0 引言

       脑膜瘤是成人中枢神经系统最常见的原发性肿瘤，占所有原发性脑肿瘤的36%，它主要起源于蛛网膜帽细胞，好发于老年女性^[1]。目前，脑膜瘤的术前诊断高度依赖常规影像学评价，这些基于个人视觉和临床经验积累的诊断方法具有较强的主观性和局限性。此外，多种肿瘤和炎症性疾病都有累及硬脑膜或硬脑膜下间隙的倾向，例如，以硬脑膜为基础的脑转移瘤、淋巴瘤、孤立性纤维瘤/血管外皮细胞瘤（solitary fibrous tumor/ hemangiopericytoma, SFT/HPC）以及结节病和结核都有类似脑膜瘤的影像学表现^{[2, 3]}，而这些病变的治疗和预后存在较大差异。因此，术前精确诊断可以指导临床制订最佳治疗策略，改善患者预后。影像组学通过算法将高维图像信息转化为丰富的数学数据，提供了一种客观、定量的方法来解析成像数据，而不是依赖人类有限的视觉观察进行主观、定性的描述；此外，放射组学分析产生的海量信息提供了视觉上难以察觉的放射学到组织病理学的肿瘤信息，为其诊断、治疗和预后提供了技术基础^{[4, 5]}。

       近年来，影像组学在脑膜瘤中的应用日益广泛，在鉴别诊断、术前分级、分子病理预测及预后等方面均有相关研究^{[6, 7, 8, 9, 10, 11, 12]}。在鉴别诊断方面，目前国内外相关研究鉴别诊断的病种单一^{[1, 4, 13, 14]}，在实际临床工作中的应用价值有限。此外，考虑到建模中使用的分类器是影响模型性能的一个关键因素^[4]。本研究采用多种分类器进行建模，纳入更多实际临床工作中需要鉴别诊断的病种，旨在探索更具有临床应用前景的鉴别诊断模型。

1 材料与方法

1.1 一般资料

       本回顾性队列研究遵守《赫尔辛基宣言》，获得德阳市人民医院、绵竹市人民医院伦理委员会批准并免除受试者知情同意，批准文号分别为2023-04-K01、2023-K-014。

       回顾性分析2010年1月至2022年12月期间两家医院共360例患者的临床及MRI资料。中心1的256例患者（男99例，女157例，年龄23~85岁，中位年龄48岁），按7∶3随机分为训练组（n=179）和测试组（n=77）；中心2的104例患者（男36例，女68例，年龄55~65岁，中位年龄58岁）作为外部验证组。纳入标准：（1）术前临床资料、MRI图像满足分析要求；（2）术前MRI检查与手术时间间隔在1个月以内；（3）具有病理结果。排除标准：（1）MRI图像运动伪影重或序列不完整；（2）肿瘤最大径小于2.5 cm；（3）MRI检查前已经接受放化疗、针对肿瘤进行的对症治疗（如用于缓解瘤周水肿的激素冲击或渗透性脱水剂）等相关治疗；（4）既往颅脑肿瘤治疗/手术史。

1.2 MR图像采集

       采用Philips Ingenia 3.0 T及GE Singna Premier 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，经肘静脉应用高压注射器注射0.2 mL/kg钆喷酸葡胺后行增强扫描。Philips Ingenia 3.0 T磁共振仪扫描参数：T1WI（TR 2000 ms，TE 12 ms）、T2WI（TR 4000 ms，TE 90 ms）、扩散加权成像（diffusion-weighted imaging, DWI）（TR 2512 ms，TE 90 ms）、磁共振波谱（magnetic resonance spectroscopy, MRS）（TR 2000 ms，TE 144 ms）、磁敏感加权成像（susceptibility weighted imaging, SWI）（TR 40 ms，TE 24.8 ms）、T2^*灌注序列（TR 1619 ms，TE 40 ms）、T1WI增强序列（TR 7 ms，TE 3 ms，层厚1.4 mm，层间距0.7 mm）。

