0 引言

       胶质母细胞瘤（glioblastoma, GBM）与原发性中枢神经系统淋巴瘤（primary central nervous system lymphoma, PCNSL）是两种治疗策略及预后差异显著的颅内恶性肿瘤。GBM是成人最常见的恶性原发性脑肿瘤，中位生存期不足1年^[1]，标准治疗以手术切除联合放化疗为主^[2]；而PCNSL中90%以上为弥漫大B细胞淋巴瘤（diffuse large B-cell lymphoma, DLBCL）^[3]，年发病率约为0.4~0.5例/100 000人，接受规范治疗（如大剂量甲氨蝶呤联合方案）后生存期可延长至3~5年^{[4, 5]}。尽管立体定向活检是确诊PCNSL的金标准，但其操作相关出血风险可达5%~10%，对位于深部或功能区的病灶风险尤甚^[6]，且类固醇治疗可能诱导淋巴瘤细胞溶解，增加活检假阴性风险^{[7, 8]}。误诊将导致严重后果：PCNSL误判为GBM引发不必要手术切除及神经功能损伤，而GBM误诊为PCNSL则因延误手术时机加速肿瘤进展^[9]。因此，建立高精度的无创术前鉴别体系具有重要临床意义。

       GBM与PCNSL的临床表现及常规MRI特征存在高度重叠^[10]。典型GBM多表现为环形强化伴广泛瘤周水肿，而PCNSL以均匀强化及轻中度水肿为主，但约25%~30%的非典型病例呈现影像特征交叉（如GBM均匀强化或PCNSL坏死形成），导致诊断敏感度显著降低^{[10, 11]}。影像组学通过高通量挖掘肿瘤异质性特征，为无创鉴别提供了新路径。然而，现有研究多局限于单一MRI序列分析，如KUNIMATSU等^[12]利用CE-T1WI纹理特征实现75%的鉴别准确率；XIA等^[13]构建的单参数CE-T1WI卷积神经网络（convolutional neural network, CNN）模型准确率为88.4%，而决策级融合多参数CNN模型准确率达89.9%，与高年资放射科医生的90.6%差异无统计学意义（P=0.886）。值得注意的是，血清标志物如全身免疫炎症指数（systemic immune-inflammation index, SII）和乳酸脱氢酶（lactate dehydrogenase, LDH）可反映PCNSL独特的免疫微环境^{[14, 15, 16, 17]}，但其在肿瘤鉴别中的协同价值尚未明确。

       本研究融合多模态MRI[对比增强T1 加权成像（contrast-enhanced T1-weighted imaging, CE-T1WI）、T2液体衰减反转恢复（T2 fluid-attenuated inversion recovery, T2-FLAIR）序列、扩散加权成像（diffusion weighted imaging, DWI，b=1000 s/mm²）、表观扩散系数（apparent diffusion coefficient, ADC）]影像组学特征与临床参数（血清学指标、影像表现），构建GBM与PCNSL鉴别诊断模型。通过多维度数据整合突破单模态分析瓶颈，以期实现诊断效能优化，为临床决策提供精准无创支持。

1 材料与方法

1.1 研究对象

       本研究回顾性纳入2021年1月至2024年6月于山东省立医院经病理活检确诊的GBM及PCNSL患者病例，部分经低剂量放射治疗有效（诊断性放疗）的PCNSL患者病例也被纳入^{[18, 19]}。纳入标准：（1）术前完成常规MRI（CE-T1WI、T2-FLAIR、DWI、ADC）及血清学检测（肝功能相关指标、炎症与营养指标以及其他指标）；（2）诊断符合2021年世界卫生组织（World Health Organization, WHO）中枢神经系统肿瘤分类标准^[3]；（3）纳入患者的MRI检查与病理活检时间间隔均≤7天，以确保影像与病理特征的一致性。排除标准：（1）合并其他肿瘤或全身淋巴瘤；（2）PCNSL在影像采集前接受过放化疗或激素治疗；（3）图像伪影或数据缺失；（4）临床资料不全。本研究遵守《赫尔辛基宣言》，经山东省立医院伦理委员会批准，免除受试者知情同意，批准文号：省医伦批第（SWYX: NO. 2025-137）。

