孤立性纤维瘤/血管外皮细胞瘤(solitary fibrous tumor/hemangiopericytoma，SFT/HPC)在2016年的中枢神经系统分类中被分为三个级别，WHO Ⅱ级在过去被诊断为血管外皮细胞瘤(hemangiopericytoma，HPC)^[1]。HPC是一类脑膜间叶组织来源肿瘤，仅占所有原发性中枢神经系统肿瘤的1%^[2]。血管瘤型脑膜瘤(angiomatous meningioma，AM)是脑膜瘤的一种组织学亚型，其特征是高血管性肿瘤组织，WHO分级为Ⅰ级^[3]。Ⅱ级SFT/HPC和AM具有相似的MRI表现，虽然已有研究显示MRI表现对SFT/HPC和AM的鉴别诊断具有一定的价值，如大小、信号强度、血管流空信号、脑膜尾征等^{[4, 5]}，但是往往会受到放射科医师的主观影响，因此常规MRI对两者的鉴别能力有限^{[6, 7]}，而相对于AM，Ⅱ级SFT/HPC具有较高的局部复发率和颅外转移^[8]，首次治疗最大程度的手术切除是影响患者预后及生存的最重要因素^{[9, 10]}。因此，准确地术前鉴别诊断Ⅱ级SFT/HPC和AM在临床实践中具有重要意义。

       影像组学(radiomics)通过从不同模态的影像中提取高通量的影像特征^[11]，一定程度上实现了肿瘤的诊断与鉴别诊断、肿瘤的异质性与预后的评价，已经广泛应用于中枢神经系统病变的研究^{[12, 13, 14]}，但国内外应用影像组学研究颅内SFT/HPC与AM的鉴别诊断尚较少，且这些研究多来自单中心。本研究通过对两个中心的Ⅱ级SFT/HPC和AM回顾性分析，旨在探讨多参数MRI影像组学特征在Ⅱ级SFT/HPC和AM的鉴别诊断价值。

1 材料与方法

1.1 一般资料

       回顾性收集2015年6月至2020年9月期间青岛大学附属医院、广西医科大学第一附属医院患者病例共109例，本研究经青岛大学附属医院医学伦理委员会批准(批准文号：QYFYwzLL26524)、广西医科大学第一附属医院医学伦理委员会批准[批准文号：2021 (KY-E-201)]，免除受试者知情同意。纳入标准：(1)病理诊断为Ⅱ级SFT/HPC或AM；(2)均接受术前MRI检查且无图像伪影；(3)初次诊断且未经任何治疗。然后通过统一标准的图像存档与通信系统(picture archiving and communication system，PACS)将患者术前MRI图像以DICOM格式导出。排除标准：(1)既往有脑外科手术或活检史；(2)既往有颅内疾病史，如蛛网膜下腔出血、脑梗死等。

1.2 MR图像采集

       采用西门子SKYRA 3.0 T及GE Signa HDX 3.0 T 磁共振仪进行检查，患者仰卧位，采用标准头线圈，进行轴位扫描。西门子SKYRA 3.0 T扫描参数：T1WI：TR 1800 ms，TE 8.5 ms；FLAIR：TR 9000 ms，TE 85 ms；T1WI增强：TR1800 ms，TE 8.5 ms；层厚5 mm，层间距1 mm，FOV 230 mm×230 mm。GE Signa HDX 3.0 T扫描参数：T1WI：TR 1800 ms，TE 24 ms；FLAIR：TR 8000 ms，TE 165 ms；T1WI增强：TR 2250 ms，TE 24 ms；层厚5 mm，层间距1 mm，FOV 230 mm×230 mm。经肘静脉应用高压注射器注射0.2 mL/kg钆喷酸葡胺(拜耳先灵，德国)后行增强扫描。

1.3 图像分析

1.3.1 图像分割

       将T1WI增强图像以DICOM格式导入到3D slicer (Version：4.8.1，http://www.slicer.org/)软件，由1名具有7年神经系统疾病诊断经验的放射科医师逐层勾画病灶边缘，确定病灶边界，合成三维感兴趣区(region of interest，ROI)；每一次勾画均由另1名具有25年神经系统疾病诊断经验的放射科医师进行核对。ROI包括整个肿瘤，不包含肿瘤周围水肿区、大血管、静脉窦和增强的脑膜等。选取肿瘤强化明显的时相，参考T1WI增强图像对FLAIR、T1WI图像逐层勾画病灶边缘，以确保三个序列的ROI范围大致一致。

