrich M, Loktev A, Wefers AK, et al. IDH-wildtype glioblastomas and grade III/IV IDH-mutant gliomas show elevated tracer uptake in fibroblast activation protein-specific PET/CT[J]. Eur J Nucl Med Mol Imaging, 2019, 46(12): 2569-2580. DOI: 10.1007/s00259-019-04444-y.

Thompson CB. Metabolic enzymes as oncogenes or tumor suppressors[J]. N Engl J Med, 2009, 360(8): 813-815. DOI: 10.1056/NEJMe0810213.

Michiwaki Y, Hata N, Mizoguchi M, et al. Relevance of calcification and contrast enhancement pattern for molecular diagnosis and survival prediction of gliomas based on the 2016 World Health Organization Classification[J]. Clin Neurol Neurosurg, 2019, 187: 105556. DOI: 10.1016/j.clineuro.2019.105556.

上一篇 功能磁共振成像技术在轻微肝性脑病应用中的研究进展

下一篇 机器学习结合fMRI在抑郁症诊断中的研究进展