0 引言

       脑胶质瘤来源于神经外胚叶衍化而来的胶质细胞，是颅内最常见的原发性恶性肿瘤，具有术后复发率高、总体生存期短、预后差等特点^{[1, 2]}。高度弥漫性、侵袭性和血管化的肿瘤特点使得肿瘤无法仅通过手术治愈^[3]，经手术辅以标准放化疗后肿瘤也常复发^[4]。目前确诊复发的方式为二次手术或根据改良脑胶质瘤治疗反应评估标准（modified Response Assessment in Neuro-Oncology, mRANO）^[5]对术后随访影像学资料进行评估，但其具有有创性、滞后性、主观性强等缺点，因此对胶质瘤患者进行早期无创性复发预测迫在眉睫。影像组学技术通过非侵入性方式提取高通量数据^[6]，这种技术不仅避免了主观人为因素的影响，而且逐步筛选所得的影像组学特征可以揭示不同患者肿瘤内部的细微差异，实现对肿瘤内部异质性的量化，从而为肿瘤良恶性分类、疗效评估、疾病进展预测等提供参考价值^{[7, 8]}。病理参数由肿瘤组织样本经染色处理后获取，可以反映细胞增殖与分化状态、分子亚型、肿瘤微环境等生物学特性，这些特性对分析肿瘤行为有重要意义^[9]。既往研究多聚焦于单一肿瘤部分的影像组学^[10]，联合图像层面和细胞层面的综合模型较为少见，本研究建立基于脑胶质瘤患者术前对比增强T1WI（contrast enhancement T1WI, CE-T1WI）影像组学模型和与胶质瘤复发存在相关性的病理参数模型，从多维度多参数反映肿瘤细胞的异质性，为高复发可能性患者的治疗策略调整提供依据。对于可能早期复发的患者，临床医师可提前调整治疗方案、制订新的治疗策略，如调整手术切除范围、放疗范围和剂量和化疗药物等，以期达到缓解患者临床症状、改善患者生活质量、提高生存期的目的。

1 材料与方法

1.1 病例资料

       回顾性分析2020年4月至2023年4月于宁夏医科大学总医院行脑胶质瘤切除术并在术后辅以标准化放化疗的115例患者，采用随机抽样法将纳入病例按7∶3分为训练集（n=81）与验证集（n=34）。纳入标准包括：（1）手术后病理确诊为脑胶质瘤；（2）术前行完整的颅脑MRI检查，术后行规范放化疗，在放化疗后行≥6个月的颅脑MRI随访。排除标准：（1）临床病理资料不完善；（2）图像质量差无法评估。

       研究纳入的临床资料包括：患者年龄、性别、异柠檬酸脱氢酶-1（isocitric dehydrogenase-1, IDH-1）基因型、O⁶-甲基鸟嘌呤-DNA甲基转移酶（O⁶-methylguanine-DNA methyltransferase, MGMT）启动子甲基化状态、Ki-67表达水平。IDH-1基因型、MGMT启动子甲基化状态、Ki-67表达水平由术后免疫组织化学染色检测确定。Ki-67表达水平以阳性细胞比为20%为截断，若阳性细胞比≥20%为高表达，<20%为低表达^[11]。通过二次手术或脑组织活检病理结果，或参考mRANO标准分析术后12个月内的随访资料，将纳入病例进行复发与未复发的判定，符合以下情形之一定义为肿瘤复发：（1）二次开颅手术或立体定向脑组织活检明确肿瘤细胞存在；（2）随访期间颅脑MRI检查显示新增强化病灶范围增大，瘤周水肿加重并伴随临床症状恶化。符合以下情形之一定义为肿瘤未复发：（1）随访期间颅脑MRI检查未发现新增强化病灶，患者临床症状稳定；（2）随访期间颅脑MRI检查虽发现强化病灶但经病理检查或mRANO标准诊断为治疗相关反应。在115例患者中，复发患者61例，未复发患者54例。本研究遵循《赫尔辛基宣言》，经宁夏医科大学总医院科研伦理委员会批准（批准文号：KYLL-2023-0222），免除受试者知情同意。

1.2 扫描仪器与方法

       利用GE SIGNA EXCITE 3.0 T磁共振扫描仪配合常规头颈线圈进行扫描。轴位CE-T1WI序列扫描参数：TR 2300 ms，TE 7.4 ms，FOV 24.0 cm×24.0 cm，平均次数为1，层厚0.6 cm，层间距0.5 cm。在注射对比剂钆特酸葡胺注射液（江苏恒瑞医药股份有限公司）时，使用专用高压注射器通过肘静脉注入，速率为2.0 mL/s，剂量为0.2 mL/kg。