1.2 资料收集

1.2.1 临床资料

       通过山东省立医院电子病历系统采集患者临床资料。临床资料涵盖人口学特征、临床表现及血清学指标，其中人口学特征包括年龄和性别；临床表现记录患者首发症状，如头痛/恶心呕吐、精神状态改变、四肢运动障碍、局灶性神经功能缺损及癫痫。血清学指标分为三类：肝功能相关指标[谷草转氨酶（aspartate aminotransferase, AST）、谷丙转氨酶（alanine aminotransferase, ALT）、碱性磷酸酶（alkaline phosphatase, ALP）、总胆红素（total bilirubin, TBIL）、直接胆红素（direct bilirubin, DBIL）、间接胆红素（indirect bilirubin, IBIL）、乳酸脱氢酶（lactate dehydrogenase, LDH）、β2-微球蛋白（β2-microglobulin, β2-MG）、白蛋白（albumin, ALB）、中性粒细胞绝对值（absolute neutrophil count, ANC）、淋巴细胞绝对值（absolute lymphocyte count, LYM）、血小板计数（platelet count, PLT）、中性粒细胞-淋巴细胞比值（neutrophil-to-lymphocyte ratio, NLR; ANC/LYM）、血小板-淋巴细胞比值（platelet-to-lymphocyte ratio, PLR; PLT/LYM）、SII（PLT×NLR）、预后营养指数（prognostic nutritional index, PNI; ALB+5×LYM）]，以及其他指标[D-二聚体（D-dimer, D-D）、血红蛋白（hemoglobin, HB）]。

1.2.2 影像资料

       通过山东省立医院影像阅片系统采集患者的影像数据。影像数据采集基于多台MRI设备（GE Optima 1.5 T、Siemens Skyra 3.0 T、Siemens Avanto 1.5 T等），采用8/16通道头部线圈完成扫描。轴位CE-T1WI扫描序列对比剂为钆喷酸葡胺注射液（德国拜耳医药保健有限公司，剂量0.1 mmol/kg，流速2.0~3.0 mL/s），TR 500~700 ms，TE 10~20 ms，翻转角90°，层厚5 mm，层间距1 mm，矩阵256×256；T2-FLAIR采用快速自旋回波（fast spin echo, FSE）序列（TR 8000~10000 ms，TE 100~150 ms，翻转角150°，层厚5 mm，层间距 1 mm，矩阵256×256）及DWI 序列（b=1000 s/mm²，TR 4000~6000 ms，TE 60~80 ms，翻转角90°，层厚5 mm，层间距1 mm，矩阵128×128），ADC图由工作站重建并以医学数字成像和通信（digital imaging and communications in medicine, DICOM）格式保存^[20]，其参数同DWI。影像特征评估由两名副高级职称影像医师盲法独立完成，定性指标包括肿瘤数目（单发/多发）、形态（规则/不规则）、强化均匀性（均匀/不均匀）及肿瘤部位（脑白质、脑室周围、基底节区、胼胝体、小脑），定量指标涵盖轴位CE-T1WI肿瘤实质最大径（T1max）、轴位T2-FLAIR水肿区最大径（T2max）及瘤周水肿效应（T2max/T1max），定量数据取双人测量均值，定性分歧通过协商达成一致。

