0 引言

       成人颅内弥漫性胶质瘤包括星形细胞瘤、少突胶质细胞瘤以及胶质母细胞瘤，根据病理学特征弥漫性胶质瘤可分为4级^[1]，其中WHO 2~3级星形细胞瘤及少突胶质细胞瘤被称为较低级别胶质瘤（lower-grade gliomas, LGG）。1号染色体臂短臂和19号染色体长臂（1p/19q）是诊断LGG分子分型的关键病理学标志物。1p/19q状态能够反映LGG 的生物学及临床特征，例如在预后评估中，1p/19q 联合缺失型（1p/19q co-deleted, 1p/19q-Codel）型LGG患者的预后较1p/19q 未联合缺失型（1p/19q non-codeleted, 1p/19q-Noncodel）型LGG好^{[2, 3]}。同时，1p/19q缺失状态在指导手术切除范围以及化疗药物选择上发挥重要作用^{[4, 5]}。目前，对于1p/19q分子特征的诊断只能通过术后病理进行检验，但此手段是有创的，并且存在假阳性的情况^[6]。研究表明，影像学特征可以完善病理学分析结果，从而实现对LGG分子分型的精准诊断^[7]。

       MRI作为一种无创性成像诊断工具，用于胶质瘤的术前诊断、术中监测及术后随访，为胶质瘤分子分型术前预测提供了可能性。先前的研究已经证实，MR图像上的某些放射学特征，如钙化、肿瘤边缘清楚和室管膜下区受侵与1p/19q分子特征有关^[8]。然而，放射科医生的主观判断容易受到观察者间差异的影响，结果准确性存在一定争议。相比之下，影像组学通过对医学影像图像特征定量分析，从而反映胶质瘤的异质性，无创性评估胶质瘤分子特征的信息，为临床决策提供依据^{[9, 10, 11, 12]}。目前不少研究报道了提取常规MRI序列的影像组学特征在预测胶质瘤1p/19q分子特征的应用^{[13, 14, 15, 16]}。然而，基于术前磁共振表观扩散系数（apparent diffusion coefficient, ADC）图的影像组学模型预测胶质瘤1p/19q的报道较少，并且预测效能不理想^[17]。

       因此，本研究旨在基于术前磁共振ADC图建立预测成人颅内胶质瘤1p/19q分子特征的影像组学模型，并探讨该模型的诊断效能。

1 材料与方法

1.1 临床资料

       本研究遵守《赫尔辛基宣言》，经中国人民解放军陆军特色医学中心伦理委员会批准，免除受试者书面知情同意书，批准文号：2023第55号。回顾性分析2017年1月至2021年12月期间我院术后病理证实的成人颅内LGG患者的临床及影像资料。纳入标准：（1）根据2021年WHO中枢神经系统肿瘤分类标准，术后病理组织学首次确诊为WHO 2~3级的LGG患者；（2）术前及MRI检查前无化疗或放疗等治疗史；（3）术前1周内行颅脑MRI扫描，包括常规平扫、磁敏感加权成像（susceptibility weighted imaging, SWI）以及扩散加权成像（diffusion weighted imaging, DWI）；（4）年龄>18岁。排除标准：（1）幕下LGG；（2）术前MRI序列不全、MRI图像缺乏或质量差影响评估的；（3）肿瘤出血明显；（4）1p/19q检测结果缺乏。

       根据纳排标准，最终146例LGG患者纳入本次研究。按7∶3的比例，采用完全随机法将纳入的146例LGG患者分为训练集和验证集，回顾性分析所有患者的临床以及影像资料。1p/19q分子状态根据术后荧光原位杂交（fluorescence in situ hybridization, FISH）检测结果分为1p/19q联合缺失（1p/19q-codeleted, 1p/19q-Codel）与1p/19q未联合缺失（1p/19q-noncodeleted, 1p/19q-Noncodel）组。