       GE Singna Premier 3.0 T扫描参数为：T1WI（TR 1750 ms，TE 24 ms）、T2WI（TR 6046 ms，TE 138 ms）、DWI（TR 2757 ms，TE 60.4 ms）、MRS（TR 1000 ms，TE 144 ms）、SWI（TR 40 ms，TE 24.8 ms）、T2^*灌注序列（TR 1500 ms，TE 45 ms）、T1WI增强序列（TR 7 ms，TE 2.8 ms，层厚 1 mm，层间距0 mm）。

1.3 MRI常规征象分析

       患者性别、年龄作为一般临床资料。扫描完成后将图像数据传输至PACS，由两位具有5年、20年工作经验的神经影像医师在不知道病理结果的情况下，独立进行MRI常规征象评价，当二者结果出现差异时，加入第3位医师评估。记录病灶的16项MRI常规征象包括：（1）生长部位，包括前颅窝和/或中颅窝、后颅窝、镰旁和/或大脑凸面和/或上矢状窦、侧脑室内。（2）生长方式，包括无跨区域生长、跨区域生长（跨颅窝或者跨中线）、跨颅内外生长。（3）病灶数目，包括单发、2~3个病灶、大于3个病灶。（4）病灶大小，测量肿瘤最大层面的最大径。（5）病灶形态，包括分叶、不分叶，分叶是指结节、肿块的轮廓并非纯粹的圆形或椭圆形，表面常呈凹凸不平的多个弧形，形似多个结节融合而成。（6）强化方式，包括均匀强化、不均匀强化。（7）坏死囊变程度，记录坏死囊变的体积占肿瘤的百分比，包括无、<50%、≥50%。（8）钙化程度，记录钙化的体积占肿瘤的百分比，包括无、<50%、≥50%。（9）是否有颅外侵犯。（10）病灶临近颅骨改变，包括无改变、增生硬化、骨质破坏。（11）是否有颅外动脉供血。（12）是否有瘤周水肿。（13）是否有脑膜尾征。（14）分析SWI序列，在PARK等^[15]提出的方法基础上改良以半定量评估肿瘤内部的磁敏感信号强度（intratumoral susceptibility signal intensity, ITSS），1分为瘤内无ITSS；2分为瘤内有斑点状低信号影；3分为瘤内有血管影；4分为瘤内血管影及瘤外血管影汇入。（15）分析T2^*灌注，在肿瘤最大层面测量肿瘤的相对血流量（relative tissue blood flow, rTBF）。（16）分析¹H-MRS，参考MATSUSUE等^[16]的研究，以3.8 ppm处谷氨酰胺/谷氨酸的复合峰在整个MRS波峰中的排列位次（由高到低）标记为3.8rank。对于多发病灶的病例，除病灶数目这一项外，其余各项常规征象分析均针对最大的病灶进行。

1.4 图像预处理及图像分割

       在提取特征之前，对MRI图像进行N4偏置场校正、各序列图像配准、图像对比度的标准化处理和重采样，重采样到1 mm×1 mm×1 mm的体素大小。

       将T2WI、DWI、T1WI增强图像以DICOM格式导入到3D Slicer（Version: 4.10.0,http://www.slicer.org/）软件，由两位神经影像医师在不知道病理结果的情况下，独立勾画感兴趣区（region of interest, ROI），当二者结果出现差异时，加入第3位医师评估。瘤内ROI以增强序列图像为基准，采用阈值法半自动填充结合手动勾画的方式，包括瘤内出血、坏死和囊变区，不包括瘤周水肿区域，并确保各序列ROI大致相同；瘤内ROI完成之后，由软件自动向肿瘤周围扩展5 mm，作为瘤周ROI。对于多发病灶的病例，ROI勾画均选取最大的病灶进行。

1.5 特征提取

       应用3D Slicer软件对患者治疗前MRI图像同时进行瘤内、瘤周特征提取，特征提取遵循图像生物标志物标准化倡议指南。各序列总共得到851个特征，包括一阶特征、形态特征、灰度共生矩阵特征、灰度区域大小矩阵特征、灰度行程长度矩阵特征、邻域灰度差矩阵特征、灰度相关矩阵特征。