1.3 影像组学特征提取及筛选

       影像组学分析流程包括预处理、特征提取与筛选、模型构建及验证四个阶段^[21]。首先对DICOM格式的轴位MR图像（CE-T1WI、T2-FLAIR、DWI、ADC）进行预处理：采用N4偏置校正消除信号强度不均匀性，重采样至1 mm×1 mm×1 mm体素间距实现空间标准化，通过强度离散化（25 Hu bin）降低噪声干扰，并以最大最小值归一化（Python 3.7.6，软件包包括 PyRadiomics 2.1、scikit-learn 0.22.1、numpy 1.18.1、pandas 1.0.3等，可从官网https://www.python.org/下载）消除跨设备信号差异^[22]。随后，由两名影像科医师使用ITK-SNAP 3.8.0软件（美国宾夕法尼亚大学，网址：https://www.itksnap.org/）盲法勾画肿瘤感兴趣区（region of interest, ROI）（含坏死区，排除水肿及邻近脑室/脑膜结构），多发病灶选取最大病灶或强化最显著的病灶作为ROI，优先选择包含坏死或囊变区域的病灶以体现肿瘤异质性，双人勾画一致性通过组内相关系数（intraclass correlation coefficient, ICC）评估（ICC>0.8的特征保留），最终生成.nii格式的ROI^[22]。针对多台MRI设备采集的数据，采用ICC评估不同设备间影像特征的一致性。对CE-T1WI、T2-FLAIR、DWI（b=1000 s/mm²）、ADC序列提取的影像组学特征进行分析，结果显示各序列的ICC值分别为0.85、0.88、0.83、0.86（P均<0.001），表明跨设备测量的影像特征具有较高一致性，经预处理后的多设备数据可用于联合建模。基于PyRadiomics 2.1工具包（Python环境）从四个MRI序列中提取1050×4个高通量特征[含一阶统计、形状、灰度共生矩阵（gray-level co-occurrence matrix, GLCM）、灰度游程矩阵（gray-level run length matrix, GLRLM）、灰度区域矩阵（gray-level size zone matrix, GLSZM）、邻域灰调差矩阵（neighboring gray tone difference matrix, NGTDM）、灰度相关矩阵（gray-level dependence matrix, GLDM）及小波特征]，经Z-score标准化后，以Mann-Whitney U检验（P<0.05）初筛，后以Spearman相关性分析（|r|>0.9剔除冗余）保留剩余特征，进一步通过最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）回归筛选出关键特征构建影像组学评分（radiomics score, Radscore）^[23]。LASSO是一种正则化方法，通过压缩冗余特征的系数至零，实现特征降维与模型简化。具体流程示例见图1。

点击查看大图

图1  影像组学特征筛选流程图。
Fig. 1  Flowchart of the radiomics feature selection process.

1.4 模型的构建与验证

       本研究采用极端梯度提升（XGBoost）分类器构建模型。该算法基于梯度提升原理，通过迭代训练弱分类器集成强分类器，具有处理高维数据能力强、不易过拟合、训练速度快等优势，在影像组学等多特征建模场景中表现优异，相较于支持向量机、随机森林等其他分类器，能更好地捕捉数据中的非线性关系，从而提高模型预测精度。基于筛选出的特征，在训练集中构建以下模型：临床模型（Clinical Model）、4个单序列影像组学模型（T1 Model、T2 Model、DWI Model、ADC Model，分别基于CE-T1WI、T2-FLAIR、DWI、ADC序列特征）、多模态影像组学模型（T1+ADC+T2+DWI Model）及临床-多模态影像组学联合模型（Combined Model）。通过10折交叉验证评估模型内部效能^[23]，模型性能通过受试者工作特征（receiver operating characteristic, ROC）曲线及曲线下面积（area under the curve, AUC）、准确度、敏感度、特异度、阳性预测值（positive predictive value, PPV）和阴性预测值（negative predictive value, NPV）量化，DeLong检验比较模型间AUC差异（显著性阈值P<0.05）。进一步采用校准曲线（calibration curve analysis, CCA）评估预测概率与真实概率的一致性，决策曲线分析（decision curve analysis, DCA）量化临床净收益，最终通过列线图可视化各因子贡献权重，实现个体化诊断评估。

