0 引言

       胶质瘤起源于脑神经胶质细胞，是中枢神经系统最常见的原发性恶性肿瘤。2021年最新发布的第5版世界卫生组织（World Health Organization, WHO）中枢神经系统肿瘤分类进一步整合其组织学及分子特征制订了新的分类标准，定义了以下成人型弥漫性胶质瘤实体：星形细胞瘤异柠檬酸脱氢酶（isocitrate dehydrogenase, IDH）突变、少突胶质细胞瘤IDH突变和1号染色体短臂和19号染色体长臂（1p/19q）共缺失，以及胶质母细胞瘤（glioblastoma, GBM）IDH-野生型，重点推进分子标志物及基因诊断在临床工作中的重要作用^[1]，以进一步提高诊断精度、更好地进行预后评估以及靶向治疗的开发。但是由于胶质瘤内部成分如代谢、血供等的异质性，会导致组织病理学分析最终结果出现差异，从而影响患者分期/分级、后续的标准化治疗、疗效评价及生存预测等。MRI提供了一种非侵入性替代方案，可对胶质瘤的结构和功能进行深入了解，可以潜在地反映与胶质瘤分子标志物相关的病理特征，成为近几年的研究热点。

       影像组学是一种用于分析成像数据的人工智能定量方法，旨在使用高级特征分析从医学图像中提取可挖掘的数据^[2]，构建出具有临床意义的肿瘤模型，以进行疾病相关的诊断和预测，可以得出以前无法获得的可测量的客观数据，并建立其与潜在生物过程的关系，从而提高临床诊断、评估预后和预测治疗反应的准确性，并可以作为胶质瘤分子改变的非侵入性替代标记^[3]，为胶质瘤的精准医疗铺平了道路^[4]。深度学习（deep learning, DL）近年来得到快速发展并广泛应用于医学成像领域，其无需手动提取特征，可以自主地在数据集中找到有意义且有用的特征进行研究，极大地节约了时间，具有较优的模型性能。DL源自人工神经网络 ^[5]，主要的基于DL的网络包括卷积神经网络（convolutional neural network, CNN）、深度神经网络（deep neural network, DNN）和循环神经网络（recurrent neural network, RNN）等，其中，CNN在胶质瘤分割方面的准确率大于80%~90%。目前，基于多模态MRI影像组学与DL在胶质瘤的分级、分子分型及生存预测等方面表现出了巨大的潜力。

       本研究基于多模态MRI影像组学与DL在胶质瘤术前分级、分子分型、生存预测及治疗评价中的最新研究进行综述，以期为胶质瘤患者提供精准诊疗。

1 胶质瘤的分级预测

       胶质瘤病理级别不同，其治疗方案也不尽相同。IDH突变2级和3级弥漫性胶质瘤的主要治疗方法是最大程度安全切除，然后进行监测或放疗，而辅助替莫唑胺化疗通常用于治疗IDH突变型星形细胞瘤4级和IDH 野生型GBM^[6]。尽管治疗方法不断发展，4级胶质瘤的预后仍然不利。据报道，2级、3级和4级神经胶质瘤的中位生存期分别约为5~17年、2~8年和<1年^[7]。因此高精度和稳健地预测胶质瘤分级，有助于改善临床决策。