1.6 统计学分析

       3组患者的一般临床资料和MRI常规征象统计分析，计量资料满足正态性及方差齐性时，组间比较采用方差分析；若计量资料不满足正态性及方差齐性、计数资料、等级资料组间比较采用卡方检验或Kruskal-Wallis检验；以P<0.05为差异有统计学意义。患者一般临床资料、MRI常规征象、组学特征与病理结果（脑膜瘤、非脑膜瘤）满足正态分布的资料采用Pearson相关分析，不满足正态分布的资料和等级资料采用Spearman等级相关分析。

       统计分析、影像组学特征工程、机器学习建模分析均在基于Python3.6运行环境中开发的OnekeyAI platform中进行；采用MedCalc 19.04软件进行DeLong检验。

1.7 模型建立与验证

       MRI常规模型：对一般临床资料、MRI常规征象与病理结果（脑膜瘤、非脑膜瘤）进行相关分析，具有相关性的特征进行单因素和多因素二元logistic分析，保留P<0.05的特征，采用逻辑回归（logistic regression, LR）建立MRI常规模型。

       组学模型、融合模型：对于组学特征筛选，首先采用组内相关系数（intra-group correlation coefficient, ICC）评估所提取特征的可重复性，ICC>0.9提示重复性好，然后对组学特征进行正则化处理，进行相关性分析，保留Coefficient>0.9的特征，采用5折交叉验证法和最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）进行降维；各序列按上述步骤完成数据筛选后，将各序列特征进行前融合，通过正则化和LASSO的方法去除共线性特征，以交叉验证惩罚系数为基础筛选出用于建模的组学特征，并计算出每个组学特征的Z-score和特征权重。各组均采用LR、支持向量机（support vector machine, SVM）、K近邻（K-nearest neighbor, KNN）、轻量级梯度提升机（light gradient boosting machine, LightGBM）、自适应增强（adaptive boosting, AdaBoost）5种分类器进行建模，训练组、验证组建立组学瘤内模型、组学瘤周模型、组学融合模型（综合组学瘤内、瘤周特征）、全融合模型（综合组学瘤内和瘤周特征、一般临床资料和常规MRI征象）。

       汇总训练组、验证组患者形成内部队列，建立内部队列的MRI常规模型、组学模型、融合模型，筛选出其中鉴别诊断效能最佳的模型，进行外部验证。绘制受试者工作特征（receiver operating characteristic, ROC）曲线，通过曲线下面积（area under the curve, AUC）、准确率、敏感度、特异度等评估模型效能；同时使用DeLong检验对内部队列不同特征模型AUC进行比较，当P<0.05时认为模型间的AUC值差异有统计学意义；使用决策曲线分析（decision curve analysis, DCA）评估最佳模型的临床价值。

2 结果

2.1 一般资料

       本研究纳入两个中心共360例患者。中心1患者256例，脑膜瘤145例（WHO Ⅰ级101例，WHO Ⅱ~Ⅲ级44例），非脑膜瘤111例（SFT/HPC 34例、转移瘤31例、淋巴瘤25例、脑膜黑色素瘤等其他21例），按7∶3的比例随机分为训练组（n=179）和测试组（n=77)。中心2患者104例作为外部验证组，脑膜瘤53例（WHO Ⅰ级38例，WHO Ⅱ~Ⅲ级15例），非脑膜瘤51例（SFT/HPC 19例、转移瘤15例、淋巴瘤10例、脑膜黑色素瘤等其他7例）。训练组、测试组和外部验证组3个亚组中，仅生长方式、瘤周水肿2项MRI常规征象差异有统计学意义（P<0.05），其余16项一般临床资料及MRI常规征象差异均无统计学意义（P>0.05）。