1.5 统计学分析

       本研究按7∶3比例将患者随机分为训练集与验证集，采用独立样本t检验（符合正态分布的连续变量）、Mann-Whitney U检验（非正态分布的连续变量）及卡方检验或Fisher精确检验（分类变量）比较两组基线特征。组内及组间相关系数ICCs值用于计算医生A和医生B以及不同MRI设备之间的测量一致性评价；ICC值范围从0到1，特征值越接近1代表再现性越强，ICC值>0.8表示分割可再现^[22]。单因素逻辑回归和多因素逻辑回归分析均采用向后法（似然比）进行变量筛选，以筛选出有价值的临床特征用于构建临床模型。模型构建采用极端梯度提升（XGBoost）分类器，并通过10折交叉验证联合ROC曲线评估模型效能，检验水准设为双侧P<0.05。所有数据处理及统计分析均通过SPSS 26.0和Python 3.7.6（含PyRadiomics 2.1、scikit-learn 0.22.1等工具包）完成。

2 结果

2.1 临床基线特征

       本研究共纳入173例符合纳入及排除标准的患者，其中GBM 118例，PCNSL 55例（含10例经诊断性放疗确诊者）。按7∶3比例随机分为训练集（121例）与验证集（52例）。两组在年龄、性别、首发症状、血清学指标及肿瘤特征等基线资料上比较，差异均无统计学意义（P>0.05），详见表1，提示数据分布均衡，分组合理。

       接下来，我们对训练集进行了单因素逻辑回归和多因素的逻辑回归分析，详见表2，并将多因素分析中有价值的临床特征纳入，进而构建临床模型。

点击查看表格

表1  训练集和验证集中临床资料的比较
Tab. 1  Comparison of clinical data in the training and test sets

点击查看表格

表2  训练集中临床资料的单因素分析及多因素分析
Tab. 2  Univariate and multivariate analyses of clinical data in the training set

2.2 特征提取及筛选结果

       两名医师勾画ROI的ICC为0.89~0.93（P均<0.001），不同序列特征提取的组间一致性良好，确保数据可靠性。利用ITK-SNAP和Radiomics模块，我们从CE-T1WI、T2-FLAIR、DWI（b=1000 s/mm²）和ADC序列中分别提取了1050个影像组学特征，这些特征涵盖了一阶特征、形态特征、纹理特征和小波特征。最终得到的特征集中，CE-T1序列保留了3个有效特征，T2-FLAIR序列筛选出2个有效特征，DWI和ADC序列各保留2个特征。当把这些多模态的MRI的特征合并后，共形成9个核心特征指标。临床-多模态影像组学的联合模型特征集包含12个特征。

2.3 各模型效能的评估

       通过多因素回归分析，我们发现LDH、T1max、肿瘤部位和影像组学标签（Radscore）是最适合区分这两种脑肿瘤的特征组合，如图2所示。依据上述临床参数和Radscore，我们构建了Combined Model，并通过图表进行了可视化展示，如图3所示。

