0 引言

       胶质瘤是最常见的原发性恶性中枢神经系统肿瘤^[1]，其侵袭性高、预后差，即使手术切除并辅助放化疗，不同个体间总生存期（overall survival, OS）差异较大^[2]。目前胶质瘤的预后评估大多依赖于组织病理学结果，但这种方法难以在术前指导临床制订个性化治疗方案；且胶质瘤内固有异质性导致的采样误差会对预测结果产生影响，故如何在术前对胶质瘤患者进行非侵入性个体化预后预测已成为临床迫切需要解决的问题^{[3, 4]}。随着人工智能技术的发展，基于影像组学、深度学习的计算机辅助诊断方法已被引入研究和临床医学领域，在提高诊断准确性的同时减轻了医务人员的工作负担^[5]；已广泛应用于各种疾病的预测，包括胶质瘤的预后评估^{[6, 7, 8]}。炎症反应在肿瘤发展的各个阶段起着关键作用，包括起始、促进、侵袭和转移^{[9, 10]}。随着与肿瘤相关炎症机制逐渐阐明，血液炎性指标也被证实与肿瘤的分级、基因型以及预后相关^{[11, 12]}。以肿瘤为背景的血液炎性指标相关研究，有望为术前预测胶质瘤疗效和生存期提供重要线索^[13]。已有相关研究指出，相较于单个炎性细胞的绝对计数，组合血液炎性指标如系统性炎症指数（systemic immune inflammation index, SII)、全身炎症反应指数（system inflammation response index, SIRI）以及中性粒细胞与淋巴细胞比值（neutrophil-to-lymphocyte ratio, NLR）等，能够更全面地评估患者的整体炎症和免疫状态，在预测许多疾病方面具备更高的价值^{[14, 15]}。但目前在胶质瘤预后评估中，有关影像组学联合血液炎性指标的相关研究仍相对不足。

       本研究旨在利用术前多模态MRI图像构建基于影像组学和深度学习特征评分（radiomics-deep learning score, RD-score）模型，对胶质瘤进行生存危险分层；结合临床-血液炎性指标构建联合模型，探讨联合模型对术前胶质瘤OS的预测价值。

1 材料与方法

1.1 研究对象

       回顾性分析2015年1月至2020年12月在重庆医科大学附属第一医院术后病理证实为胶质瘤的166例患者资料。本研究遵守《赫尔辛基宣言》，经重庆医科大学附属第一医院伦理委员会批准，免除受试者知情同意，批准文号：2019-178。

       纳入标准：（1）患者经肿瘤全切除手术，术后病理证实为胶质瘤；（2）有完整的多模态MRI图像，包括T1加权成像（T1 weighted imaging, T1WI）、T2加权成像（T2 weighted imaging, T2WI）、液体衰减反转恢复（fluid attenuated inversion recovery, FLAIR）序列、对比增强T1加权（T1 weighted contrast-enhanced，T1CE）成像和弥散加权成像（diffusion weighted imaging, DWI）；（3）有完整的术前1周内血液检查资料及生存资料；（4）年龄≥18岁。

       排除标准：（1）根据2021年WHO胶质瘤分类标准，术后病理诊断为WHO 1级胶质瘤；（2）MRI图像序列不全或图像质量不佳无法进行数据分析；（3）合并血液系统疾病、炎症性疾病、自身免疫性疾病、重要器官衰竭等影响研究结果的疾病史。纳入患者按照8∶2的比例随机分为训练集（133例）和验证集（33例）。

1.2 临床及血液学数据收集与处理

       通过医院电子病历系统收集患者的临床信息，包括：（1）一般资料（患者的性别、年龄、肿瘤分级、放疗、化疗情况）；（2）血液资料[患者血液样本中的中性粒细胞计数（neutrophil, NEU）、单核细胞计数（monocyte, MONO）、血小板计数（platelet, PLT）、淋巴细胞计数（lymphocyte, LYM）、白细胞计数（white blood cell, WBC），计算组合变量SII=PLT×NEU/ LYM、SIRI=NEU×MONO/LYM、NLR=NEU/LYM、衍生中性粒细胞与淋巴细胞比值（derived neutrophil-to-lymphocyte ratio, dNLR）=NEU/（WBC-NEU）、单核细胞与淋巴细胞比值（monocyte-to-lymphocyte ratio, MLR）=MONO/LYM、血小板与淋巴细胞比值（platelet-to-lymphocyte ratio, PLR）=PLT/LYM；在训练集中使用survminer包中的surv cutpoint函数确定组合血液炎性指标对胶质瘤患者生存状态的截断值，将患者分成不同的生存风险组，从而更好地预测患者的生存状况；相同的截断值被应用到验证集。