2.2 MRI常规模型

       本研究所纳入的18项一般临床资料及MRI常规征象均与病理结果具有相关性，采用单变量及多变量二元logistic回归分析，仅生长方式、坏死囊变程度、3.8rank 3个征象在脑膜瘤组与非脑膜瘤组之间差异有统计学意义（P<0.05），上述3个征象采用LR建立MRI常规模型。在训练组中，鉴别脑膜瘤与非脑膜瘤的AUC为0.912（95% CI：0.869~0.955），敏感度为80.8%，特异度为88.7%，阳性预测值为89.9%，阴性预测值为78.9%，准确率为84.4%；测试组中AUC为0.885（95% CI：0.812~0.958），敏感度为71.7%，特异度为90.3%，阳性预测值为91.7%，阴性预测值为68.3%，准确率为79.2%。

2.3 组学模型、融合模型

       组学瘤内模型：通过瘤内ROI提取T2WI、DWI、T1WI增强3个序列的瘤内组学特征，特征筛选和数据降维后，T2WI、DWI、T1WI增强的特征个数分别为16、14、11，汇总后经正则化和LASSO降维，最终保留7个特征用于构建组学瘤内模型。

       组学瘤周模型：通过瘤周ROI提取T2WI、DWI、T1WI增强3个序列的瘤周组学特征，特征筛选和数据降维后，T2WI、DWI、T1WI增强的特征个数分别为17、10、21，汇总后经正则化和LASSO降维，最终保留10个特征用于组学瘤周模型建立。

       融合模型：汇总瘤内、瘤周组学特征，经正则化和LASSO降维，最终保留瘤内特征6个、瘤周特征9个共15个组学特征用于组学融合模型建立。汇总组学融合模型15个组学特征及3个MRI常规征象，共18个特征用于全融合模型建立，详见图1。

       组学瘤内模型、组学瘤周模型、组学融合模型、全融合模型均采用LR、SVM、KNN、LightGBM、AdaBoost 5种分类器进行建模，各组模型AUC、敏感度、特异度等详见表1。

点击查看大图

图1  全融合模型特征名称及LASSO系数权重图。LASSO：最小绝对收缩和选择算子。
Fig. 1  Feature names and LASSO coefficients of the fully fused model. LASSO: least absolute shrinkage and selection operator.

点击查看表格

表1  各组学模型、融合模型鉴别诊断脑膜瘤与非脑膜瘤的效能
Tab. 1  The differential diagnosis of meningioma and non-meningioma by radiomics models and fusion models

2.4 模型效能比较及外部验证

       综合考虑训练组、测试组中不同分类器构建的同种模型的AUC、敏感度、特异度等各项反映模型性能的指标，最终选择SVM构建的模型作为最佳模型。内部队列使用SVM进行建模，采用DeLong检验对不同模型的AUC进行比较。结果显示（图2），组学瘤内模型、组学瘤周模型AUC差异无统计学意义（P>0.05），且均高于MRI常规模型，差异有统计学意义（P<0.05）；组学融合模型AUC高于三者，但低于全融合模型，差异有统计学意义（P<0.05）；全融合模型的AUC最高，模型预测效能最佳。从DCA（图3）可以看出，训练组、测试组的全融合模型在大范围阈值内可以为患者带来临床净收益。

       外部验证组使用SVM构建全融合模型，绘制ROC曲线（图4）。其鉴别诊断脑膜瘤与非脑膜瘤的AUC为0.925（95% CI：0.871~0.979），敏感度为84.9%，特异度为92.2%，阳性预测值为91.8%，阴性预测值为85.5%，准确率为88.5%；该模型在大范围阈值内可以为患者带来临床净收益（图5）。

点击查看大图

图2  内部队列不同模型AUC的DeLong检验。AUC：曲线下面积。
Fig. 2  DeLong test of different models of AUC in internal cohort. AUC: area under the curve.

点击查看大图

图3  训练组全融合模型DCA（3A）和测试组全融合模型DCA（3B）。SVM：支持向量机；DCA：决策曲线分析。
Fig. 3  Full fusion model DCA in training group (3A) and full fusion model DCA in test group (3B). SVM: support vector machine; DCA: decision curve analysis.

