0 前言

       脑膜瘤是最常见的原发性中枢神经系统肿瘤之一，在所有中枢神经系统肿瘤中占比36.4%^[1]，大多数脑膜瘤是良性的^[2]，只有1%是恶性，但发病率和死亡率逐步上升^[1]。根据目前的脑膜瘤治疗指南，无症状WHO 1级的脑膜瘤患者，一般不给予外科治疗，大部分有症状或肿瘤体积较大的患者主要是进行手术干预。术后残余脑膜瘤可适当给予分次放疗或立体定向放射治疗^[3]，而WHO 3级脑膜瘤除以上治疗之外，部分患者仍需要接受化疗^[4]。因此，脑膜瘤的早期诊断、分级及预后复发对临床制订全面、个体化的诊疗计划至关重要。随着人工智能技术的迅速崛起，其在医学中得到广泛应用，且在医学影像领域方面的应用最为突出^[5]。人工智能提供了一种客观的、定量的方法来分析成像数据，而不是依据人类视觉观察相对有限的主观判断，这为未来精准医疗带来了希望^[6]。本文旨在通过综述影像组学和深度学习（deep learning, DL）在脑膜瘤各方面中的应用，提高人们对其的了解和重视，为临床制订治疗方案提供帮助。

1 影像组学和DL概述

       2012年，荷兰学者LAMBIN等^[7]提出影像组学的概念，其通过多种算法将高维影像信息转化为丰富的数字数据，挖掘传统医学影像图像所不能显示的纹理特征来反映肿瘤的异质性信息。影像组学具有非侵入性、客观性、准确性、较高的可重复性等特点，在肿瘤学相关研究中广泛应用^[8]。DL是机器学习的一个属支，能够自动、精准、快速地分割、提取特征，解决了手动勾画感兴趣区（region of interest, ROI）工作量大的难题，且减小了由手工分割造成的误差，极大提高了医务人员的工作效率。

2 影像组学和DL在脑膜瘤中的应用

2.1 脑膜瘤分级分型

       为了探讨纹理分析术前能否较为准确地区分高级别、低级别脑膜瘤，潘波敏等^[9]在增强T1WI序列最大层面勾画ROI，对提取的纹理特征分析后发现其中熵值效能最高，AUC为0.821，敏感度为89.2%，特异度为68.2%。与虞芯仪等^[10]研究结果一致，这可能是因为熵值与肿瘤异质性有一定关系^{[11, 12]}，即脑膜瘤级别越高、熵值越高。另外，郑茜等^[13]的研究表明，基于增强T1WI的纹理特征能量预测效能最佳，这是因为能量反映图像灰度的均匀度，而熵值反映纹理信息的均匀度，二者均在不同层面表示肿瘤信号的均一性程度。但以上研究均只分析了肿瘤的局部信息，会导致肿瘤信息不完整进而影响研究结果的准确性。李晓欣等^[14]在轴位采用手动三维勾画方法，对肿瘤全域进行分析，结果显示肿瘤均匀性具有最佳分级诊断性能，AUC为0.708。除此之外，杨椿雪等^[15]在矢状位上勾画了全域肿瘤，在加入矢状位特征之后预测效能有所提升，AUC为0.976，这可能是因为矢状位图像包含不同的肿瘤信息。相较于病灶二维勾画，三维勾画使得肿瘤信息更加丰富，可以提高其工作性能。目前影像组学分析的实施仍然依赖手动分割，手动分割费力、乏味，并且容易受到观察者之间和观察者内部差异的影响，因此迫切需要自动分割来提高工作效率。CHEN等^[16]应用自动分割替代人工分割在脑膜瘤分级影像组学分析中的可行性研究，结果显示与手动分割性能相近，AUC高达0.880。自动分割不仅能自动快速的分割肿瘤，而且拥有手动分割的精确性；但是，对于侵袭性较高的脑膜瘤，由于其与邻近结构分界欠清，自动分割效果并不理想，未来随着DL算法的不断优化，自动分割仍具有广泛的应用前景。