1.3 图像预处理及感兴趣区的分割

       将纳入病例的CE-T1WI图像以DICOM格式导入Python 3.12.1（https://www.python.org）中的“SimpleITK”包进行N4偏置场校验以削弱由磁场不均匀引起的信号强度变化^[12]。在对病例随访结果未知的情况下，由两位具有5年诊断经验的放射诊断医师在3D-Slicer 5.6.1（http://www.slicer.org）中对轴位CE-T1WI图像进行逐层肿瘤病灶勾画，最终得到肿瘤病灶的容积感兴趣区（volume of interest, VOI）（图1）。由其中一位放射诊断医师在两周后再次进行手动分割，提取以上VOI影像组学特征并利用组内和组间相关系数衡量不同观察者间及观察者自身的可重复性和一致性。

点击查看大图

图1  使用3D-Slicer手动逐层勾画感兴趣区。1A~1C为单层感兴趣区（绿色区域），1D为生成肿瘤容积感兴趣区。
Fig. 1  Using 3D Slicer to manually outline the regions of interest layer by layer. 1A to 1C are single-layer regions of interest (green areas), and 1D is the region of interest for generating tumor volume.

1.4 获取特征及计算影像组学评分

       在进行特征提取之前，图像将被重采样为3 mm×3 mm×3 mm的像素空间以进行标准化处理，使用高斯拉普拉斯滤波器，sigma值设定为3，并将灰度数据离散化为25个bin值宽度。利用“Pyradiomics”包进行特征提取，随后对提取得到的特征进行Z-score标准化处理。对标准化后的特征，首先使用U检验进行初步筛选，然后基于“glmnet”包的最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）进行进一步筛选，采用5折交叉验证方法验证算法的稳定性。最终，根据所筛选得到的特征及其对应的回归系数，计算出影像组学评分（radiomics score, Radscore）。

1.5 构建预测模型及统计学分析

       采用相互作用方程（generalized linear model, GLM）构建影像组学模型（模型一），通过logistic回归确定胶质瘤复发的病理预测因子建立病理参数模型（模型二），二者结合为联合模型（模型三）。使用R 4.1.2（http://www.r-project.org）软件进行各模型在训练集及验证集受试者工作特征（receiver operating characteristic, ROC）曲线的绘制，计算不同模型在训练集及验证集的曲线下面积（area under the curve, AUC）、准确度、敏感度、特异度。使用DeLong检验评价不同模型间AUC值差异是否有统计学意义。使用决策曲线（decision curve analysis, DCA）评估不同模型的临床应用价值。绘制列线图将模型结果直观展现。校准曲线采用“boot”方法，重抽样1000次进行验证。结果均以P<0.05为差异有统计学意义。

2 结果

2.1 纳入病例临床资料

       最终纳入患者共115例，其中复发患者61例，未复发患者54例。多因素logistic回归分析显示，IDH-1野生型（OR=2.070，P=0.041）和Ki-67高表达（OR=1.065，P<0.001）为胶质瘤复发的有效独立预测因素（表1）。

点击查看表格

表1  临床特征预测胶质瘤复发的logistic回归分析
Tab. 1  Univariate logistic regression comparison of predicting glioma recurrence based on clinical features

2.2 三种预测模型建立

       从每位患者轴位CE-T1WI图像中提取出共200个特征，首先经U检验初步筛选出8个特征，而后使用LASSO回归筛选出6个与胶质瘤复发相关的最佳特征集（图2），基于最佳特征集及对应的回归系数加权计算出Radscore（表2）。

点击查看大图

图2  胶质瘤复发相关的影像组学特征。2A为最小绝对收缩和选择算子（LASSO）回归系数分布图，展示了每个lambda值下的特征系数的变化情况，横轴表示log(lambda)，纵轴表示特征系数值。2B为LASSO回归交叉验证图，展示了不同lambda值下每一折交叉验证的均方误差（MSE）结果，横轴表示log(lambda)，蓝色代表标准差。
Fig. 2  Imaging omics features related to glioma recurrence. 2A shows the distribution of least absolute shrinkage and selection operator (LASSO) regression coefficients, showing the variation of feature coefficients for each lambda value. The horizontal axis represents log(lambda), and the vertical axis represents the value of feature coefficients. Figure 2B shows the LASSO regression cross validation plot, showing the mean squared error (MSE) results for each fold cross validation under different lambda values. The horizontal axis represents log(lambda), and the blue axis represents standard deviation.