点击查看大图

图4  外部验证组全融合模型鉴别脑膜瘤与非脑膜瘤的受试者工作特征曲线。
Fig. 4  Receiver operating characteristic curve of the total fusion model of the external validation group in differentiating meningiomas from non-meningiomas.

点击查看大图

图5  外部验证组全融合模型DCA。SVM：支持向量机；DCA：决策曲线分析。
Fig. 5  External validation group full fusion model DCA. SVM: support vector machine; DCA: decision curve analysis.

3 讨论

       本研究基于多序列MRI图像，分析脑膜瘤与非脑膜瘤两组患者一般临床资料及MRI常规征象，建立MRI常规模型；基于T2WI、DWI、T1WI增强序列建立组学瘤内模型、组学瘤周模型，在此基础上构建组学融合模型和全融合模型，建模时使用5种分类器，旨在挑选出鉴别诊断效能良好且具有较好泛化能力的模型。

3.1 相关研究现状

       目前国内外相关鉴别诊断研究主要集中在SFT/HPC与血管瘤型脑膜瘤的鉴别。二者影像学表现相似，但生物学特性大不相同，SFT/HPC侵袭性强，术后5年复发率接近50%，初次手术后脑外转移率高达30%，需要积极随诊，治疗上手术有更大的切除范围且需要术后放疗等进一步治疗^{[17, 18]}。准确的术前诊断有助于临床医生制订个性化治疗方案，提高患者生活质量。本研究也将SFT/HPC作为鉴别诊断子类纳入。

       FAN等^[19]的研究显示，SFT/HPC与血管瘤型脑膜瘤在发病年龄与病变位置有差异，血管瘤型脑膜瘤好发于老年组，病变多位于幕下、非颅底、静脉窦旁，常见脑膜尾征与严重瘤周水肿，他们基于这些临床及MRI常规征象构建了鉴别诊断临床模型，DeLong检验显示临床模型效能低于融合放射组学模型和临床-放射组学模型，但融合放射组学模型与临床-放射组学模型之间效能无差异。其他研究者也进行了联合临床-MRI常规征象、多序列MRI影像组学特征鉴别SFT/HPC与血管瘤性脑膜瘤的研究，模型诊断效能良好；并且研究显示仅基于临床-MRI常规征象模型无法提供比放射科医生更好的诊断性能，AUC仅0.66，表明在诊断模型中使用影像组学特征十分必要，其可以提供更多肉眼无法识别的鉴别诊断信息^{[17, 20, 21]}。

       此外，也有部分研究者^{[22, 23, 24]}只使用了影像组学模型进行二者的鉴别诊断，结果显示多序列MRI模型诊断效能往往优于单序列模型，其中毕玉珍等^[24]的研究结果还显示建模时采用不同分类器也会影响模型诊断效能。这一点在本研究及ZHANG等^[25]的研究中都得到验证，ZHANG等在进行前颅底常见病变的鉴别诊断中，对垂体瘤与颅咽管瘤、脑膜瘤与颅咽管瘤、垂体瘤与Rathke囊肿三组病变采用5种特征选择方法及9种分类器，结果显示使用LASSO进行特征选择、线性判别分析进行建模的组合是鉴别前颅底常见病变的最佳模型，三组的AUC均大于0.80，而部分组合在单组鉴别诊断表现优于LASSO+线性判别分析，但LASSO+线性判别分析综合判别能力最好。还有研究对前庭神经鞘瘤和桥小脑角区脑膜瘤进行了鉴别诊断，亦表现出良好的诊断效能^{[26, 27]}。

3.2 主要研究结果分析

       既往文献报道，脑膜瘤好发于老年女性^[1]。在本研究中，脑膜瘤与非脑膜瘤组年龄、性别差异无统计学意义，推测非脑膜瘤组纳入病种较多，令组间年龄、性别差异减小，例如非脑膜瘤组纳入的转移瘤也好发于老年人；此外样本量可能也是影响因素之一。