       CHU等^[17]基于T1WI增强图像，构建logistic回归模型对脑膜瘤分类，研究结果显示AUC为0.948，敏感度、特异度分别为91.7%、100%，这可能是因为该研究中扫描设备、参数、注射剂量及速度完全相同，避免了以上因素对研究结果造成的影响。HU等^[18]利用常规MRI+表观扩散系数（apparent diffusion coefficient, ADC）+磁敏感加权成像序列构建多模态预测模型，应用随机森林（random forest, RF）算法所得AUC值为0.840，而仅分析单序列的模型AUC值均小于0.800，与KE等^[19]的研究结果类似，表明多模态影像组学模型可显著提高对脑膜瘤分级的分类效能。不同的机器算法所建立的模型效能存在差异，HAN等^[20]基于不同序列利用6种不同算法建立模型，结果发现基于T1WI序列的支持向量机（support vector machine, SVM）模型效果最佳，AUC为0.956，这与上述多模态模型效果更佳的研究结果相悖，原因可能是该研究样本量较小而提取的特征数量较多，导致过拟合风险增加。DUAN等^[21]对不同模型进行比较，研究表明SVM和KNN（K最近邻）的模型表现优于其他模型，净效益较大，该研究的新颖之处在于相较于单一AUC值来评价模型的效益，增加了新的评价方法决策曲线分析（decision curve analysis, DCA）曲线，DCA曲线在临床使用中更具科学性和实用性。

       与传统的影像组学比较，DL能够快速、准确地获取大量、完善的影像组学特征，极大地提高了数据分析效率，BANZATO等^[22]利用深度卷积神经网络（dynamic convolution neural network, DCNN）模型对脑膜瘤分类，结果显示在区分良性、非典型/间变性脑膜瘤方面，DCNN模型预测效能良好，AUC为0.94。也有研究建议联合DL与影像组学，探索其在脑膜瘤分级、分型中的性能，ZHU等^[23]的研究表明，在常规增强T1WI的基础上，DL影像组学（DL Rradiomics, DLR）模型可以很好地确定脑膜瘤的病理分级，其性能优于手工影像组学（hand-crafted radiomic, HCR）模型，联合DLR模型和HCR模型的诊断效率略有提高，AUC为0.811～0.816，且模型特异度及敏感度表现良好，这是因为DL可以自动获得更加全面、广泛的肿瘤特征。

       脑膜瘤亚型众多，不同类型脑膜瘤的成分、质地不同，手术方式也有所不同，比如纤维型脑膜瘤质地较硬，手术难度较大，复发率较高^[24]。有研究表明纹理参数对鉴别成纤维型脑膜瘤与非成纤维型脑膜瘤有一定意义^[25]，韩涛等^[26]基于T2WI、增强T1WI序列建立不同影像组学模型术前鉴别纤维型脑膜瘤与非纤维型脑膜瘤，结果显示RF模型鉴别效能最高，验证集AUC为0.752，准确率为71.7%，本研究准确率较低可能是由于未对非纤维型脑膜瘤具体分型。NIU等^[27]基于T1WI增强图像建立了Fisher判别分析模型，成功区分了脑膜上皮型、纤维型和移行型脑膜瘤，其测试集准确率高达100%。DL和影像组学在脑膜瘤病理分级中的应用成熟，但是在脑膜瘤分型方面的研究较少，这是因为脑膜瘤亚型较多，部分亚型脑膜瘤发病率较低，而DL训练模型需要巨大的数据量，难以大量搜集。