1.2 MRI图像采集

       所有患者均采用Siemens Verio 3.0 T 超导型磁共振扫描仪和8 通道头颅线圈。MRI 扫描序列及参数包括：（1）T1WI序列，TR 250 ms，TE 2.67 ms，矩阵 320×256，层厚5 mm，FOV 230 mm×230 mm，翻转角为90°；（2）T2WI序列，TR 4900 ms，TE 100 ms，矩阵 320×320，层厚5 mm，FOV 230 mm×230 mm，翻转角为150°；（3）FLAIR序列，TR 8000 ms，TE 94 ms，矩阵256×256，层厚5 mm，FOV 230 mm×230 mm，TI 2370 ms，翻转角为150°；（4）增强T1加权成像（contrast enhanced T1 weighted imaging, CE-T1WI）使用对比剂钆喷替酸葡甲胺（gadopentetate glucosamine, Gd-DTPA），经静脉团注，剂量为0.2 mL/kg，流速为3 mL/s，扫描参数同T1WI 一致；（5）SWI序列，TR 27 ms，TE 20 ms，矩阵256×243，层厚1.5 mm，层间距0.3 mm，FOV 230 mm×230 mm，翻转角为15°；（6）DWI 在注射对比剂前完成采集，采用自旋回波平面回波成像 序列，TR 6600 ms，TE 100 ms，矩阵192×192，激励次数1次，层厚5 mm，层数20层，FOV 230 mm×230 mm，翻转角为90°，扩散敏感系数b值取0、600和1000 s/mm²，表观扩散系数（apparent diffusion coefficient, ADC）图通过Siemens SyngoMMVVP（版本号VE36A）工作站根据公式自动处理生成。

1.3 影像组学分析

       影像组学分析流程包括图像分割、特征提取、特征选择以及模型构建与评估（图1）。

       首先，将所有患者的FLAIR以及ADC图像以神经影像信息技术倡议（Neuroimaging Informatics Technology Initiative, NIFTI）格式导入3D Slicer（版本5.0.2, https://www.slicer.org/）内进行颅骨剥除，随后在MATLAB（版本2021b,https://www.mathworks.com/）平台利用SPM 12（http://www.fil.ion.ucl.ac.uk/spm/）对所有序列图像进行头动校正、标准化预处理。图像标准处理后，以轴位FLAIR图像为基准，对ADC图像进行空间配准，得到配准图像rADC。感兴趣容积（volume of interest, VOI）定义为FLAIR图像中除外明显囊变坏死的异常区域，包括肿瘤实质与瘤周水肿。神经影像医师1在采用盲法情况下，使用ITK-SNAP软件（版本3.8.0, www.itksnap.org）在轴位FLAIR图像上逐层勾画感兴趣区（region of interest, ROI），最终融合所有层面的ROI生成VOI。从每位患者FLAIR图像中勾画的VOI复制至rADC中进行特征提取。

       在特征提取前，对所有图像进行重采样至1.0 mm×1.0 mm×1.0 mm体素大小，并将灰度直方图bin宽度固定为25进行图像离散化，以避免不同MR重建参数产生的影响。利用Python（版本3.7.0, https://www.python.org/）内的Pyradiomics工具包（https://pyradiomics.readthedocs.io/）进行特征提取^[18]。提取图像的影像组学特征包括以下7类：一阶统计量特征（first order statistics）、2D/3D形态学特征（shape-based 2D and 3D）、灰度共生矩阵（grey level cooccurrence matrix, GLCM）、灰度游程长度矩阵（grey level run length matrix, GLRLM）、灰度区域大小矩阵（grey level size zone matrix, GLSZM）、邻域灰度差分矩阵（neighbouring gray tone difference matrix, NGTDM）、灰度依赖矩阵（gray level dependence matrix, GLDM）。基于ADC图像的VOI提取1037个影像组学特征。提取的影像组学特征符合成像生物标志物标准化倡议指南。

