0 引言

       较低级别胶质瘤（lower-grade glioma, LGGs）在本文中指Ⅱ及Ⅲ级胶质瘤，具有高度可变的临床行为，超过半数的LGGs患者在诊断后5年内出现恶性进展^{[1, 2]}。异柠檬酸脱氢酶基因（isocitrate dehydrogenase gene，IDH-1）被认为与LGGs的恶性进展密切相关，且IDH-1基因突变型的LGGs往往对特异的化疗及靶向药物敏感，预后更好^{[3, 4]}。因此，对IDH-1基因突变状态进行精准检测，有助于促进个体化治疗的开展，为患者提供更精准的预后预测。

       目前，IDH-1突变状态的检测主要依赖于病理组织的基因检测和免疫组化，存在着有创、费用高、耗时长和取样偏差等局限性。因此，开发一种非侵入性、方便、高效的检测手段是目前亟待解决的问题^[5]。影像组学及深度学习作为从医学影像中提取多维特征的新兴技术，能够从感兴趣区（region of interest, ROI）中获取大量与病理相关的潜在信息^{[6, 7, 8]}。随着MRI在胶质瘤临床诊断中的常规应用，基于MRI的影像组学及深度学习被视为一种有前景的无创手段，用于预测胶质瘤患者的IDH-1突变状态^{[9, 10, 11, 12]}。但现阶段IDH-1相关的研究还主要集中在所有的胶质瘤或高级别胶质瘤，忽略了LGGs的特殊性^{[13, 14, 15]}。另外少数关注LGGs患者IDH状态的影像学研究也主要基于单参数或双参数MRI在瘤内区域进行影像组学模型的构建^{[9, 16, 17]}。然而，在胶质瘤中，瘤周水肿并非单纯的继发性改变，而是与肿瘤的生物学行为、恶性程度及分子特征密切相关的重要指标^{[18, 19]}。

       本研究基于多参数MRI影像组学和深度学习技术，构建联合瘤内及瘤周水肿特征的模型，预测LGGs患者的IDH-1突变状态。通过这种无创方法，希望能够为临床提供一种可靠、准确的工具，协助医生制订个性化的治疗方案。

1 材料与方法

1.1 研究对象

       本研究回顾性纳入了2018年1月至2022年12月期间在本院神经外科接受手术、并经病理确诊为Ⅱ~Ⅲ级胶质瘤的患者的临床、影像和病理资料。另外鉴于基因测序作为IDH-1突变检测金标准在临床实践中的局限性，本研究采用IDH-1蛋白表达免疫组化结果作为IDH-1状态的判断依据。纳入标准：（1）术前（<7天）于我院完整完成颅脑MRI增强扫描，影像资料完整，包含T1WI、T2WI、表观扩散系数（apparent diffusion coefficient, ADC）及T1增强序列；（2）MRI检查前未接受相关化疗、放疗、手术等治疗；（3）提供明确的IDH-1蛋白表达免疫组化结果。排除标准：（1）MRI图像质量受伪影干扰（如运动伪影、金属伪影）。IDH-1表达的免疫组化分析步骤包括切片处理、抗原修复、免疫染色等^[20]。所有的数据将按照8∶2的比例随机划分为训练组和验证组，用于后续的分析（图1）。本研究遵守《赫尔辛基宣言》，经苏州大学附属第一医院伦理委员会批准后，免除受试者知情同意，批准文号：（2024）伦理批第428号。

点击查看大图

图1  流程图。VOI：容积感兴趣区；ROI：感兴趣区；MLP：多层感知机；IDH-1：异柠檬酸脱氢酶基因。
Fig. 1  Flowchart. Volume of interest (VOI), regions of interest (ROI), multilayer perceptron (MLP), isocitrate dehydrogenase gene (IDH-1).