       通过门诊或电话随访收集患者的生存资料信息，包括患者的生存状况和死亡时间。OS定义为自手术后的第一天开始至随访时间或死亡时间。本研究的终点为随访时间或患者的死亡时间，最终随访时间为2022年6月30日，最短随访时间为18月。训练集中，随访截止时仍然存活的患者中，60例随访时间不满5年，28例随访时间不满3年；验证集中，随访截止时仍然存活的患者中，11例随访时间不满5年，5例随访时间不满3年，训练集和验证集中患者随访时间均达1年。

1.3 检查方法

       采用GE Singa HDx 3.0 T MR扫描仪8通道标准头部线圈和Siemens Magnetom Skyra 1.5 T MR扫描仪32通道标准头部线圈进行头颅MRI扫描，扫描范围覆盖枕骨大孔至颅顶；增强扫描注射对比剂为钆喷酸葡胺（Magnevist, Bayer Health Care Pharma AG, Berlin, Germany），注射剂量为0.01 mmol/kg。扫描序列和主要参数见表1。

点击查看表格

表1  各MRI序列主要参数
Tab. 1  Main parameters of each MRI sequence

1.4 图像分割与特征提取

       本研究设计流程如图1所示。使用Simple ITK对图像进行预处理，包括配准和强度标准化。使用ITK‐SNAP软件在T1CE、T2WI、T1WI、FLAIR和DWI序列上逐层手动勾画出三维感兴趣体积（volume of interest, VOI）；主要根据T1CE序列逐层分割肿瘤边缘，然后使用T2WI、T1WI、FLAIR和DWI序列交叉检查肿瘤边缘的精细程度；对于部分未显著强化的低级别肿瘤，根据FLAIR序列逐层分割肿瘤边缘，并结合前述序列交叉检查肿瘤边缘的精细程度；将得到的VOI运用到前述5个序列进行多序列VOI提取。图像分割由具有9年神经放射学经验神经放射医师进行，由具有21年工作经验的神经放射科医师进行审核。两名医师对患者病理结果、临床资料和其他影像学检查结果不知情。

       使用Python（版本3.0.1）从VOI提取组学特征。特征参数包括形态特征、一阶特征、纹理特征及基于小波滤波和LoG滤波的衍生特征。影像组学的特征细节见PyRadiomics文档（https://pyradiomics.readthedocs.io/en/latest/features.html）。

       使用ResNet 3D-18结构以获得深度学习特征。首先，对图像进行预处理，根据勾画的VOI获取病灶的外接矩形框，并将病灶从原始图像中裁剪出来并重采样至224×224×7的指定分辨率。为迁移ResNet 3D-18在大型数据集上预训练得到的特征提取能力，本研究使用ZHANG等^[16]在大型数据集上预训练得到的网络权值，对本地搭建的ResNet 3D-18架构进行了网络权值初始化，充分利用预训练模型的特征提取能力；将外接矩形框图像输入ResNet 3D-18骨干网络计算得到512个特征图，对每个特征图进行全局平均池化层最终得到512个深度学习特征。

点击查看大图

图1  研究设计流程图。FLAIR：液体衰减反转恢复；DWI：弥散加权成像；T1CE为对比增强T1加权；AUC：曲线下面积。
Fig. 1  Flowchart of the study design. FLAIR: fluid attenuated inversion recovery; DWI: diffusion weighted imaging; T1CE: T1 weighted contrast-enhanced; AUC: area under the curve.