       为评估所提取影像组学特征的重复性，一名具有5年工作经验的神经影像初级医师1完成146例患者图像VOI分割后，神经影像主治医师2（11年工作经验）随机选择30例患者图像进行VOI独立分割，不同医师对图像分割用于评估所提取特征的组间一致性。2周后，神经影像初级医师1再次分割神经影像主治医师2随机选择30例患者图像，同一医师前后两次图像分割用于评估所提取特征的组内一致性。两位神经影像医师在图像分割前对所有患者的临床信息和病理结果均不知情。利用组内和组间一致性分析，保留组内/组间相关系数（intra-/inter- class correlation coefficients, ICC）≥0.75的影像组学特征。随后，将剩余特征进行Z-score标准化，并利用Pearson或Spearman相关性分析及最小绝对收缩与选择算子（least absolute shrinkage and selection operator, LASSO）选择预测1p/19q-Noncodel的非零系数特征，建立影像组学标签并通过特征权重计算患者影像组学评分（radiomics score, Rad-score）。

       出血由两名高年资神经影像医师（工作经验分别为8年与11年）在MRI常规平扫及SWI序列上独立进行评估。若两名医师独立判断上述征象出现分歧时，由协商后达成一致。出血定义为在SWI幅度图上呈低信号，相位图上信号与脑静脉信号一致。

点击查看大图

图1  影像组学分析流程图。
Fig. 1  Flowchart of radiomics analysis.

1.4 统计分析

       采用IBM SPSS 26.0 统计软件以及R软件（版本4.2.1，http://www.Rproject.org）对数据进行统计分析。分类变量表示为例（%），组间分析采用卡方检验。连续性变量首先采用正态分布检验以及方差齐性检验，两者均满足表示为均数±标准差并采用独立样本t检验；若都不满足则表示为中位数（四分位数）[M（P25，P75）]并采用Wilcoxon检验对两组差异进行分析。根据受试者工作特征（receiver operating characteristic, ROC）曲线下面积（area under the curve, AUC）、准确率、特异度、敏感度、阳性预测值（positive predictive value, PPV）以及阴性预测值（negative predictive value, NPV）评估Rad-score模型的预测效能。所有假设检验均为双侧检验，P<0.05 表示差异有统计学意义。

2 结果

2.1 临床资料

       根据纳排标准，本次研究最终纳入146例LGG患者，其中男92例，女54例，年龄（46.49±14.19）岁，68例1p/19q-Codel 型LGG患者，78例1p/19q-Noncodel 型LGG患者。按7∶3的比例，采用完全随机法将纳入的146例LGG患者分为训练集（n=102）和验证集（n=44），训练集和验证集之间患者的年龄、性别、WHO分级及1p/19q状态方面差异均无统计学意义（P>0.05）（表1）。

点击查看表格

表1  训练集与验证集中较低级别胶质瘤患者临床资料
Tab. 1  Clinical data of lower-grade glioma patients in the training and validation sets

2.2 影像组学特征选择与影像组学评分

       从每位患者ADC图像中提取1037个影像组学特征，在这些特征中，932个（89.87%）特征在两位神经影像医师间具有良好的稳定性（ICC≥0.75）；981个（94.60%）特征在同一神经影像医师前后两次图像分割中表现出良好的稳定性（ICC≥0.75）。以ICC≥0.75为标准除去117个观察者间和观察者内稳定性中等以及较差的影像组学特征后剩余920个特征。在训练集中通过Pearson或Spearman相关性分析以及LASSO回归模型，采用最小惩罚参数λ对影像组学标签进行构建，最小λ值为0.042，log（λ）为-3.159（图2A、2B）。最终筛选出15个非零系数特征，包括4个一阶统计量特征和11个纹理特征，其中纹理特征包括7个GLCM、2个GLSZM、1个GLDM和1个NGTDM（表2）。基于上述组学特征和相应的LASSO回归系数计算每位患者的Rad-score（图3），具体Rad-score计算公式如式（1）：