       MRS属于功能MRI，能无创提供组织代谢物的相关信息^[28]。研究^{[29, 30]}表明，3.8 ppm处谷氨酰胺/谷氨酸的复合峰是脑膜瘤的特征性波峰，且不受组织学类型影响，可用于鉴别脑膜瘤与SFT/HPC、神经鞘瘤、转移瘤。本研究参考MATSUSUE等^[16]的研究在MRI常规征象中纳入了MRS 3.8rank，他们的研究结果显示，MRS 3.8rank在区分脑膜瘤与非脑膜瘤时有良好表现，鉴别诊断的准确率为96.9%。从本研究全融合模型特征名称及LASSO系数权重图（图1）可以看出，MRS 3.8rank在全融合模型中权重较高，并且高于其余两项常规征象。本研究MRI常规模型训练组、测试组AUC分别为0.912、0.885；而FAN等^[19]常规征象模型训练组、测试组AUC分别为0.820、0.790，WEI等^[20]常规征象模型训练组、测试组AUC分别为0.841、0.776，在这两项研究中，添加MRI常规征象的全融合模型虽然比单纯组学融合模型AUC数值上有所提升，但差异无统计学意义。推测添加功能MRI指标MRS 3.8rank是本研究MRI常规征象模型（测试组AUC：0.885；敏感度：71.7%）效能高于既往相关研究的主要原因，也是本研究全融合模型（测试组SVM分类器AUC：0.961；敏感度：97.5%）效能高于组学融合模型（测试组SVM分类器AUC：0.940；敏感度：92.0%）的主要原因。此外就生长方式而言，SFT/HPC相对于脑膜瘤侵袭性强且生长迅速，更容易分叶^[31]。本研究中多数SFT/HPC具有贴近颅底分布、跨区域生长和颅内外沟通的特点。转移瘤恶性程度高，也具有骨质破坏，容易颅外侵袭。Ⅱ~Ⅲ级脑膜瘤也可以分叶，跨区域、破坏颅骨穿透至颅外，甚至颅内外沟通，但在脑膜瘤中占比相对较低。

       在MRI常规征象选择阶段，本研究纳入了ITSS评分，其能半定量评估肿瘤内血管及微出血^[32]。但结果显示，该特征在脑膜瘤与非脑膜瘤组间差异无统计学意义。同时，反映肿瘤血供情况的T1WI增强序列特征在全融合模型所占比重较小（图1），T2WI序列特征权重较高，提示本研究中脑膜瘤与非脑膜瘤组血供异质性较小。回顾既往研究，即使鉴别诊断病种相同，不同研究单序列的诊断效能优劣也有所差异。在鉴别SFT/HPC与血管瘤型脑膜瘤的单序列影像组学模型中，付圣莉等^[23]与毕玉珍等^[24]的研究显示T1WI和FLAIR模型的诊断效能优于T1WI增强模型，而DONG等^[22]的结果显示T2WI模型效能优于T1WI和T1WI增强模型，另一项研究则表明T1WI增强模型与T2WI模型无差异^[19]；但上述研究中，多序列MRI模型效能均高于单序列模型。

       在组学模型建立时，本研究同时使用组学瘤内及瘤周特征。组学瘤周特征在脑膜瘤WHO分型、预测脑膜瘤脑侵犯、识别鼻窦侵犯等方面均有应用，研究多集中在脑膜瘤脑侵犯的预测^{[33, 34, 35, 36, 37]}。但各研究所使用的瘤周范围尚无统一标准，XIAO等^[34]基于瘤周组学特征诊断侵袭性脑膜瘤时，采用了2~5 mm不同瘤周范围，结果显示，使用4 mm瘤周范围的联合模型诊断效能最佳。WEI等^[20]在建立SFT/HPC与血管瘤型脑膜瘤鉴别诊断模型时，使用了瘤周组学特征，结果显示，结合T1WI、T2WI、T1WI增强多序列组学瘤周模型效能低于组学瘤内模型，但综合二者的组学融合模型效能提升。这与我们的研究结果稍有不同，在本研究中，组学瘤周模型（测试组SVM分类器AUC：0.913；敏感度：93.3%）与组学瘤内模型（测试组SVM分类器AUC：0.889；敏感度：96.0%）效能相当，训练组、测试组5种分类器构建的组学瘤周模型中，仅测试组AdaBoost模型AUC为0.767，余模型AUC均大于0.800，表明组学瘤周特征在鉴别诊断方面有良好的应用前景。