1.5 特征筛选及RD-score构建

       最终从5个MRI序列中分别提取组学特征1 132个和深度学习特征512个。使用Z-score对提取的特征进行标准化和归一化处理以增强数据的可比性和准确性。在训练集中，使用最小绝对值收敛和选择算子（least absolute shrinkage and selection operator, LASSO）-Cox回归算法选择具有非零系数的最佳特征，通过十折交叉验证进行参数调整以筛选最佳特征，分别构建基于影像组学特征评分（radiomics-score, Rad-score）、基于深度学习特征评分（deep learning-score, DL-score）以及RD-score模型，计算受试者工作特征曲线下面积（area under the curve, AUC）评估Rad-score、DL-score和RD-score的预测效能。在训练集中使用RD-score的中位数作为截断值将患者分成高风险组和低风险组。应用Kaplan-Meier分析以评估RD-score在预后中的意义，并在验证集中使用相同的截断值验证其效能。

1.6 模型构建和评估

       在训练集中，应用单因素和多因素Cox回归分析筛出独立预测因子并分别建立RD-score模型、临床血液学模型和联合模型。计算AUC评估RD-score模型、临床血液学模型和联合模型的预测效能。绘制可视化列线图以更直观地显示联合模型个性化的1、3、5年生存率，C指数（C-index）评估观察值和预测值之间的区别，绘制校准曲线衡量模型预测结果与观测结果之间的一致性和评估模型的准确度；绘制决策曲线分析（decision curve analysis, DCA）评估模型的临床效用。

1.7 统计学方法

       采用SPSS 25.0软件进行统计分析，符合正态分布的计量资料以（x¯±s）表示，组间比较采用独立样本t检验；不符合正态分布的计量资料以M（P25，P75）表示，组间比较采用Mann-Whitney U秩和检验；计数资料以频数表示，组间比较采用χ²检验。各模型的效能比较采用DeLong检验。P<0.05表示差异有统计学意义。

2 结果

2.1 临床资料

       依据纳排标准，本研究共筛选出166例胶质瘤患者，患者的一般资料见表2，其中SII、SIRI、dNLR、NLR、MLR、PLR的截断值分别为663.71、1.32、2.29、3.11、0.28和136.92。训练集和验证集中患者的临床、血液特征指标及MR扫描仪差异均无统计学意义（P>0.05）。

点击查看表格

表2  训练集和验证集临床和血液炎性指标比较
Tab. 2  Comparison of clinical and hematological inflammatory markers between the training and validation sets

2.2 RD-score的构建

       经LASSO-Cox降维后筛选出18个非零特征（10个组学特征和8个深度学习特征），详见表3，根据以下公式构建score：score=∑inXi ×Yi（X代表相应系数，Y代表相应特征）。训练集和验证集中RD-score的1、3、5年生存率AUC高于Rad-score和DL-score（表4）（DeLong检验，P<0.05），在训练集中，根据RD-score的截断值将患者分为高风险组（RD-score≥1.09）和低风险组（RD-score<1.09）。根据Kaplan-Meier生存分析，我们观察到两组之间存在显著的生存差异（Log-Rank检验，P<0.05）（图2）。Cox比例风险模型结果显示，训练集中，高风险组相对于低风险组具有显著增加的死亡风险[风险比（hazard ratio, HR）=27.37，95%置信区间（confidence interval, CI）：15.60~47.99]；这一结果在验证集中得到了验证（HR=4.04，95% CI：1.21~13.45）。

点击查看大图

图2  根据RD-score绘制生存曲线。在训练队列（2A）和验证队列（2B）中，低风险组的生存率明显高于高风险组。RD-score：影像组学-深度学习评分。
Fig. 2  Kaplan–Meier plot for overall survival of patients stratified by the value of radiomics-deep learning score (RD-score). Significantly favorable survival in low-risk group compared to high-risk group was found in the training set (2A) and the validation set (2B). RD-score: radiomics-deep learning score.