       在训练集内，1p/19q-Codel组与1p/19q-Noncodel组在影像组学模型上差异有统计学意义（P<0.001），并且在验证集中得到了证实。1p/19q-Noncodel组患者的影像组学评分高于1p/19q-Codel组患者（图4A、4B）。训练集1p/19q-Noncodel组和1p/19q-Codel组Rad-score分别为0.74（0.39，1.09）vs. -0.15（-0.84，0.14）（Z=-6.837，P<0.001）。验证集1p/19q-Noncodel和1p/19q-Codel组患者的Rad-score分别为0.57（0.23，1.00）vs. 0.07（-0.52，0.36）（Z=-3.160，P<0.001）。同时，影像组学模型显示出良好的预测性能，训练集及验证集的AUC值分别为0.896（95% CI：0.819~0.947；准确率：85.29%；敏感度：87.72%；特异度：82.22%；PPV：86.21%；NPV：84.09%）和0.778（95% CI：0.628~0.890；准确率：77.27%；敏感度：71.43%；特异度：82.61%；PPV：78.95%；NPV：76.00%）（图4C、4D）。

点击查看大图

图2  放射组学特征及相应系数的选择。2A：惩罚参数（λ）选择图。LASSO回归模型中的惩罚参数λ基于最小准则的10倍交叉验证，二项偏差作为log(λ)的函数绘制。根据最小准则，在计算出的最佳值处绘制为虚线。根据10倍交叉验证，选择最优λ值0.042，log(λ)为-3.159。2B：系数分布图。每一条线代表一个影像组学特征对应系数的变化，这些曲线的末尾指向一个纵坐标，纵坐标代表相应系数的值，在最佳λ值处绘制的虚线，产生15个非零系数特征。
Fig. 2  Selection of radiomics features and corresponding coefficients. 2A: Graph of penalty parameter (λ) selection. The penalty parameter λ in the LASSO regression model is based on a 10-fold cross-validation of the minimum criterion, with the binomial deviation plotted as a function of log(λ). According to the minimum criterion, the best value is plotted as a dashed line. After 10-fold cross-validation, the optimal value of λ is 0.042 and log(λ) is -3.159. 2B: Map of the coefficient distribution. Each line represents a change in the coefficient corresponding to a radiomics feature, and the end of these curves points to an ordinate representing the value of the corresponding coefficient. A dashed line is drawn at the optimal λ value, resulting in 15 non-zero coefficient features.

点击查看大图

图3  患者的影像组学评分图。3A和3B分别为训练集与验证集中每位患者的影像组学评分图。
Fig. 3  Radiomics scores of patients. 3A and 3B are plots of radiomics scores for each patient in the training and validation sets, respectively.

点击查看大图

图4  影像组学模型的效能评估。4A和4B分别为训练集和验证集影像组学评分的箱式散点图，按1p/19q状态进行分类。4C和4D分别为训练集和验证集影像组学模型的受试者工作特征曲线。
Fig. 4  Performance evaluation of the radiomics model. 4A and 4B are box scatter plots of the radiomics scores of the training and validation sets, respectively, classified by 1p/19q states. 4C and 4D are receiver operating characteristi curves of the radiomics models of the training and validation sets, respectively.

点击查看表格

表2  选择的影像组学特征以及权重系数
Tab. 2  Selected radiomics features and weight coefficients

3 讨论

       本研究基于术前磁共振ADC图建立了影像组学评分，利用影像组学评分构建了成人颅内胶质瘤1p/19q分子特征的影像预测模型，探讨了其在预测1p/19q分子特征的诊断效能。结果表明，基于ADC图的影像组学评分可以无创性预测成人颅内LGG的1p/19q状态，进一步证实了功能成像影像组学特征在预测LGG中1p/19q分子特征中的价值。