       常规MRI图像、功能MRI图像影像组学及DL在神经胶质瘤分级方面具有很高的准确性。LUO等^[8]建立了一种基于术前MRI影像组学及机器学习的方法预测655名胶质瘤患者病理分级，结果在交叉验证队列中实现了89.8%和86.1%的准确率。LIN等^[9]利用结合了年龄和多参数MRI [T1WI、CE-T1WI、T2WI、表观扩散系数（apparent diffusion coefficient, ADC）]影像组学特征开发影像组学列线图模型预测分级，结果发现组合模型表现出最高的分级功效[曲线下面积（area under the curve, AUC）0.97，敏感度94%，特异度91%）]。WANG等^[10]将多种扩散模式[扩散张量成像（diffusion tensor imaging, DTI）、扩散峰度成像（diffusion kurtosis, DKI）、平均表观传播扩散子MRI（mean apparent propagator-MRI, MAP-MRI）、神经突方向离散度与密度成像（neurite orienttation dispersion and density imaging, NODDI）]加入临床和影像形态学构建影像组学模型预测成人型弥漫性胶质瘤（adult-type diffuse glioma, ADG）分级，结果显示该模型在预测ADG等级方面具有良好的准确性：训练队列（AUC=0.958）、内部验证队列（AUC=0.942）和前瞻性验证队列（AUC=0.880）。ZHU等^[11]建立基于机器学习的影像组学模型来进行胶质瘤分级预测，并与三维动脉自旋标记（3D arterial spin labeling, 3D-ASL）的参数-平均最大相对脑血流量（mean maximum relative cerebral blood flow, rCBFmax）比较预测的有效性，结果显示多层感知器（multilayer perceptron, MLP）模型较rCBFmax在区分高级别胶质瘤（high-grade glioma, HGG）和（low-grade glioma, LGG）方面表现出最佳性能[AUC分别为0.968与0.815（验证组）和0.981与0.815（测试组）]。SEBASTIAN等^[12]使用CNN网络对来自16个研究所的1508名胶质瘤患者的MRI影像进行分级预测，取得稳健的性能（AUC=0.81）。基于DNN及CNN网络模型，有研究^{[13, 14]}从DTI数据集中提取深层特征用于胶质瘤级别分类，生成的模型其预测准确率分别为98%和94%，表明从脑DTI图像中提取的深层特征有助于区分不同级别的胶质瘤。MZOUGHI等^[15]提出了一种基于多模态MRI数据集的多尺度3D CNN架构对LGG和HGG进行分类，并使用数据增强技术对图像进行预处理，其分类准确率从2D CNN模型的82.5%提高到96.4%。

       越来越多的证据表明MRI功能序列包含与肿瘤的遗传特征和侵袭性相关的额外信息，用于胶质瘤级别预测的研究越来越成熟，但现有的研究无标准化的序列或者组合序列，得出的结论也不尽一致，在未来研究中需要制订符合标准化且简单易于实现的成像方法对肿瘤分级进行术前预测。

2 胶质瘤的分子分型预测

2.1 IDH突变

       IDH突变会降低酶对底物的亲和力，增加其对烟酰胺腺嘌呤二核苷酸磷酸（nicotinamide adenine dinucleotide phosphate, NADPH）的亲和力，最后会导致有毒致癌产物2-羟基戊二酸（2-hydroxyglutarate, 2HG）的积累，从而扰乱柠檬酸循环和细胞代谢。IDH1/2突变常发生于胶质瘤中，对肿瘤生物学行为和患者预后具有重大影响^[16]，研究发现与IDH 野生型胶质瘤相比，具有IDH突变的胶质瘤患者具有更好的总体生存率和对替莫唑胺（temozolomide, TMZ）化疗更好的治疗反应^[17]，因此，IDH突变状态的评估对于胶质瘤的准确分类和治疗计划至关重要，并且可能在选择患者进行靶向治疗方面发挥作用。

       研究者^{[18, 19]}从常规MRI图像提取影像特征构建预测IDH突变模型并在训练集取得了较好的效能，AUC值为0.918和0.974，在验证队列中的AUC值为0.872，优于传统模型。GIANFRANCO等^[20]荟萃分析了包括3280例胶质瘤患者的26项研究，从CE-T1WI、T1WI、T2WI、液体衰减反转恢复（fluid-attenuated inversion recovery, FLAIR）、扩散加权成像（diffiusion weighted imaging, DWI）、动态磁化率对比增强MRI（dynamic susceptibility contrast MRI, DSC-MRI）等中提取影像组学特征进行IDH突变预测，获得了较高的敏感度和特异度，分别为79%和80%，另一项基于DSC-MRI图像进行IDH突变预测的研究也显示出较好的效能^[21]。LU等^[22]回顾性纳入414例胶质瘤患者，从CE-T1WI和FLAIR序列中提取851个影像组学特征，使用最小绝对收缩和选择算子（least absolute shrinkage and selection operator regression, LASSO）回归结合10倍交叉验证进行特征选择来构建预测IDH突变模型，影像组学列线图的准确性和AUC在测试数据集中达到86.96%和0.891，在外部验证数据集中达到84.26%和0.881。基于机器学习的研究中，WANG等^[23]回顾性纳入100例接受动态对比增强 MRI（dynamic contrast enhancement MRI, DCE-MRI）和DWI检查的胶质瘤患者，采用支持向量机（support vector machine, SVM）模型、常规模型（根据临床和形态学特征构建）及组合模型进行IDH突变的预测，与SVM和常规模型相比，组合模型实现了最高的AUC（训练组AUC=0.967、验证组AUC=0.909）。PASQUINI等^[24]第一次尝试利用CNN模型预测GBM患者IDH状态，实现了良好的预测性能，尤其是在相对脑血容量（relative cerebral blood volume, rCBV）图谱上（准确率83%，敏感度76%，特异度86%）。LI等^[25]通过在多模态MR图像上结合DL的影像组学（DL radiomics, DLR），获得了0.95的AUC。BANGALORE等^[26]在多参数MRI上开发了CNN模型，仅使用T2WI图像就实现了87.5%的分类准确率，表明T2WI网络在未来应用中有巨大的潜力。加上T2WI图像在临床广泛使用，且采集时间很短，从而降低了运动伪影并提高了患者的舒适度，处理流程也相对简单，这为我们未来的临床工作提供了很好的思路。