1.2 图像采集及预处理

       MRI图像采集基于3.0 T超导型MRI平台，包括如下型号：Siemens Skyra、Verio，Philip Ingenia，GE Signa HDxt。T1WI扫描参数：TR 1800~2170 ms，TE 9~26 ms；T2WI扫描参数：TR 3000~5100 ms，TE 90~119 ms；FOV 220 mm×220 mm；矩阵256×256；层厚5 mm，层间距6 mm。ADC由两组b值的DWI序列（b=0、1000 s/mm²）计算而来。增强扫描使用马根维显（钆喷酸葡胺注射液，拜耳医药保健有限公司，德国），注射剂量为0.1~0.2 mmol/kg，速率3 mL/s，进行轴位T1WI扫描。将MRI图像由DICOM格式转换为NIfTI格式，后基于NIFTI图像进行N4偏置场校正、z-score归一化、重采样至1 mm各向同性分辨率的预处理，最后对各序列进行刚体配准，配准效果不佳的图像被导入ITK-SNAP平台进行更精细的手动配准。上述预处理流程基于MATLAB（2023a版）、ITK-SNAP（3.8.0版）和Python（3.12.2版）平台。

1.3 肿瘤分割

       由一位具有8年神经影像诊断经验的主治医师，在未知病理结果条件下，通过ITK-SNAP软件基于T2WI图像并综合参考各序列图像，严格沿病灶及瘤周水肿边缘手动勾画LGGs瘤体及瘤周水肿的容积感兴趣区（volume of interest, VOI）（图1）。在随机勾画60例LGGs的VOI后，3D VOI将被拆分为2D多序列MRI图像（每例128层，共7680组），用于训练自动分割的U-Net模型，优化器为随机梯度下降（Stochastic Gradient Descent with Momentum, sgd），批量尺寸设为64，初始学习率配置为0.005。模型经50个周期训练后，准确率达到99.26%。其余病例均先经自动分割模型勾画，之后由同一医师进行修正与质控。为了验证分割的一致性，从所有病例中随机选择30例，使用组内相关系数（intra-class correlation coefficient, ICC）进行组内和组间一致性评估。两组ICC分别是由同一医生在1个月后对30例患者进行再次勾画对比先前勾画的区域，另外邀请一位具有12年经验的副主任医师进行勾画对比先前勾画的区域。

1.4 影像组学特征和深度学习特征提取

       应用FeAture Explorer（FAE）平台进行组学特征的提取，涉及的特征包括一阶、二阶及高阶特征。截取肿瘤及水肿区域的最大横截面（X、Y、Z轴）进行2.5D的深度学习模型训练（图1），该2.5D模型既比2D模型提供更加丰富的信息，又简化了3D模型的复杂性，该深度模型为CrossFormer，基于Transformer架构，不仅关注序列的跨时间依赖性，还充分考虑了各序列的跨维度依赖性^[21]。训练采用sgd优化器，设定50轮训练，初始学习率0.001，批处理大小64，训练组准确度为80%，验证组74%。基于训练后的深度学习模型，截取最后的“avgpool”层提取深度学习特征，为降低特征维度，综合样本的数量将深度学习特征压缩至32个维度。

1.5 深度学习特征及影像组学特征的筛选和模型构建

       保留一致性高（ICC值>0.8）且Mann-Whitney U检验存在统计学差异的（P值<0.05）特征，通过Spearman相关性分析减少特征冗余（各特征相关系数<0.7）。之后采用最大相关最小冗余（maximal relevance and minimal redundancy, mRMR）算法进一步筛选特征，最后使用最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）筛选出最终的特征并构建影像组学评分。采用合成少数类过采样技术（synthetic minority over-sampling technique, SMOTE）方法处理类别不平衡问题，选择最优的深度影像组学模型，最终联合临床指标构建临床-深度影像组学的nomogram模型。

1.6 模型评估

       各模型效能应用敏感度、特异度及受试者工作特征（receiver operating characteristic, ROC）曲线的曲线下面积（area under the curve, AUC）实施评估。模型间差异采用DeLong检验实施对比。校准曲线评估预测模型的一致性，决策曲线分析（Decision curve analysis, DCA）应用于各模型临床净效益的对比评估。