2.2 脑膜瘤鉴别诊断

       如今，医学成像在中枢神经系统肿瘤的术前诊断和鉴别诊断中起着重要作用^[28]，血管型脑膜瘤（angiomatous meningioma, AM）、不典型脑膜瘤与孤立性纤维瘤（solitary fibrous tumor, SFT）/血管外皮细胞瘤（hemangiopericytoma, HPC）在影像学上的表现极其相似，仅凭影像学特征难以准确鉴别。LI等^[29]基于不同序列（T1WI增强、T2-FLAIR、扩散加权成像）和临床特征建立了4个预测模型，结果表明T1WI增强模型AUC为0.900，明显高于其他模型。付圣莉等^[30]与DONG等^[31]应用多模态影像组学模型，研究结果表明多模态MRI联合应用具有较高的诊断价值，AUC分别为0.990、0.959，这与上述研究结果一致。王宝龙等^[32]应用纹理分析方法鉴别SFT/HPC及AM，结果显示联合标准差与平均值的模型鉴别诊断意义最高，AUC为0.816。CHEN等^[33]利用DL方法训练T1WI增强图像鉴别SFT/HPC和脑膜瘤，结果显示DL模型在验证集上取得了88.9%的分类准确率，AUC为0.910，这表明基于DL的预测模型可以提高二者的鉴别效能。

       除此之外，前庭神经鞘瘤（vestibular schwannoma, VS）和桥小脑角区脑膜瘤（cerebellopontine angle meningioma, CPAM）二者影像表现有所差异，VS更易囊变及微小出血，而脑膜瘤强化更为均匀，具有典型的“硬膜尾征”^[34]，但是以上表现并不具有特异性^[35]，当其表现不典型时，其鉴别难度增大甚至无法鉴别^[36]。郑昀旭等^[37]分析肿瘤的三维纹理信息鉴别VS和CPAM，研究结果表明T1WI的异质性和偏度值具有良好的鉴别效能，AUC分别为0.870、0.720。鞠文萍等^[38]的研究结果显示T2WI对比参数诊断效能最佳，AUC为0.971。类似地，MAKI等^[39]的研究评估CNN区分脊髓神经鞘瘤和脑膜瘤的性能，结果表明CNN成功区分了脊髓神经鞘瘤和脑膜瘤，其诊断准确性与高年资的放射科医生相当。以上研究表明影像组学及DL在脑膜瘤术前鉴别SFT/HPC与脑膜瘤、VS与脑膜瘤中具有良好的表现，并且基于多模态/多参数MRI的多种影像学特征的研究相较单序列/单参数建立的模型更具有优势，可以为临床提供一定的帮助。

2.3 预测脑膜瘤复发及脑侵犯

       与WHO 1级脑膜瘤相比，高级别脑膜瘤具有潜在恶性^[40]，这类肿瘤局部复发风险较高、预后差、总体生存率较低，因此术前准确预测脑膜瘤复发、脑侵犯极为重要。ZHANG等^[41]首次利用影像组学方法预测颅底脑膜瘤复发，结果显示基于T1最大概率、T1簇阴影和ADC相关性建立的二叉决策树模型预测准确率最高为90.0%。一项多中心研究表明^[42]，脑膜瘤的低球形度与高局部复发率、低生存率相关，基于影像组学特征联合临床特征的RF模型预测效能最高，AUC为0.780，但由于纳入病例中包含原发及复发脑膜瘤，具有相对异质性；HSIEH等^[43]的研究也表明结合纹理特征和临床特征建立SVM模型具有预测矢状窦大脑镰旁脑膜瘤复发的潜力，AUC为0.880。除此之外，另一项研究^[44]基于T1WI增强和T2WI序列建立了SVM预测模型，用来术前预测脑膜瘤侵犯的能力，研究结果显示AUC高达0.819。SUN等^[45]利用DL方法预测脑膜瘤窦侵犯的状态，基于肿瘤ROI及瘤周ROI建立预测模型，结果显示使用组合ROI构建的模型性能显著高于仅使用肿瘤构建的模型，可能是由于瘤周ROI携带更多肿瘤边界的纹理特征，提高了模型的预测效能。