2.2 O6-甲基鸟嘌呤-DNA甲基转移酶启动子甲基化

       O⁶-甲基鸟嘌呤-DNA甲基转移酶（O⁶- methylguanine-DNA methyltransferase, MGMT）启动子甲基化是胶质瘤诊断中的另一个重要分子标志物。MGMT启动子的甲基化导致MGMT表达减少并增加对烷化剂的敏感性。因此，MGMT启动子甲基化的测定可以指导治疗决策，特别是在可能受益于烷化剂化疗的患者方面。

       DONISELLI等^[27]回顾性分析277名GBM患者，在3D-CE-T1WI和3D-FLAIR序列勾画感兴趣区域（regions of interest, ROI）（包括肿瘤增强、坏死和FLAIR高信号区域），构建SVM和随机森林（random forest, RF）两种分类模型预测MGMT启动子甲基化，发现基于三个独立ROI的SVM分类器的模型显示出最佳效能（AUC=0.894）。SAXENA等^[28]基于400例患者多参数 MRI图像（T1WI、T2WI、FLAIR和CE-T1WI），利用残差卷积网络（residual neural network, ResNet）建立DL影像标签以预测MGMT甲基化，结果显示出较好的预测效能，AUC为0.753。MATHEW等^[29]应用影像组学方法，收集了235例经病理证实的GBM患者的常规MRI图像进行MGMT甲基化预测，提取了一阶和二阶影像组学特征（灰度共生矩阵），使用最小冗余最大相关性技术来进行特征筛选，经留一交叉验证和外部队列数据集验证后，AUC可达0.83。基于影像组学特征的ResNet被证明是预测胶质瘤MGMT启动子甲基化状态的可行工具，研究^[30]通过提取T1WI、T2WI、ADC图和CE-T1WI四个序列的两个ROI（整个肿瘤区域和肿瘤核心区域）的放射组学特征，并将其联合输入ResNet18开发DL模型预测111名弥漫性胶质瘤MGMT启动子甲基化，取得良好的诊断性能和高准确性。YOGANANDA等^[5]使用247名受试者的脑MRI图像，使用3D U-Net网络开发和训练了T2WI网络以确定MGMT启动基因甲基化状态，结果表明，基于DL的方法优于传统的组织学和分子方法。

2.3 细胞周期蛋白依赖性激酶抑制剂纯合缺失

       细胞周期蛋白依赖性激酶抑制剂（cyclin-dependent kinase inhibitor 2A/B, CDKN2A/B）纯合缺失是一种阴性预后标志物，表明中位总生存期（overall survival, OS）较短和无进展生存期（progression free survival, PFS）较短^[31]。CDKN2A/B纯合缺失的情况下，即使没有微血管增殖或坏死，IDH突变组织学2级或3级星形细胞瘤也被归类为4级^[32]，并且CDKN2A/B 纯合性缺失已被证明是所有级别IDH突变胶质瘤的独立预后标志物。