3.1 ADC值在预测1p/19q分子特征的应用

       DWI作为胶质瘤MRI功能成像的重要检查序列之一，主要通过非侵入性手段评估肿瘤组织内水分子扩散程度，其ADC值被证实与胶质瘤病理信息密切相关，在胶质瘤的分级诊断、良恶性鉴别和分子分型诊断中有较好的诊断价值^{[19, 20, 21, 22]}。多项研究发现1p/19q-Codel比1p/19q-Noncodel型LGG具有更低的平均ADC值，ADC值可作为预测1p/19q分子特征的成像标志物^{[23, 24, 25]}。目前多数关于ADC值预测1p/19q分子状态的研究多采用多点ROI放置取均值的方式或在二维平面上定量评估，其测量结果受到观察者主观经验的影响，不能充分地表征胶质瘤的异质性。随着医学图像处理手段的不断发展，影像组学能够转化大量医学图像进行定量分析，客观地反映肿瘤内部的生物学信息^[26]，该手段能够更全面地反映胶质瘤的异质性。现有研究表明，基于常规MRI序列的影像组学特征能无创性评估1p/19q分子特征^{[27, 28, 29, 30, 31]}。但据我们所知，MRI功能成像的影像组学在评估1p/19q分子特征方面研究较少。

3.2 ADC影像组学评分的应用

       在本研究中，我们基于术前磁共振ADC图建立了预测1p/19q分子特征的Rad-score模型。Rad-score主要由15个影像组学特征与相应的LASSO回归系数加权后线性组合计算的，这些特征分别基于原始图像、高斯滤波器和小波变换后提取，包括4个一阶统计量特征和11个纹理特征，具体包含相关信息测度2、集群阴影、最大概率、相关性、均值、小区域高灰度强调、区域熵、偏斜度、大依赖低灰度级强调、极差以及繁忙度。其中，权重系数最高的特征为区域熵，其次是相关信息测度2，均属于纹理特征。区域熵为GLSZM特征，可量化区域大小和灰度分布的随机性，其值越高表明了图像纹理异质性越强^[32]。相关信息度量2为GLCM特征，可度量图像纹理的复杂性^[32]。因此，建立的Rad-score能够为评估不同类型分子特征肿瘤的图像纹理异质性以及结构复杂提供线索。本研究结果显示，在训练集与验证集中，1p/19q-Noncodel型LGG的Rad-score均高于1p/19q-Codel型LGG，这说明在ADC图中1p/19q-Noncodel型LGG图像纹理异质性越强、图像结构更为复杂。

3.3 ADC影像组学模型预测效能分析

       利用ROC曲线分析评估影像组学模型的预测效能，在训练集和验证集中，影像组学评分显示出良好的预测性能，AUC值分别为0.896和0.778。既往研究表明基于ADC图的影像组学模型在预测1p/19q状态方面的AUC值均低于0.70^{[17, 33]}。HE等^[33]提取了107个影像组学特征用于构建影像组学模型，这些特征是基于原始图像进行的提取。而本研究利用高斯滤波和小波滤波变换生成派生图像，对图像进行降噪平滑、边缘增强以及多维度处理，从ADC图像中提取1037个影像组学特征。这些处理手段有助于对图像进行多尺度特征提取，从而深度分析病变进一步提高模型预测效能。本研究基于ADC图构建了诊断效能良好的影像组学预测模型，明确了基于ADC图的影像组学模型在预测1p/19q状态的价值。

3.4 本研究的局限性

       本研究的尚存在一些不足之处。首先，这是一项单中心回顾性研究，缺乏外部数据对模型进行多中心验证，未来需要更大样本量的多中心数据对模型进行评估。此外，本研究图像分割手段采用了人工手动勾画，该手段分割非常耗时，且存在不可避免的人工误差。未来将探索采用基于半自动或深度学习的自动分割方法，不仅可以缩短耗时，同时还可提高研究方法的客观性。最后，我们仅提取了单一ADC图的影像组学特征进行研究，未来可基于动态磁敏感对比增强、磁敏感加权成像和扩散峰度成像等，进一步提高预测模型的效能。

4 结论

       综上所述，本研究通过分析术前磁共振ADC图的影像组学模型在成人颅内LGG 1p/19q分子特征的预测效能，证实了基于术前磁共振ADC图的Rad-score可以无创性预测LGG的1p/19q状态，建立的影像组学预测模型效能良好。该模型能够对成人颅内LGG患者1p/19q分子特征进行术前精准预测，同时对LGG的预后评估及治疗计划的制订提供重要的参考依据。