1.7 统计学分析

       R（版本4.1.0）及Python平台用于实施统计学分析，包括正态性检验、方差齐性检验、描述性统计、差异分析、线性关联检验、多重共线性检测。临床特征进行单因素及多因素logistic回归分析，差异存在统计学意义（P<0.05）的变量被用于临床模型构建。图表生成同样于R和Python平台完成。所有统计学分析中，双侧检验P值<0.05视为差异具有统计学意义的判断标准。

2 结果

2.1 一般临床资料

       根据纳入和排除标准共纳入186例患者，其中IDH-1阳性79例，阴性107例。患者年龄和性别分布见表1。训练组中男74例，女75例，年龄（49.13±15.12）岁；验证组中男17例，女20例，年龄（49.11±13.37）岁。IDH-1阳性患者的年龄显著小于阴性患者，差异具有统计学意义（P<0.05）（表1）。本研究还进一步分析了年龄、性别与组别分配之间的交互效应，结果未发现显著的交互作用（所有P值均>0.05）。

点击查看表格

表1  各组异柠檬酸脱氢酶1基因的一般临床资料分布
Tab. 1  Distribution of general clinical data for isocitrate dehydrogenase-1 gene in each group

2.2 影像组学及深度学习特征提取及筛选

       共提取10 530个影像组学特征，保留了ICC>0.80的7554个特征用于后续分析，包括1751个一阶特征、1307个GLCM特征、112个形状特征、1480个GLRLM特征、1374个GLDM特征、1294个GLSZM特征以及236个NGTDM特征。2.5D-CrossFormer深度学习模型对IDH-1状态预测的AUC值分别为0.89和0.78。本研究仅选择与IDH-1状态显著相关（P<0.05）且特征间不显著相关的特征进行后续分析，单纯影像组学特征集和深度影像组学特征集分别保留了900个及910个特征。经mRMR算法筛选后，单纯影像组学特征集以及深度影像组学特征集各保留20个有效特征。LASSO降维后保留的深度影像组学特征见图2，其中包含了10个影像组学特征以及2个高权重的深度学习特征。基于这些特征，分别构建了影像组学模型和深度影像组学模型。

       不同机器学习算法的性能比较结果见表2、表3。结果显示，LightGBM构建的深度影像组学模型性能最佳，其训练组和验证组的AUC值分别为0.94和0.86，优于其他分类器模型。基于此，本研究选定LightGBM进行nomogram模型构建。多种分类器算法构建的深度影像组学模型在训练组和验证组的ROC曲线见图3A、图3B。采用相同方法也构建了基础影像组学模型，其训练组和验证组的ROC曲线分别见于图3C、图3D。

点击查看大图

图2  利用最小绝对收缩和选择算子（LASSO）筛选预测较低级别胶质瘤异柠檬酸脱氢酶基因状态的深度影像组学特征的过程；2A：LASSO降维10折交叉验证在不同λ下所对应的系数；2B：LASSO降维10折交叉验证在不同λ下所对应的均值标准误差（MSE）；2C：经过特征筛选后所保留的深度影像组学特征的具体名称及所对应的系数。
Fig. 2  Process of using least absolute shrinkage and selection operator (LASSO) to select radiomic-deep learning features for predicting Isocitrate Dehydrogenase gene status in lower-grade gliomas; 2A: Coefficients corresponding to different λ values in 10-fold cross-validation for LASSO dimensionality reduction; 2B: Mean standard errors (MSE) corresponding to different λ values in 10-fold cross-validation for LASSO dimensionality reduction; 2C: Specific names and corresponding coefficients of the retained radiomic-deep learning features after feature selection.