       YAE等^[33]的研究中对88例IDH突变星形细胞瘤患者通过自动肿瘤分割评估ADC、ADC5%、nCBV和nCBV95%预测CDKN2A/B纯合缺失，结果发现较高的nCBV95%是IDH突变星形细胞瘤中CDKN2A/B 纯合缺失的有用MRI生物标志物。DL网络在预测IDH突变星形细胞瘤的CDKN2A/B纯合缺失状态方面取得了良好的性能，一项大规模研究^[34]应用两个多序列网络（ResFN-Net和FN-Net）对234例胶质瘤患者基于常规MRI影像进行CDKN2A/B纯合缺失预测，通过三路交叉验证总结网络的性能，结果显示FN-Net具有较高的平均交叉验证精度和AUC，分别为0.923和0.970。基于FN-Net的CE-T1WI和T2WI的序列组合表现最好，平均交叉验证精度和AUC分别为0.8971、0.9574。GAO等^[35]从CE-T1WI和FLAIR中提取了1106个放射组学和1000个DL特征来开发区分CDKN2A/B纯合缺失状态的模型，结果发现放射组学特征与DL特征相结合的组合模型（训练组AUC=0.966；验证组AUC=0.935；测试组：AUC=0.943）优于仅基于放射组学或DLR模型（训练组：AUC=0.916、0.952；验证组：AUC=0.886、0.912；测试组：AUC=0.862、0.902）。在病例数量足够的情况下我们可以将放射组学特征与DL特征相结合进行建模，这样我们的研究结果会更加准确且稳定，可以获得更加精准的信息指导患者精准治疗。

2.4 端粒酶逆转录酶启动子突变

       端粒酶逆转录酶（telomerase reverse transcriptase, TERT）基因启动子的突变与端粒酶活性的增加和癌细胞的存活有关。在80%的成人胶质瘤中可以检测到TERT启动子突变，主要是GBM患者，其次是少突胶质细胞瘤（60%~70%）和星形细胞瘤（35%~55%）。TERT启动子突变可作为患者生存不良的预后标志，并可以预测放疗抵抗的风险^[36]。

       基于影像组学特征的列线图是术前预测TERT启动子突变状态的一种有前景的方法。LU等^[37]回顾性研究纳入176例LGG患者，从CE-T1WI图像中提取851个影像组学特征，使用LASSO方法筛选影像组学特征，并用logistic回归算法生成影像组学模型以预测TERT启动子突变，结果表明该模型在训练队列和验证队列表现出优异的效能，AUC分别为0.900和0.873。HUO等^[38]基于T2WI和CE-T1WI在109例IDH野生型LGG患者中构建影像组学模型，并与患者年龄、肿瘤边界、肿瘤越过中线等临床风险因素相结合建立联合模型并在测试队列上测试了该模型，结果证实了其有效性及较好的推广性，AUC为0.897（训练集）和0.882（验证集），优于另一项^[39]基于GBM患者TERT启动子突变状态的研究表明，与TERT启动子突变相关的放射组学变化可能在IDH 野生型LGG和GBM之间有所不同。IDH状态也会影响研究结果，先前一项研究^[40]混入了IDH突变型和IDH野生型患者，其得到的AUC值相对较低。这表明肿瘤的病理级别及分子状态都会使研究结果产生差异，在以后的工作中应该严格把控入组条件，减少偏倚的产生。

       近年来，DL对于TERT启动子突变的研究也崭露头角，ZHANG等^[41]基于多参数MRI（T2WI、T1WI、CE-T1WI）的瘤体和瘤周DL特征识别GBM患者的TERT启动子突变，研究结果显示基于四个2D CNN网络堆叠融合方法及多区域融合的DLR）实现了最佳预测，训练集和测试集的AUC值分别为0.948和0.902。除了常规序列的研究外，功能序列如DSC-MRI由于包含更多的微血管灌注信息也被加入研究中^[42]，且对TERT启动子突变的预测达到84%的准确度（86%的敏感度，81%的特异度）。