1.3.2 图像标准化

       由于两个中心的MR扫描仪和重建参数不同，在提取特征之前，对MRI图像进行标准化处理，包括重采样、降噪及小波变换，重采样到1 mm×1 mm×1 mm的体素大小，并进行高斯滤波，sigma值分别为0.5、1.0、1.5^[15]。

1.3.3 特征提取

       应用3D slicer软件对109例患者治疗前MRI图像的特征进行提取，共提取1166个定量参数，包括形态特征、一阶特征、灰度共生矩阵(gray level co-occurrence matrix，GLCM)特征、灰度区域大小矩阵(gray level size zone matrix，GLSZM)特征、灰度行程长度矩阵(gray level run length matrix，GLRLM)特征、邻域灰度差矩阵(neighboring gray tone difference matrix，NGTDM)特征和灰度相关矩阵(gray level dependence matrix，GLDM)特征。

1.4 影像组学模型建立与验证

       对于特征筛选，采用最小冗余最大相关(minimum redundancy maximum relevance，mRMR)和最小绝对收缩和选择算子(least absolute shrinkage and selection operator，LASSO)算法进行降维，并采用Logistic回归模型筛选最优的影像组学特征。将选择的具有非零系数的特征各自的系数加权线性组合，获得每例患者的影像组学分数(Rad-分数)^[16]。采用受试者操作特征(receiver operating characteristic，ROC)曲线评估模型鉴别Ⅱ级SFT/HPC和AM的效能，计算曲线下面积(area under the curve，AUC)、准确率、敏感度和特异度。

1.5 统计学分析

       采用R软件(Version：3.5.1，https://www.Rproject.org)和IBM SPSS Statistics 22.0进行统计学分析。符合正态分布的计量资料用x¯±s表示，两组间比较采用独立样本t检验。非正态分布资料采用中位数(上、下四分位数)表示，两组间比较采用Mann-Whitney秩和检验。计数资料以频数表示，组间计数资料的比较采用χ²检验或Fisher确切概率法。本研究Ⅱ级SFT/HPC与AM的发病年龄采用两独立样本t检验，性别采用Fisher确切概率法，以P＜0.05为差异有统计学意义。

2 结果

2.1 一般资料

       本研究Ⅱ级SFT/HPC患者共68例、AM患者共41例，按7∶3的比例将患者随机分为训练组(n=77)和验证组(n=32)。其中青岛大学附属医院Ⅱ级SFT/HPC患者53例，AM患者29例；广西医科大学第一附属医院Ⅱ级SFT/HPC患者15例，AM患者12例。本研究两组患者的年龄差异有统计学意义(P＜0.001)，性别差异无统计学意义(P=1.000，表1)。

点击查看表格

表1  Ⅱ级SFT/HPC和AM患者的临床资料比较
Tab. 1  Comparison of clinical data of patients with grade Ⅱ SFT/HPC and AM

2.2 影像组学特征

       每例患者的每个序列均得到1166个影像组学特征，经过mRMR和LASSO对高维数据进行降维，最终T1WI选择了16个系数非零的影像组学特征，FLAIR选择了13个特征，T1WI增强选择了12个特征，然后结合三个序列，选择了9个最具诊断价值的影像组学特征(图1、表2)。

点击查看大图

图1  多参数MRI图像。A：二项式偏差随参数λ变化曲线图；B：影像组学特征系数随λ变化的曲线图。注：使用LASSO回归对影像组学特征进行筛选，利用交叉验证选择最优模型参数λ。纵轴为二项式偏差，横轴表示log (λ)值。上方数字表示筛选出特征的数量。垂直虚线表示实现最小二项式偏差的最佳λ取值所对应的log (λ)值(A)；垂直虚线对应使用交叉验证后所筛选出的非零特征(B)。
Fig. 1  Multi-parameter MRI images. The curve of binomial deviance changing with parameter λ (A) and the curve of the radiomics features coefficients as λ changes (B) (Multi-parameter MRI images). LASSO regression was used to screen the radiomics features, and cross validation was used to select the optimal model parameter λ. The y-axis shows the binomial deviance, the x-axis shows the log (λ). The top number indicates the number of screened features. The vertical dashed line represents the value of log (λ) corresponding to the best value of λ for the smallest binomial deviance (A); vertical dashed lines correspond to non-zero features screened out using cross validation (B).