点击查看表格

表3  预测胶质瘤预后的最优特征所属序列及其系数
Tab. 3  The optimal features for predicting glioma prognosis, along with their corresponding sequences and coefficients

点击查看表格

表4  胶质瘤患者总生存期预测的单因素和多因素分析结果
Tab. 4  Univariate and multivariate analysis of Cox proportional hazards of overall survival in glioma patients

2.3 模型的构建与效能评估

       单因素Cox回归分析结果显示年龄、肿瘤分级、术后放疗、术后化疗、SII、SIRI、dNLR、NLR和RD-score为影响胶质瘤预后的关键因素（P均<0.05），纳入上述指标行多因素Cox回归分析，结果显示年龄、肿瘤分级、术后化疗、SIRI和RD-score仍为影响胶质瘤预后的独立因素（P均<0.05）（表4）。联合上述指标分别构建RD-score模型、临床血液学模型及联合模型。训练集和验证集中联合模型预测胶质瘤1、3、5年生存率AUC明显高于RD-score模型及临床血液学模型（DeLong检验，P<0.05）（表5）。绘制联合模型的可视化列线图（图3A），在训练集和验证集中，列线图的C-index分别为0.844（95% CI：0.740~0.948）和0.849（95% CI：0.728~0.940）；校准曲线显示联合列线图模型中胶质瘤1、3、5年预测曲线贴近标准曲线，即模型列线图预测结果与实际结果间的一致性好（图3B）。DCA曲线表现出良好的净收益，具有较强的临床预测能力（图4）。

点击查看大图

图3  3A为胶质瘤患者1、3、5年生存率预后预测列线图。3B为胶质瘤患者列线图模型1、3、5年生存率校正曲线。RD-score：影像组学-深度学习评分；SIRI：全身炎症反应指数。
Fig. 3  3A: Prognosis prediction nomogram of 1-year, 3-year, and 5-year survival rate in glioma patients. 3B: Calibration curves of the survival prediction model for glioma patients at 1-year, 3-year, and 5-year survival rates. RD-score: radiomics-deep learning score; SIRI: system inflammation response index.

点击查看大图

图4  训练集（4A、4B、4C）和验证集（4D、4E、4F）中列线图模型分别预测胶质瘤1、3、5年总生存率的决策曲线。
Fig. 4  In the training set (4A, 4B, 4C) and validation set (4D, 4E, 4F), the decision curves analysis of the survival prediction nomograms for glioma patients at 1-year, 3-year, and 5-year overall survival rates were plotted.

点击查看表格

表5  各模型预测胶质瘤1、3、5年生存率效能
Tab. 5  Performance of various models in predicting 1, 3, and 5-year survival rates for gliomas

3 讨论

       本研究回顾性分析166例胶质瘤患者的多模态MRI图像并提取影像组学与深度学习特征，联合两种特征构建的RD-score可以更为准确地在术前将胶质瘤分为高风险组和低风险组；Cox回归分析结果显示年龄、肿瘤分级、术后化疗、SIRI和RD-score是胶质瘤预后的独立危险因素，充分利用术前血液炎性指标和RD-score构建预后列线图模型，可在术前对胶质瘤患者的OS进行个体化非侵入性预测，具有较好的临床效益。

3.1 胶质瘤术前血液炎性指标的应用

       以往研究已表明炎性指标在肿瘤生存期预测中具有独立预后价值^{[17, 18, 19, 20, 21]}，其中SIRI可反映机体的炎症程度和免疫状态，对胶质瘤患者的诊断和预后预测具有重要价值^{[22, 23, 24]}。本研究经Cox回归发现血液炎性指标SIRI为胶质瘤患者独立预后因素，SIRI水平较高的胶质瘤患者预后较差，这与HE等^[25]的研究结果一致。此外，WANG等^[26]的研究进一步证明基于SIRI构建的预后模型C-index高于NLR 模型，表明在胶质瘤患者的术前预后预测中SIRI可能较NLR具有更大的潜在价值。然而，目前SIRI影响肿瘤预后的相关机制尚未明确，可能与肿瘤免疫逃逸、肿瘤微环境和炎症反应等方面有关^{[27, 28, 29]}。