点击查看表格

表2  筛选的影像组学特征与其对应的特征系数
Tab. 2  Selected radiomic features and their corresponding coefficients

2.3 模型预测效能评估

       ROC曲线显示，影像组学模型在训练集及验证集的AUC分别为0.769、0.696，病理参数模型在训练集及验证集的AUC分别为0.835、0.830，而联合模型在训练集及验证集的AUC分别为0.875、0.871，由此可见联合模型的预测效能最佳（图3）。训练集及验证集中，各模型的准确度、敏感度、特异度见表3。DeLong检验显示，在训练集中，联合模型的AUC值与病理参数模型、影像组学模型比较，差异有统计学意义（Z=-1.585、-2.458，P=0.013、0.014）。根据DCA显示，当阈值概率大于0.32时，联合预测模型实现了最佳的临床净获益（图4）。绘制列线图使预测模型更直观展示，更易于临床应用（图5）。在列线图中，根据回归模型中各自变量的权重，为每个变量赋予相应的分值，将患者两项得分相加以计算总得分，从而推测其复发的概率。校准曲线的分析结果显示，列线图的预测结果与实际结果具有较高的一致性（图6）。

点击查看大图

图3  影像组学模型（3A）、病理参数模型（3B）、联合模型（3C）的受试者工作特征曲线及曲线下面积（AUC）。红色代表训练集，蓝色代表验证集。
Fig. 3  The receiver operating characteristic curves and area under the curve (AUC) of the imaging omics model (3A), pathological parameter model (3B), and combined model (3C). Red represents the training set, and blue represents the testing set.

点击查看大图

图4  训练集（4A）与验证集（4B）的决策曲线。横轴代表阈值概率，纵轴代表临床净获益。
Fig. 4  Decision curves for the training set (4A) and validation set (4B). The horizontal axis represents the threshold probability, and the vertical axis represents the clinical net benefit.

点击查看大图

图5  联合模型列线图。Radscore：影像组学评分；IDH-1：异柠檬酸脱氢酶-1。
Fig. 5  Nomogram of the combined model. Radscore: radiomics score; IDH-1: isocitric dehydrogenase-1.

点击查看大图

图6  联合模型在训练集（6A）及验证集（6B）的校准曲线。
Fig. 6  Calibration curves of the joint model on the training set (6A) and validation set (6B).

点击查看表格

表3  影像组学、病理及联合模型的预测效能
Tab. 3  The predictive performance of radiomics, pathology and joint models

3 讨论

       本研究通过建立术前CE-T1WI图像影像组学模型，病理参数模型及联合模型以预测胶质瘤复发，结果表明影像组学模型和病理参数模型均能有效预测胶质瘤复发，但联合模型的预测效能更为优异。该方法不仅提升了胶质瘤患者复发风险评估的准确度，更展示了多模态数据整合的巨大潜力。

3.1 术前预测胶质瘤患者复发的必要性

       胶质瘤具有浸润性生长、强侵袭性及高放化疗抵抗的特征。胶质瘤细胞内的分子和遗传改变在很大程度上决定了其异质性和侵袭性。此外，胶质瘤细胞募集相关巨噬细胞，巨噬细胞通过多种机制抑制免疫系统的抗肿瘤反应，从而进一步促进胶质瘤的浸润、迁移和远处受累^[13]。广泛、弥漫性的肿瘤浸润使得一些患者标准治疗后仍出现复发，术后高复发率成为影响患者预后的主要因素之一。既往有研究结果表明初次手术与复发之间的时间间隔对患者预后有一定的评估价值^{[14, 15]}，因此考虑不同的复发风险患者的后续治疗也应高度优先。传统影像学技术在早期预测胶质瘤复发方面的价值有限，无法满足临床精准治疗的需求，因此在术前建立一个复发预测模型尤为重要，这可以为高复发可能性患者采取更积极的个性化治疗。