       在训练集和验证集中，对所构建的7个模型（Combined Model、T1+ADC+T2+DWI Model、T1 Model、ADC Model、T2 Model、DWI Model、Clinical Model）的预测效能进行评估，结果显示：训练集中各模型AUC分别为0.94（95% CI：0.90~0.98）、0.93（95% CI：0.88~0.98）、0.91（95% CI：0.86~0.96）、0.88（95% CI：0.82~0.94）、0.86（95% CI：0.79~0.93）、0.84（95% CI：0.77~0.91）、0.83（95% CI：0.76~0.90）；验证集中各模型 AUC 分别为 0.85（95% CI：0.74~0.96）、0.84（95% CI：0.72~0.96）、0.83（95% CI：0.71~0.95）、0.80（95% CI：0.67~0.93）、0.77（95% CI：0.63~0.91）、0.75（95% CI：0.61~0.89）、0.74（95% CI：0.61~0.87）。Combined Model在预测方面表现最为出色，其准确度、敏感度、特异度以及PPV、NPV在训练数据集中分别达到了90.2%、96.7%、95.2%、91.3%和93.0%，而在测试数据集上则分别为88.6%、83.3%、87.5%、84.1%和87.5%。在我们构建的多个模型中，无论是单一的Clinical Model、T1 Model、T2 Model、DWI Model、ADC Model还是多模态的T1+ADC+T2+DWI Model，预测性能均良好。特别是Combined Model展示了优秀的疾病诊断能力，并在预测性能方面实现了进一步的优化，如图4所示。DeLong检验结果显示，训练集中Combined Model的AUC显著优于其他所有模型（P均<0.05）；T1+ADC+T2+DWI Model的AUC显著优于Clinical Model（P=0.002）、ADC Model（P=0.020）、T2 Model（P=0.026）和DWI Model（P=0.008），与 T1 Model相比差异无统计学意义（P=0.059）；在单一模型中，T1 Model的AUC显著优于ADC Model（P=0.010）、T2 Model（P=0.045）、DWI Model（P=0.012）和Clinical Model（P=0.032）。

       训练集和验证集的校准曲线图如图5所示。通过观察校准曲线，我们发现Combined Model在区分这两种不同疾病的发生概率方面与实际观察结果高度一致，这表明该模型在诊断方面具有较高的有效性。

       DCA结果（图6）显示，Combined Model在训练集和验证集的曲线下面积均高于Clinical Model、T1 Model、T2 Model、DWI Model、ADC Model、T1+ADC+T2+DWI Model，表明临床-多模态影像组学联合模型在区分GBM和PNSL方面比其他模型具有更高的临床净收益。

点击查看大图

图2  多因素回归分析筛选特征森林图。DBIL：直接胆红素；LDH：乳酸脱氢酶；T1max：轴位CE-T1WI肿瘤实质最大径；T2max：轴位T2-FLAIR水肿区最大径；Radscore：影像组学评分。
Fig. 2  Multivariable regression analysis feature selection forest plot. DBIL: direct bilirubin; LDH: lactate dehydrogenase; T1max: maximum diameter of tumor parenchyma on axial contrast-enhanced T1-weighted imaging; T2max: maximum diameter of T2-FLAIR edema area in axial T2; Radscore: radiomics score.

点击查看大图

图3  基于临床特征和影像组学评分构建的联合模型列线图。LDH：乳酸脱氢酶；T1max：轴位CE-T1WI肿瘤实质最大径；Position：肿瘤部位；Radscore：影像组学评分。分别在LDH、T1max、Position及Radscore横轴上进行定位以确定各自分数值，对上述4个预测变量的分数进行求和并在总分数值横轴上定位，根据总分数在预测两种脑肿瘤概率轴上定位，以此反映诊断效能。
Fig. 3  Nomogram of the combined model constructed based on clinical parameters and Radscore. LDH: lactate dehydrogenase; T1max: maximum diameter of tumor parenchyma on axial contrast-enhanced T1-weighted imaging; Position: tumor position; Radscore: radiomics score. Locate the respective score values on the horizontal axes of LDH, T1max, Position, and Radscore, sum the scores of the above 4 predictive variables, locate the sum on the horizontal axis of total score, and determine the probability of diagnosing the two types of brain tumors on the vertical axis of predicted probability, so as to reflect the diagnostic efficacy.

点击查看大图

图4  各模型在训练集（4A）、验证集（4B）上的受试者工作特征曲线分析。ADC：表观扩散系数；DWI：扩散加权成像；AUC：曲线及曲线下面积。
Fig. 4  Receiver operating characteristic (ROC) curve analysis of each model on the training set (4A) and validation set (4B). ADC: apparent diffusion coefficient; DWI: diffusion weighted imaging; AUC: area under the curve.