       以上研究表明了影像组学及DL在分子标记预测方面具有非常大的效能，可以帮助临床医生无创获得分子基因信息。

3 生存预测

       影像组学及DL作为一种非侵入性工具，有可能揭示肿瘤内异质性这一经常被忽视的特征，可以在术前预测胶质瘤患者的生存期，并对风险因素分层评估，这对于确定肿瘤行为、指导治疗决策和预测整体预后是非常有潜能的。LI等^[43]纳入652例胶质瘤患者的T2WI影像，从中提取影像组学特征建立模型用于预测胶质瘤病患者生存周期，结果表明该模型对外部验证队列中胶质瘤总生存率的预测效能较好。在实际工作者，患者的临床因素较为复杂，如年龄、肿瘤级别、肿瘤生长浸润方式等会直接关系到患者生存期的长短，JIA等^[44]研究纳入125例GBM 患者，将术前常规MRI影像组学特征通过机器学习，并与临床危险因素结合建立预测模型，能够准确地预测患者的OS，AUC为0.877，加入DWI功能检查后其诊断性能进一步提高^[45]。一项基于DTI影像组学模型研究结果^[46]显示影像组学-临床列线图比单独的影像组学模型或临床模型可以更好地预测IDH 野生型GBM患者生存。XU等^[47]报道了结合影像组学评分（Radscore）、室管膜和软脑膜受累情况以及年龄构建生存风险分层模型预测GBM患者的OS，AUC高达0.858，KEON等^[45]发现纳入Radscore的影像基因组模型预测效能非常稳健，AUC为0.89。PHILIP等^[48]基于DL的影像组学建立得到的肿瘤生长速预测模型证实了肿瘤生长速度是影响LGG的OS的重要预测指标。FU等^[49]利用3D CNN、DNN网络提取163名GBM患者的MRI图像构建DL特征，对其OS进行预测，一致性指数取得0.67。NIE等^[50]使用DL从多模态MRI数据集中自动提取深层特征，手动选择临床特征如年龄、性别和健康状况，然后输入SVM建立模型，预测HGG患者OS准确率为90.66%。考虑到IDH、MGMT和1p/19q等基因型与患者生存率之间的密切关系，TANG等^[51]提出了一个多任务CNN模型来联合完成肿瘤基因型和OS预测，结果显示与肿瘤基因型相关的特征显著提高了预测OS的准确性，与OS相关的特征也提高了预测基因型的准确性，这反过来证明了基因型与OS之间的相关性。

       以上研究启示我们如果患者在手术前具有最优Radscore并接受标准治疗，则患者更有可能获得较长的OS。在研究中加入临床因素如患者年龄、其他基因分型改变等可能对患者OS的预测更加准确。在此前研究中样本量普遍偏小且患者治疗方案不一致会对结果产生影响，在以后的研究中应纳入经过标准化治疗的患者进行前瞻性生存预测。

4 弥漫性星形细胞胶质瘤（IDH野生型）的识别

       2021年，WHO中枢神经系统肿瘤分类标准增加了弥漫性星形细胞胶质瘤（IDH野生型）的诊断，具有GBM的分子特征，WHO 4级（DAG-G）^[52]。已有研究^[53]表明DAG-G是GBM组织学的早期阶段，最终将发展成为典型的GBM组织学特征。鉴于DAG-G具有与GBM相同的侵袭性及浸润性，应优先考虑在可行的情况下进行肿瘤最大范围切除，并进行GBM标准化治疗—放疗和同时使用TMZ进行化疗^[54]。研究发现^[55]GBM患者OS中位数为14.6个月，PFS中位数为7.4个月，DAG-G患者OS中位数、PFS中位数与之相当，分别为15.1个月、5.39个月^[56]。因此，对于组织学分级低、GBM分子特征一致的IDH野生型2~3级弥漫性星形细胞胶质瘤，术前获得无创、精准的鉴别具有极其重要的意义。这不仅可以帮助神经肿瘤科医生制订更精细的个体化治疗方案，包括扩大手术切除范围，积极进行术后放疗、靶向治疗或其他手术后治疗，可以最大限度地改善患者的预后。

       有研究^{[57, 58]}基于MRI影像组学特征的机器学习模型预测DAG-G，获得了满意的分类结果，测试集AUC达到0.85以上，准确度91.5%，敏感度84.2%，特异度95.0%。另外一项研究^[59]将临床病理特征[包括表皮生长因子受体（epidermal growth factor receptor, EGFR）扩增和TERT启动子突变]和Radscore进行多变量Cox回归分析，其预测DAG-G性能从0.775增加到0.910，这说明影响DAG-G进展的因素是多样的，FUJIMOTO等^[60]的研究结果也证实了这一点，显示TERT启动子突变是DAG-G不良预后的显著预测因子[风险比（hazard ratio, HR）2.79]。DU等^[61]纳入172例2~3级星形细胞瘤患者，在患者术前MRI图像上勾画出2个ROI（包括最大异常区域和肿瘤区域），使用六种分类器[高斯朴素贝叶斯（Gaussian naïve bayes, GNB）、K-邻近算法（k-nearest neighbors, KNN）、RF、自适应增强（adaboost, AB）、MLP、SVM]建立术前预测DAG-G模型，并通过五重交叉验证评估分类器的预测性能，结果显示AB分类器的预测性能最好，AUC为0.97。