3.2 基于多模型预测胶质瘤复发

       肿瘤内异质性反映了肿瘤组织的不均一性，异质性可能由胶质瘤内不同干细胞类型的存在或不同克隆结构的差异引起，致使同一肿瘤内的不同区域展现出各异的肿瘤亚型^{[16, 17]}。尽管基因测序在揭示肿瘤内细胞异质性方面展示了强大潜力^[18]，但全面的基因组测序仍然需要较高的费用和较长的时间，这限制了其在临床应用中的广泛普及，使之难以为临床治疗提供及时支持^[19]。在影像学研究中，集成磁共振成像、三维动脉自旋标记成像、酰胺质子转移成像等影像学技术已将定量参数应用于肿瘤异质性的研究中，但这些技术的局限性在于空间信息的丢失。影像组学核心概念是从医学影像图像中挖掘出能反映肿瘤异质性的高维影像特征^[20]，相关研究已证实影像组学特征可以反映肿瘤的基因组特性、蛋白质表达和肿瘤微环境的相关信息^[21]，影像组学标签模型在预测胶质瘤相关分子亚型及生存期方面也已展现出较好的临床应用价值^{[22, 23]}，基于此本研究利用术前胶质瘤内影像组学特征较为全面地分析胶质瘤内生物信息以构建预测胶质瘤复发的模型。通过提取、筛选，本研究最终确立6个与胶质瘤复发相关的影像组学特征，其中形状特征1个，一阶统计特征3个，二阶及高阶纹理特征2个。纹理特征灰度依赖矩阵（Gray Level Dependence Matrix, GLDM）权重系数绝对值最大，不仅说明该特征对于影像组学标签的贡献最大，也反映了其在预测胶质瘤复发方面的价值。GLDM通过计算图像中每个像素与其周围像素的灰度值依赖关系，能够捕捉图像纹理的细节信息，可以用于评估肿瘤细胞密度和组织均匀性，从而反映肿瘤的侵袭性和预后^[24]。研究结果显示影像组学模型在胶质瘤复发方面的预测性能较好，说明本研究提取的影像组学特征在区分复发患者与非复发患者肿瘤内异质性方面有一定价值，也进一步说明影像组学分析能够作为工具反映肉眼难以分辨的肿瘤内微观结构，可为胶质瘤患者肿瘤内微环境变化分析提供影像学研究思路及技术。WANG等^[25]开发了一种基于术前MRI影像组学标签的预测模型用于预测胶质母细胞瘤复发，并展现出良好的预测性能。一项国外研究^[26]采用CaPTk组学工具包成功构建了多机构影像组学模型以预测胶质母细胞瘤复发模式，并表现出优异的预测效果。此外，另一研究^[27]利用自动机器学习中基于树的管道优化工具（TPOT）建立预测胶质瘤复发的模型，同样展示出出色的性能。本研究通过影像组学分析验证了这些研究的结果，说明影像组学分析可为早期识别高复发率患者及早期临床干预提供较为精准的影像学分析方法。

       Ki-67由位于染色体10q26.2的MKI-67基因编码，是一种非组蛋白性核内蛋白。人类细胞中，Ki-67的表达水平从G1期晚期开始增加，在S期进一步上升，并在有丝分裂时达到峰值，随后在有丝分裂结束时迅速下降^[28]。Ki-67表达水平反映了细胞核增殖能力，胶质瘤组织中Ki-67的表达水平高于正常脑组织，Ki-67高表达与较高的肿瘤分级和不良预后相关^{[29, 30, 31]}。IDH-1突变引起主要生化变化是2-羟基戊二酸（2-Hydroxyglutaric, 2-HG）的异常积累。2-HG被认为是“肿瘤代谢物”，在细胞内堆积进从而影响细胞的表观遗传状态^[32]。研究显示这样的表观遗传改变使得IDH-1突变型肿瘤通常生长较缓慢，对放疗和化疗更为敏感，因此患者的总体生存期较长^[33]。本研究结果显示IDH-1野生型与Ki-67高表达是胶质瘤复发的有效独立预测因素，以二者建立的病理参数模型在训练集和验证集中均展示出良好的预测性能，这验证了二者在预测胶质瘤复发中的价值。Ki-67作为评估细胞增殖的定量标志物，IDH-1基因型作为2021版WHO中枢神经系统肿瘤分级的重要依据，二者不仅具有易于检测、成本低廉且结果准确可靠的优点，而且由于病理参数的标准化特性，使得基于病理参数的预测模型能够在不同医疗机构和人群中进行多中心研究和验证，从而提高模型的普适性和广泛应用价值，推动精准医学的发展。

       在本研究中，我们发现联合模型的AUC值高于仅使用病理参数模型或影像组学模型，这表明基于图像层面的高维影像特征和基于细胞层面的组织学参数相结合能更全面体现肿瘤生物学行为。多维度多参数的联合模型有望为临床医生提供术前预测患者病灶结局的工具，从而为胶质瘤患者的个体化治疗方案提供较为可靠的参考依据。

3.3 本研究的局限性

       本研究具有以下局限性：（1）部分患者的复发诊断是参考mRANO标准，并非全部依据病理学结果，这可能导致一定程度的误差；（2）影像组学模型建立仅基于CE-T1WI序列，未来计划纳入更多序列以提高模型的综合性能；（3）本研究为单中心回顾性研究，存在回顾性研究偏倚较大的限制；（4）需要采用多种机型扫描及收集外部验证数据对模型效能进行检验，从而判断其泛化能力。

4 结论

       综上所述，基于术前CE-T1WI图像影像组学和病理参数构建的联合模型在预测脑胶质瘤复发中展现良好价值，可用于早期无创预测胶质瘤复发，为脑胶质瘤患者临床决策提供帮助。