点击查看大图

图5  各模型在训练集（5A）、验证集（5B）上的校准曲线。ADC：表观扩散系数；DWI：扩散加权成像。
Fig. 5  Calibration curves of each model on the training set (5A) and validation set (5B). ADC: apparent diffusion coefficient; DWI: diffusion weighted imaging.

点击查看大图

图6  各模型在训练集（6A）、验证集（6B）上的临床决策曲线。Y轴表示临床净收益，X轴表示概率阈值。
Fig. 6  Clinical decision curves of various models on the training set (6A) and validation set (6B). The Y-axis represents the clinical net benefit and the X-axis represents the probability threshold.

3 讨论

       本研究通过整合多模态MRI影像组学特征（CE-T1WI、T2-FLAIR、DWI、ADC）与关键临床指标（血清LDH、肿瘤部位、T1max），构建了临床-多模态影像组学联合模型，实现GBM与PCNSL的术前无创鉴别。验证集结果显示：联合模型AUC达0.85（准确率88.6%），显著优于单一临床模型（AUC 0.74）及多模态影像组学模型（AUC 0.84）（P<0.05）。与近几年同类研究相比^{[12, 13, 24]}，本模型通过多模态影像组学与临床特征的深度整合，在样本量、模态组合及诊断效能上具显著优势，准确率及AUC值均处于同类研究较高水平。此外，本研究首次将血清LDH、肿瘤部位、T1max与多模态MRI影像组学融合，突破传统单一影像特征分析的局限，证实多模态影像与临床指标的协同鉴别价值，为脑肿瘤无创鉴别提供了更全面的生物学信息。其次，本研究首次基于XGBoost算法构建可解释性列线图，实现Radscore与临床特征的权重可视化，使模型兼具深度学习的高精度与传统回归模型的可解释性，帮助临床医生快速理解关键决策因子。该模型可无创提升术前鉴别准确率，减少有创活检需求，尤其为深部病灶或高龄患者避免活检风险，为个体化治疗争取时间窗，为脑肿瘤精准诊疗提供新范式。

3.1 临床指标的生物学机制与鉴别价值

       本研究临床特征的分析结果显示，训练集中PCNSL患者血清LDH及DBIL水平显著高于GBM组（P<0.05），这与肿瘤负荷及全身炎症反应相关的生物学机制相吻合^{[14, 25]}。PCNSL绝大多数为高增殖性B细胞淋巴瘤，其肿瘤细胞倍增时间短，大量细胞坏死或凋亡导致LDH释放入血，这与WU等^[26]报道的“较高的LDH水平与DLBCL患者较短的总生存期和无进展生存期显著相关”一致，提示LDH升高可能反映肿瘤细胞快速增殖及高代谢活性。LDH升高与PCNSL的肿瘤血管通透性相关^[27]。PCNSL中IL-6/IL-10介导的炎症微环境促进血管内皮损伤，导致LDH释放入血^[14]；而GBM的VEGF主导的血管生成以结构性异常为主，通透性增加有限^[28]。DBIL等肝功能相关指标升高可能与相关的肝脏微环境改变有关。肿瘤释放的炎症因子（如IL-6、TNF-α）可抑制肝细胞对胆红素的摄取和代谢，或通过溶血间接升高胆红素^[28]。β2-MG是一种广泛表达的蛋白质，不仅由淋巴细胞和肿瘤细胞释放，还与全身炎症反应、肾功能状态密切相关^[29]。PCNSL和GBM均具有高增殖活性，导致细胞表面β2-MG脱落增加；且两种疾病均伴随肿瘤相关炎症，激活免疫细胞（如巨噬细胞、T细胞）释放β2-MG^[30]。这种共同的生物学基础可能导致两者的血清β2-MG水平存在重叠，从而削弱其鉴别价值。因此尽管β2-MG在PCNSL中呈升高趋势，但差异无统计学意义，后续可扩大队列进一步验证。