       以上研究表明MRI影像组学构建的预测模型可以基本实现对DAG-G的无创性和准确诊断，对进一步优化此类患者的治疗方案具有重要意义。当遇到此类患者时，建议立即进行活检/切除以确认诊断并立即开始辅助治疗，因为疾病进展和总体预后与GMB相似。目前对DAG-G的临床研究仍处于起步阶段，入组患者样本量小存在缺陷，分析结果可能不具有代表性和指导性。未来，需要更大的样本量和来自多个中心的患者数据信息。

5 放疗后真性进展与假性进展的识别

       放射性坏死（radiation necrosis, RN）通常发生在放疗后3~12个月，与复发肿瘤难以区分，因为两者在MRI上均表现为增强的肿块病灶。复发是GBM死亡的主要原因之一，复发表明治疗失败，需要使用额外的抗肿瘤疗法，而RN则采取保守治疗。因此，区分复发性GBM和RN对于决定后续治疗具有重要的临床意义。

       PARK等^[62]基于常规MRI和扩散MRI的机器学习建立高性能影像组学模型在独立测试集中，使用ADC序列的模型对于区分复发性GBM与RN显示出最佳的诊断性能，AUC、准确率、敏感度、特异度分别为0.80、78%、66.7%和87%，表明ADC对于区分复发性GBM和RN很有前景，因为它反映了肿瘤细胞扩散受限程度。研究显示^[63]基于酰胺质子转移加权成像（amide proton transfer-weight imaging, APTw）影像组学模型在诊断放疗效应引起的肿瘤复发和治疗效果方面表现出86.0%的准确度，优于单一序列（T1WI、T2WI、FLAIR和CE-T1WI），建立APTw-MRI与常规MRI的组合模型其准确率提高至89.5%，这表明基于APTw的影像组学可提高MRI评估GBM患者对于治疗反应的准确性。ZHANG等^[64]评估了常规MRI序列（T1WI、T2WI、FLAIR、CE-T1WI）、DWI和ASL（CBF）用于区分胶质瘤复发和RN的性能，结果基于多模态MRI影像组学（AUC=0.96）的SVM模型优于常规 MRI（AUC=0.88）、ADC（AUC=0.91）和ASL-CBF（AUC=0.95）影像组学模型。REN等^[65]回顾性纳入了131例胶质瘤患者，从常规MRI序列的术后增强区域和水肿区域提取影像组学特征，结果显示基于水肿区域特征构建的预测复发模型在分类方面表现出82.5%的准确率，这提示我们水肿区域可能为识别复发提供有用的信息。研究者^[66]将胶质瘤患者的CE-T1WI图像与T2WI图像进行配准来训练DL模型，并使用五倍交叉验证，对于区别复发性GBM实现了76.4%的准确度。ZHU等^[11]纳入78例GBM患者建立融合临床特征和影像特征的CNN网络识别患者真性进展与假性进展，获得了较好的效能。

       影像组学及DL对于胶质瘤放疗后真、假性进展具有一定的识别能力，尤其在引入高级MRI序列后诊断性能进一步得到提升。但是大部分研究结果缺乏外部验证队列进一步验证，这也是我们后续重要的研究内容。

6 免疫治疗及对化疗药物敏感性的研究

       目前，化疗仍然是恶性胶质瘤的主要治疗方法， TMZ是广泛用作恶性胶质瘤的一线化疗药物^[67]，可轻松穿过血脑屏障，通过在多个位点烷基化DNA来诱导肿瘤细胞死亡。抗血管生成治疗是唯一公认的高级别胶质瘤靶向治疗方法^[68]，贝伐珠单抗（bevacizumab, Bev）是最常见的抗血管生成剂，其通过结合并抑制血管内皮生长因子A（vascular endothelial growth factor-A, VEGF-A）发挥作用，从而阻碍肿瘤血管系统的发育^[69]。安罗替尼是一种针对肿瘤细胞增殖和血管生成的新型酪氨酸激酶抑制剂，已被证明可以延长GBM的PFS，在最近的研究中显示出光明前景。