3.2 胶质瘤组学评分及联合模型的应用

       本研究筛选出8个深度学习特征和10个影像组学特征用于预测胶质瘤患者的OS，其中深度学习特征选择的是3D卷积神经网络结构Resnet 3D-18，与2D模型相比避免了立体信息的丢失，具有更好的准确性，与先前^{[16, 30]}研究一致；虽然深度学习特征在RD-score中的数量多，且具有较高的权重，但它们的可解释性较差。筛选出的10个影像组学特征覆盖了多个图像属性，包括5个一阶特征、2个灰度共生矩阵（gray-level co-occurrence matrix, GLCM）、3个灰度区域大小矩阵（gray-level size zone matrix, GLSZM）特征；这些特征在影像组学分析被用于量化医学影像图像的不同方面，包括亮度分布、纹理复杂性、纹理相关性以及灰度级别的均匀性和分布，以对胶质瘤患者进行预后预测。其中，wavelet.HLL_glcm_SumEntropy特征所占权重最高，该特征用于捕捉图像纹理的复杂性，较高的SumEntropy值意味着图像中不同区域的纹理差异大，图像越复杂，这可能反映了肿瘤内部的异质性。本研究通过联合影像组学特征和深度学习特征建立的RD-score，可以在术前对胶质瘤患者进行危险分层，高风险组和低风险组患者的平均OS有明显差异。此外，多因素Cox回归分析显示RD-score是胶质瘤预后的独立危险因素，RD-score越大的患者死亡风险越高，与既往研究结果一致^{[31, 32]}。

       本研究联合影像组学特征、深度学习特征和临床-血液炎性指标因素构建联合模型，其预测效能较高。HAN等^[33]、魏焕焕等^[34]研究同样构建联合特征用于预测胶质瘤的预后，其性能优于单独应用放射组学或深度学习特征，原因是深度学习可捕获更先进的成像模式，包含了更多的成像异质性，可作为放射组学特征的补充；而影像组学特征包含人类已知的图像属性，这些特征有助于克服复杂和难以解释的深度学习特征的局限性^{[35, 36]}。以上研究均表明结合影像组学与深度学习能够更充分挖掘MRI图像中的潜在信息，这一发现有助于根据不同风险组制定更有效的治疗策略。

       肿瘤不仅仅是局部病变，它还可以对患者的全身状态产生影响；血液炎性指标反映了全身炎症状态和免疫反应，组学评分提供了局部肿瘤的形态、亮度、纹理等信息。联合血液炎性指标、组学评分能更全面地挖掘肿瘤特征，可为胶质瘤患者预后预测提供了不同维度的信息。本研究结果表明，联合RD-score和临床血液学炎性指标建立的列线图可以直观地预测胶质瘤患者的总生存率，可见术前总评分较高与OS短相关。该模型的预测效能较好，训练集和验证集的C-index达到了0.844、0.849，且校准曲线和决策曲线表明该列线图的观测值与预测值间的一致性好，模型的净收益高。本研究选择术前血液学炎性指标作为联合组学评分的因素，与WANG等^[37]等结合术后病理构建的列线图相比，这些指标更廉价、便捷，可非侵入性获取，且同样表现出良好的预测效能。综上所述，结合血液炎性指标与组学评分具有显著的胶质瘤预后预测效能。这种综合方法充分整合了多源信息，能够更全面地评估肿瘤患者的生存期。

       本研究建立的联合列线图可在术前对胶质瘤患者进行简单、直观的预后预测，可为个体化治疗方案的制订提供参考。

3.3 局限性

       本研究存在几个局限性：（1）本研究为单中心回顾性研究，样本量相对较少，缺乏外部测试集，可能导致样本存在偏倚；（2）本研究重点关注术前检查在预后评估中的价值，未纳入术后病理及基因结果；（3）本研究的最小随访时间为18个月，获取的预后信息有限。今后将开展多中心前瞻性研究，增加样本量、延长随访时间，联合术后病理及基因结果，为预测胶质瘤的预后寻求更为稳定可靠的预测方法。

4 结论

       综上所述，基于影像组学和深度学习特征构建的RD-score，能够对胶质瘤患者进行有效的危险分层。同时，联合RD-score和血液炎性指标建立的列线图能较准确地在术前预测胶质瘤患者的OS。有望辅助临床实现胶质瘤患者的个体化诊疗。