3.2 影像组学特征与肿瘤异质性的关联

       因脑灌注和波谱成像在基层医院普及度低，且需额外扫描时间与成本，本研究中未做选用。影像学分析显示，GBM与PCNSL在肿瘤形态及微环境特征上存在显著差异。定量数据显示，GBM肿瘤实质最大径（T1max均值46.3 mm）及瘤周水肿范围（T2max均值79.9 mm）均显著大于PCNSL（31.4 mm和60.2 mm），这可能与肿瘤的生长方式及分泌血管内皮生长因子（vascular endothelial growth factor, VEGF）的能力差异相关^{[31, 32]}。GBM作为高度侵袭性肿瘤，其快速浸润特性与异常血管生成相关：在缺氧微环境下，肿瘤细胞通过缺氧诱导因子（HIF-1α）通路大量分泌VEGF，诱导内皮细胞增殖形成“血管团块”^[33]，这种强促血管生成能力可能是导致较大实质体积和广泛水肿的关键因素。相比之下，PCNSL超过90%的病例为DLBCL亚型^[3]，主要依赖IL-6、IL-10等炎症因子，通过血管共选机制沿血管周围间隙生长，其VEGF表达水平较低且新生血管密度有限，因此肿瘤边界相对局限^{[30, 32]}。血清LDH升高反映PCNSL肿瘤细胞快速增殖和高代谢活性^[26]，对应影像上较小的肿瘤体积（T1max）及均匀强化特征。本研究中PCNSL组均匀强化比例达29.1%（16/55），显著高于GBM组（0%），提示PCNSL肿瘤微环境以实性增殖为主，坏死较少。GBM的LDH升幅较小，与其以局部血管异常生成和缺氧微环境为主的生物学行为一致^[33]。VEGF驱动的异常血管导致肿瘤内坏死、囊变常见^[34]，表现为不均匀强化及较大肿瘤体积（T1max），而坏死区域的细胞崩解速度慢于PCNSL的急性凋亡，导致LDH释放量较少。本研究中GBM组T1max均值较PCNSL组大，且均表现为不均匀强化，印证了其血管生成异常主导的生长模式。值得注意的是，在整体数据队列中PCNSL组多发病变比例为58.2%（32/55），GBM组多发病变比例为11%（13/118），经统计学分析，PCNSL组多发病变比例显著高于 GBM组（P<0.05），在训练集中PCNSL组多发病变比例（68.4%）同样显著高于GBM组（10.8%），这一特征可能与其沿血管周围间隙浸润的病理特性相关^[35]，为影像表现鉴别提供了重要线索。PCNSL更易累及深部脑结构（如基底节区、脑室周围及胼胝体），而GBM多见于大脑半球白质^{[31, 35]}，这种发病部位的差异同样可能与肿瘤细胞起源及侵袭模式相关^{[31, 32]}。常规MRI鉴别困境在于约25%的GBM因微血管增生呈均匀强化（类似PCNSL），而15%的PCNSL在免疫缺陷状态下可表现为环形强化（类似GBM）^{[20, 36]}。本研究中训练集GBM不均匀强化比例为100%，低于文献报道的25%，PCNSL不均匀强化占73.7%，高于文献报道，可能与样本选择偏倚有关。有研究表明，结合多模态MRI的影像组学模型，其AUC值显著高于单一序列模型^[24]。本研究提取高阶纹理特征（如GLCM、小波变换特征等）量化肿瘤异质性，结果显示多模态影像组学模型（T1+ADC+T2+DWI）在训练集的 AUC 为 0.93（95% CI：0.88~0.98），在验证集的AUC为0.84（95% CI：0.72~0.96），均显著优于各单一序列影像组学模型（P<0.05）。