点击查看表格

表2  不同参数MRI序列系数非零的影像组学特征
Tab. 2  Radiomics features of non-zero coefficients of MRI sequence with different parameters

2.3 影像组学特征鉴别Ⅱ级SFT/HPC与AM的效能

2.3.1 T1WI影像组学模型鉴别效能

       T1WI的训练组中影像组学特征模型鉴别Ⅱ级SFT/HPC与AM的AUC为0.98，95%可信区间(confidence interval，CI)：0.96～1.00。验证组中AUC为0.94，95% CI：0.86～1.00 (图2)。

点击查看大图

图2  基于T1WI图像影像组学模型鉴别诊断Ⅱ级SFT/HPC与AM的ROC曲线。
图3  基于FLAIR图像影像组学模型鉴别诊断Ⅱ级SFT/HPC与AM的ROC曲线。注：SFT/HPC：孤立性纤维瘤/血管外皮细胞瘤；AM：血管瘤型脑膜瘤。
图4  基于T1WI增强影像组学模型鉴别诊断Ⅱ级SFT/HPC与AM的ROC曲线。注：SFT/HPC：孤立性纤维瘤/血管外皮细胞瘤；AM：血管瘤型脑膜瘤。
图5  基于多参数MRI图像影像组学模型鉴别诊断Ⅱ级SFT/HPC与AM的ROC曲线。注：SFT/HPC：孤立性纤维瘤/血管外皮细胞瘤；AM：血管瘤型脑膜瘤。
图6  多参数MRI图像影像组学模型的决策曲线分析(DCA)，纵轴为标准净收益，横轴为阈值概率。
Fig. 2  The ROC curves of grade Ⅱ SFT/HPC and AM were differentiated based on the radiomics model of T1WI images.
Fig. 3  The ROC curves of grade Ⅱ SFT/HPC and AM were differentiated based on the radiomics model of FLAIR images.
Fig. 4  The ROC curves of grade Ⅱ SFT/HPC and AM were differentiated based on the radiomics model of contrast-enhanced T1WI images.
Fig. 5  The ROC curves of grade Ⅱ SFT/HPC and AM were differentiated based on the radiomics model of multi-parameter MRI images.
Fig. 6  Decision Curve Analysis (DCA) of multi-parameter MRI images radiomics model. The y-axis shows the standardized net benefit, the x-axis shows the threshold probability.

2.3.2 FLAIR影像组学模型鉴别效能

       FLAIR的训练组中影像组学特征模型鉴别Ⅱ级SFT/HPC与AM的AUC为0.92，95% CI：0.87～0.98。验证组中AUC为0.91，95% CI：0.81～1.00 (图3)。

2.3.3 T1WI增强影像组学模型鉴别效能

       T1WI增强的训练组中影像组学特征模型鉴别Ⅱ级SFT/HPC与AM的AUC为0.89，95% CI：0.81～0.97。验证组中AUC为0.86，95% CI：0.73～0.99 (图4)。

2.3.4 多参数MRI序列影像组学模型鉴别效能

       T1WI、FLAIR及T1WI增强联合的训练组中影像组学特征模型鉴别Ⅱ级SFT/HPC与AM的AUC为0.99，95% CI：0.97～1.00。验证组中AUC为0.98，95% CI：0.95～1.00 (图5)。

       各个序列的训练组和验证组的敏感度、特异度、准确率、AUC值见表3所示。

点击查看表格

表3  模型鉴别诊断Ⅱ级SFT/HPC与AM的效能
Tab. 3  Effectiveness of the model in differential diagnosis of grade Ⅱ SFT/HPC and AM

2.4 决策曲线分析(decision curve analysis, DCA)评估模型的临床应用价值

       本研究应用DCA来评估模型的临床应用价值，多参数联合序列模型显示在0.05～1的阈值概率下，模型可为患者带来临床净收益，“None”表示不给予相关预测及干预时患者无法获得临床收益；“All”表示患者接受预测或干预时获得的临床收益(图6)。