       除了影像组学特征外，建模中使用的分类器是影响模型性能的另一个关键因素, 然而目前还没有关于分类器选择的标准化指导，分类器选择通常取决于研究人员的偏好和经验^[4]。本研究在建模时使用LR、SVM、KNN、LightGBM、AdaBoost 5种分类器，建立组学瘤内、组学瘤周、组学融合、全融合4组模型。其中组学瘤内AdaBoost模型训练组AUC、准确率分别为0.939、87.7%，测试组AUC、准确率分别为0.786、79.2%，组学瘤周AdaBoost模型训练组AUC、准确率分别为0.931、85.5%，测试组AUC、准确率分别为0.767、74.0%，两个模型在训练组上表现明显优于测试组，特别是后者，表明模型可能存在一定程度过拟合。其余模型在训练组、测试组表现稳健，泛化能力较好，虽然部分模型在训练组上表现优于测试组，但二者相差较小。综合考虑各模型的AUC值、敏感度、特异度等各项反映模型性能的指标，最终选择SVM作为最佳分类器，其构建的模型效能高，稳健且泛化能力好，在面对外部验证组内的新数据集仍然表现良好。而在毕玉珍等^[24]的研究中，与随机森林、SVM分类器相比较，LR分类器显示出较高的效能及稳定性，不过在多序列融合组学模型中，SVM模型效能最佳，测试组AUC为0.990。

3.3 创新性与局限性

       本研究主要的创新点是使用组学瘤周特征，虽然其在脑膜瘤中的应用并不罕见，但目前的相关研究多集中于预测脑膜瘤脑侵犯，而在鉴别诊断方面的应用非常罕见，仅WEI等^[20]用于鉴别SFT/HPC与血管瘤型脑膜瘤，因此还需要更多大规模多中心研究来证明组学瘤周特征在鉴别诊断中的价值，同时也需要更多研究来找到瘤周ROI的最佳范围。此外，在建立MRI常规模型时，本研究尝试纳入一些创新性指标，例如功能MRI指标MRS 3.8rank、ITSS，研究结果显示，前者可用于鉴别诊断，在模型中权重高，是一个非常好的鉴别诊断特征。同时，在建模时采用多个分类器也是本研究的亮点之一。本研究致力于建立一个性能最佳、稳定性强且泛化能力好的模型，在实际临床工作中，多种病变都有类似脑膜瘤的影像学表现，鉴别诊断病种往往不是单一的，所以我们纳入更多需要和脑膜瘤鉴别的肿瘤，更符合实际情况，利用模型来帮助医生解析肉眼无法识别的肿瘤信息，具有良好的临床应用前景。

       本研究存在以下不足：（1）本研究为回顾性研究，可能存在选择偏倚；（2）本研究目前构建的鉴别诊断模型为二分类模型，只有1个外部数据集，后期研究中将增加样本量，纳入更多的外部数据，在非脑膜瘤数据集中选择几种具有代表性的病例构建多分类诊断模型，进一步提高鉴别诊断模型的效能和泛化能力；（3）本研究目前基于常规的MRI组学来构建模型，后续还需要探讨深度-迁移学习，肿瘤内亚区域特征在研究任务中的作用和影响。

4 结论

       综上所述，基于多序列MRI影像组学特征模型可以在术前鉴别脑膜瘤与其他颅内脑膜起源肿瘤，组学瘤周特征与瘤内特征模型诊断效能相当，添加常规征象的全融合模型诊断效能最佳；不同分类器也影响模型效能，SVM模型效能高，稳健且泛化能力好。