       LI等^[70]基于MRI的影像组学模型用于预测复发性恶性胶质瘤患者对安罗替尼联合TMZ的治疗反应。研究从MRI图像中提取3668个影像组学特征，采用八种机器学习模型构建影像组学模型，结果显示logistic回归模型表现最好，AUC为0.93，治疗反应组较无反应组表现出更高的生存获益（中位PFS分别为8.53个月和5.33个月，中位OS分别为19.9个月和7.33个月）。该研究提示我们在治疗前识别出可能从这种疗法中受益的患者及无反应的患者至关重要，以便为无反应患者提供更加个性化的靶向治疗，避免毒性和不必要的费用。WEI等^[71]回顾性纳入105例2~4级星形细胞瘤患者，从CE-T1WI、FLAIR和ADC图在肿瘤和瘤周水肿区提取影像组学特征，使用生存分析曲线探讨TMZ化疗患者总生存率特征，影像组学方法成功地将患者分为高风险组和低风险组，以了解TMZ化疗后的总生存期，从而为个体化治疗计划提供了依据。SAMUEL等^[72]搜集79例原发GBM或高级别IDH1突变星形细胞瘤患者，基T1WI、CE-T1WI、FLAIR和ADC图像生成影像病理图，确定了与Bev治疗反应相关的非增强肿瘤浸润的表型。

       胶质瘤是中枢神经系统中最致命的肿瘤，生存时间很短，尤其是HGG。由于治疗选择有限，临床试验中免疫疗法更频繁地用于胶质瘤患者^[73]。越来越多的证据表明，除了突变和分子改变之外，肿瘤的免疫微环境也会显著影响肿瘤行为，影响抗肿瘤治疗的反应或导致抗药性^[74]。放疗和化疗等传统治疗方法以及靶向肿瘤野和聚焦超声等新型治疗方法也可以诱导肿瘤免疫微环境发生变化，从而导致肿瘤反应发生改变^[75]。CHEN等^[76]纳入379例HGG患者构建影像组学免疫生物标志物（radiomics immunological biomarker, RIB）的影像组学模型预测M2样肿瘤相关巨噬细胞TAM的绝对密度，研究发现只有RIB评分高的患者才能从树突状细胞（dendriticcell, DC）疫苗中获得生存获益（DC疫苗与安慰剂：中位PFS为10.0个月和4.5个月；中位OS为15.0个月和7.0个月），DC疫苗治疗是提高RIB高评分组生存率的独立因素。此外，基于RIB评分和临床因素的影像组学列线图可以有效预测生存率。LUAN等^[77]构建免疫相关的长非编码RNA特征和影像组学特征以探讨GBM患者的预后和免疫浸润，结果表明这些特征能够将患者分为高风险和低风险组，且生存率存在显著差异。这些特征是GBM患者的一个新的独立预后因素，在训练集和验证集中AUC分别为0.890和0.887，并且与免疫细胞的浸润、关键免疫基因的表达有关，可以预测免疫疗法的临床反应。

7 不足与展望

       MRI是胶质瘤诊断的首选影像学检查技术，可以为临床医生提供丰富的信息来并制订适当的治疗计划。因此，充分挖掘医学影像信息对于临床诊断、决策和疾病预后起着至关重要的作用。影像组学可以提供比肉眼更深入的表征，可以可视化整个肿瘤区域的细胞和分子特性的丰富信息，是一种有前途的肿瘤无创评估方法。DL可以从大量原始数据中准确地找到深层和抽象的特征，目前已成为医学图像分析领域广泛研究的课题。基于常规和功能MRI的DL和影像组学已广泛用于神经胶质瘤的术前分级、基因分型和预后等，作为一种新的识别预测和预后生物标志物的工具广泛应用于临床，为精准医疗铺平了道路。但仍然存在着一些局限性：（1）大多数研究样本量偏小，缺乏独立验证队伍进行模型的验证，会降低结果的准确度。应开展多中心、大样本研究，多中心研究确保研究结果不依赖于单个研究中心的特定条件，这增加了结果的再现性，并增强了对模型的信心。（2）图像采集的标准化不一，来自不同中心的数据可能因为数据收集方法、设备及扫描参数的不同其质量和一致性会有差异, 这可能会影响分割精度。因此必须采用标准化的方式进行图像的采集。（3）未经过良好训练的模型容易过度拟合，泛化能力差，无法应用于医学。增加训练数据的数量有助于防止过度拟合。（4）DL应用的研究主要通过MRI和病理切片来显示，尚未涵盖多组学数据，如全外显子组序列、RNA序列、蛋白质组学和表观基因组学。在后续的工作中可以尝试更深层次的研究，更全面地了解疾病过程，并开发更有效的治疗方法。（5）DL模型非常复杂，需要大量的计算资源来训练和优化。研究人员应该开发更优化及高效的算法为分析和解释这些数据提供强大的新工具。