3.3 联合模型的创新优势与临床应用

       本研究构建的Combined Model通过整合血清LDH、T1max、肿瘤部位及Radscore等关键特征，将验证集诊断效能显著提升至AUC 0.85。该模型优势体现在临床指标与影像特征的协同互补：一方面，LDH水平及多发病变特征可以从肿瘤负荷和空间分布角度揭示PCNSL的生物学行为；另一方面，影像组学通过小波变换纹理特征（如wavelet-LLH_glcm_MCC_t1）量化肿瘤微观异质性，突破了传统形态学分析的局限。该结果印证了临床-影像多维度整合的有效性^[37]，但需关注影像组学特征可解释性不足的瓶颈问题，未来影像组学特征与肿瘤代谢微环境的生物学关联仍需结合代谢组学技术深入解析，以实现从影像表型向分子机制的跨尺度映射^[38]。

       值得注意的是，本研究中10例PCNSL患者通过低剂量试验性放疗后病灶迅速缩小得以确诊。尽管组织病理学仍是诊断的金标准，但在累及深部病灶或伴有急性占位效应等特定场景中，短期诊断性放疗可同时实现治疗缓解与诊断验证的双重目的^{[39, 40, 41]}。这一发现提示，对于病理学证据不明确的疑似PCNSL病例，放疗反应可作为重要辅助诊断证据，但其适用人群需严格筛选以规避过度治疗风险。结合本研究的结果，提前通过Combined Model预测诊断可对无法耐受穿刺活检的高危患者进行无创风险分层，从而优化诊断性放疗的靶向性，潜在提升其诊断-治疗一体化策略的临床效能。

3.4 优势、局限性及展望

       尽管既往文献中提示高年资放射科医生对典型病例的诊断准确率可达90.6%^[13]，但本研究模型仍具有独特临床价值：其一，模型基于量化特征（如 LDH、影像组学评分）实现客观诊断，避免人工经验的主观偏差，尤其对 25%~30% 的不典型病例（如均匀强化GBM或环形强化PCNSL）^{[10, 11]}具有更高稳定性；其二，模型可在数小时内完成批量病例分析，适合急诊或基层医院，显著缩短诊断周期；其三，对于深部病灶或高龄患者，模型可通过无创方式提供术前决策依据，有效规避活检相关出血风险（发生率5%~10%）^[6]。

       本研究存在一定局限性：首先，单中心回顾性设计可能因病例来源单一及样本量限制导致选择偏倚，影响统计效力；其次，PCNSL样本量较小（55例），且为单中心内部验证，缺乏跨中心数据，可能导致模型对罕见特征的捕捉不足；再次，手动勾画ROI存在人工标注耗时及一致性偏差问题；最后，MR图像来自不同设备，扫描参数和机器学习模型尚未形成统一标准，应用于其他中心前需推进采集流程标准化并通过更大独立队列验证。

       针对上述局限，未来可从三方面优化：一是开展多中心大样本研究，或采用合成少数类过采样技术平衡数据，提升模型泛化能力；二是引入基于U-Net等深度学习的全自动分割算法，减少人工标注偏差；三是融合DWI高信号特征（反映细胞密集度）或PET-MRI 代谢参数（如氟代脱氧葡萄糖摄取），进一步区分肿瘤增殖活性与坏死程度，优化对不典型病例（如免疫缺陷患者中因坏死形成环形强化的PCNSL）的鉴别能力。此外，可通过纵向追踪治疗反应（如PCNSL放疗敏感性）及生存数据，构建兼具诊断鉴别与预后评估功能的动态预测模型，推动影像组学向临床决策支持系统深度转化。

4 结论

       本研究构建的临床-多模态影像组学联合模型，通过整合多模态MRI（CE-T1、T2-FLAIR、DWI、ADC）影像组学特征与血清标志物（LDH）及影像表现（肿瘤部位、T1max），可有效实现GBM与PCNSL的术前无创鉴别，回应了两者影像学鉴别难题。该联合模型突破了传统形态学分析的局限，为GBM和PCNSL的早期鉴别诊断及临床决策提供了新依据，有望减少有创活检需求并优化诊疗路径。