2.4 预测脑膜瘤基因表型

       基因谱通常用于预测生存，不同的基因与肿瘤的异质性相关，比如恶性程度、侵袭性、预后及复发，术前准确预测肿瘤的基因表型有助于指导临床决策，尤其是治疗的选择。肿瘤细胞中有许多基因表型，如乳腺癌中常见的原癌基因HER-2（人表皮生长因子受体-2），在部分脑膜瘤中也有表现，WANG等^[46]的研究表明该基因过度表达刺激人脑膜瘤细胞增殖和侵袭，这会加快脑膜瘤的发生和发展。另外两项研究结果显示Survivin基因也同样与脑膜瘤的恶性程度及复发相关，能够作为预测脑膜瘤不良预后的有效指标，并且Survivin基因与核蛋白Ki-67指数成正相关^{[47, 48]}。ZHAO等^[49]利用机器学习方法建立临床影像组学模型预测脑膜瘤Ki-67增殖指数，AUC为0.700，相较于KHANNA等^[50]的研究预测效能较低。P53基因是肿瘤发生发展中重要的抑癌基因，在多种肿瘤中都有表达，该基因与脑膜瘤的体积大小、恶性程度及其预后复发显著相关^{[51, 52]}。欧阳治强等^[53]基于T1WI增强图像的影像组学特征建立模型预测脑膜瘤P53基因表型，结果表明基于影像特征与影像组学特征建立的联合模型具有明显优势，AUC高达0.954。此外，该学者的另一项研究^[54]表明该联合模型在预测脑膜瘤Ki-67指数表达方面仍然具有出色的表现，且研究中还指出诺谟图模型可以量化各种可能存在的风险因素，为患者制订个体化可靠的参考依据。除此之外，B细胞淋巴瘤（Bcl-l）、2型神经纤维瘤病（NF2）等基因表型也与脑膜瘤的发生发展、男女发病比例及肿瘤恶性转换有一定关系。以上研究联合基因组学与影像组学，探索影像组学预测脑膜瘤基因表型的可行性，研究结果显示影像组学及DL在此方面具有出色的表现，并为临床个性化诊疗提供了重要依据。但其不足在于病例局限于单中心且数量较少，所获数据单一且不稳定，这可能导致最终获得的研究结果有所偏差。

3 局限性

       近年来人工智能相关研究如火如荼，以影像组学与DL为代表的人工智能在医学影像领域应用广泛，在脑膜瘤的分级与预后预测中具有很高的临床价值。但是最终应用于临床中还面临着很多挑战，包括数据的标准化以及算法的不透明性和不可解释性等问题。影像数据是人工智能与医学影像联合的枢纽，数据的科学性、质量、成本、标准化程度等与人工智能的应用效果直接相关。目前大多数的人工智能研究处于初级阶段，多中心、大样本的研究比较少见。不同医疗机构间成像设备的扫描参数、采集时间以及重建算法等存在不一致，因此影像数据缺乏统一标准，导致不同医院间的系统性偏差不可避免，数据共享难度大、图像质量难以得到保证。除此之外，对于图像数据ROI的勾画也难以进行标准化，不同的研究者、不同的勾画方法以及不同的分割阈值所勾画的ROI均存在一定差别，导致研究过程的再现存在一定困难。

       DL的算法是抽象且高度假设的，这就导致某些算法的偏差难以被察觉，影响结果的准确性；而且DL本身并不具备逻辑和推理能力，其得出的结论缺乏有效的解释方法，这可能会在一定程度上限制其在临床的广泛应用。同时，影像组学特征虽然被认为可以体现人眼无法辨认的病灶微观或分子水平上的改变，但尚缺乏基因遗传等方面的直接证据，而且研究所得的部分影像组学参数特征也难以用现有的医学知识进行解释。影像组学特征的稳定性和普适性有待考量，最终进一步地推广和应用于临床决策道阻且长。

4 总结与展望

       精准智能影像诊断的全新时代已经到来。现有研究结果表明，以影像组学和DL为代表的人工智能能够定量精确，高效可重复地应用于脑膜瘤的分级及预后预测，具有较高的诊断准确率及临床应用潜能。此外，随着数据的积累与标准化以及计算机理论算法的发展，有望实现脑膜瘤的个性化精准医疗，迈进精准智能影像时代。