3 讨论

       本研究基于T1WI、FLAIR及TIWI增强序列获得不同的影像组学特征，建立影像组学模型鉴别Ⅱ级SFT/HPC和AM，旨在提高两者术前诊断准确率，结果显示在训练组及验证组中均得到较好的鉴别效能，在DCA中表现出较高的临床实用性。

3.1 相关研究比较

       国内外已有研究探究影像组学在颅内SFT/HPC与AM鉴别诊断中的价值。Wei等^[5]比较临床数据模型、影像组学模型及临床数据结合影像组学模型对SFT/HPC及AM的鉴别效能，结果显示临床数据结合影像组学模型优于单一模型。Dong等^[17]建立多参数MRI影像组学模型鉴别诊断SFT/HPC与AM，在训练组及验证组中表现出良好的鉴别效能。Li等^[18]基于MRI序列建立的影像组学模型比基于临床特征构建的模型更好地鉴别SFT/HPC与AM，并且高于放射科医师的鉴别效能。上述研究均来自单中心，还需多中心数据来验证模型的泛化性。本研究收集了两个中心的数据，探讨多参数MRI影像组学特征鉴别诊断Ⅱ级SFT/HPC和AM的价值。

3.2 两组肿瘤不同序列影像组学特征模型对比分析

       本研究结果表明多参数MRI影像组学特征模型能较好地鉴别Ⅱ级SFT/HPC和AM，训练组及验证组AUC分别为0.99、0.98。多参数MRI序列结合了不同序列的特点，因此具有更高的鉴别诊断效能^{[19, 20]}。Dong等^[17]结合T1WI、T2WI、T1WI增强序列得到多参数影像组学模型，较准确地鉴别SFT/HPC和AM (训练组和验证组的准确率为0.887、0.831)，表明多参数影像组学模型优于单一序列模型，与我们的结果一致。

       单个序列结果显示基于T1WI影像组学特征诊断效能优于FLAIR及T1WI增强，训练组及验证组AUC分别为0.98、0.94，且在多参数MRI影像组学特征中，T1WI特征所占比例最大，该结果可能由于两种肿瘤在T1WI上异质性更明显，如分叶状、坏死囊变等，与文献报道Ⅱ级SFT/HPC多发生坏死囊变，且多呈分叶状相符^{[21, 22]}。T1WI增强图像能较好地反映肿瘤内部异质性及结构(如肿瘤血管生成)^[23]，本研究中训练组及验证组AUC分别为0.89、0.86，在三个序列中最低，Dong等^[17]研究中T1WI增强模型的AUC最低，与我们的结果一致，可能由于两种肿瘤内部新生血管不丰富，结构异质性不明显。Li等^[18]从FLAIR、DWI及T1WI增强三个序列各提取498个影像组学特征，构建支持向量机(support vector machine，SVM)分类器鉴别SFT/HPC和AM，结果显示T1WI增强AUC最高，可能由于SFT/HPC多表现为蛇形血管，AM为根状血管，结构异质性较大。

3.3 两组肿瘤影像组学特征模型临床应用价值

       本研究还应用DCA来评估模型的临床应用价值，DCA是一种通过净收益高低评估模型可靠性的方法，由Vickers和Elkin在2006年提出^[24]。本研究中多参数MRI影像组学模型的决策曲线分析表明，在较大范围的阈值概率下，该模型具有较高的标准净收益，表明该模型具有较高的临床应用价值。Wei等^[5]通过将临床影像学特征与影像组学特征相结合鉴别SFT/HPC和AM，并应用DCA来评估临床应用价值，结果显示，在训练组中，模型的净改善率为0.21%，在验证组中，模型的净改善率为0.19%，表明模型具有较好的临床实用性。

3.4 局限性

       本研究还存在以下不足：首先，这是一个回顾性的研究，可能存在选择偏倚；其次，因本研究中的病例为罕见病例，故收集的数据量较少，还需要更多数据量来进行验证；最后，由于部分患者缺少T2WI，故本研究仅纳入T1WI、FLAIR及T1WI增强序列数据进行研究，在后期研究中，我们会补充收集T2WI序列对研究结果进行验证。

       综上所述，相比传统的影像学方法，基于影像组学的方法能更加全面、客观、准确地鉴别Ⅱ级SFT/HPC和AM，帮助临床医师制订最佳的治疗方案，帮助患者改善预后。