点击查看大图

图3  训练组和验证组中多个机器学习算法构建的深度影像组学模型（3A表示训练组，3B表示验证组）及单纯影像组学模型（3C表示训练组，3D表示验证组）预测较低级别胶质瘤异柠檬酸脱氢酶基因状态的受试者工作特征曲线。AUC：曲线下面积；LR：逻辑回归；SVM：支持向量机；KNN：k近邻算法；ExtraTrees：极端随机树；XGBoost：极限梯度提升；LightGBM：轻量梯度提升机；MLP：多层感知机。
Fig. 3  Receiver operating characteristic curve curves for predicting isocitrate dehydrogenase gene status in lower-grade gliomas using radiomic-deep learning models (3A for training set, 3B for validation set) and radiomic models (3C for training set, 3D for validation set) constructed with multiple machine learning algorithms. AUC: area under the curve; LR: logistic regression; SVM: support vector machine; KNN: k-nearest neighbors; ExtraTrees: extremely randomized trees; XGBoost: eXtreme gradient boosting; LightGBM: light gradient boosting machine; MLP: multilayer perceptron.

点击查看表格

表2  多个机器学习算法构建的深度影像组学模型在训练组中的预测效能
Tab. 2  The predictive performance of radiomic-deep learning models constructed using multiple machine learning algorithms in the training set

点击查看表格

表3  多个机器学习算法构建的深度影像组学模型在验证组中的预测效能
Tab. 3  The predictive performance of radiomic-deep learning models constructed using multiple machine learning algorithms in the validation set

2.3 临床模型构建

       对经过单因素logistic回归分析（图4A）后差异有统计学意义的临床特征进行多因素logistic分析（图4B）。最终，年龄（P<0.05）被纳入临床模型及nomogram模型。

点击查看大图

图4  训练组较低级别胶质瘤异柠檬酸脱氢酶基因状态的单因素和多因素logistic分析各变量比值比（OR）置信区间（CI）分布的森林图。4A：单因素logistic分析；4B：多因素logistic分析。
Fig. 4  Forest plots of odds ratio (OR) confidence intervals (CI) for variables in univariate and multivariate logistic analysis of isocitrate dehydrogenase gene status in lower-grade gliomas in the training set. 4A: Univariate logistic analysis; 4B: Multivariate logistic analysis.

2.4 临床-深度影像组学的nomogram模型构建

       Nomogram模型由深度影像组学模型联合logistic分析筛选出的临床指标构建。在训练组中，该nomogram模型的AUC值（0.971，图5）稍高于深度影像组学模型。DeLong检验显示，训练组中nomogram模型的预测效能显著优于单一临床模型和深度影像组学模型（P<0.05），然而与影像组学模型相比差异无统计学意义（P=0.29）。验证组中，DeLong检验提示nomogram模型预测效能优于影像组学模型（P<0.05），但与临床模型及深度影像组学模型相比差异无统计学意义（P=0.54及P=0.70）。校准曲线显示影像组学模型、深度影像组学模型和nomogram模型在训练组中对IDH-1状态的预测与术后病理结果一致性良好（图6A）。基于DCA的模型评估（图6B），采用nomogram模型的干预效果明显优于无预测模型情况，且优于其他模型。最后，绘制了nomogram模型的列线图便于临床实践应用（图6C）。

点击查看大图

图5  训练组（5A）和验证组（5B）中多个机器学习算法构建的临床-深度影像组学的nomogram模型预测较低级别胶质瘤异柠檬酸脱氢酶基因状态的受试者工作特征曲线。Combined表示深度影像组学模型标签。
Fig. 5  Receiver operating characteristic curve curves for predicting isocitrate dehydrogenase gene status in lower-grade gliomas using clinical-radiomic-deep learning nomogram model constructed by multiple machine learning algorithms in the training set (5A) and validation set (5B). The "Combined" label refers to the radiomic-deep learning model.

点击查看大图

图6  Nomogram模型曲线图。6A：训练组的校准曲线；6B：临床模型、影像组学模型、深度影像组学及临床深度影像组学模型的决策曲线；6C：临床-深度影像组学模型的列线图。Combined表示深度影像组学模型标签。
Fig. 6  Nomogram model curves. 6A: The calibration curves for the training set; 6B: The decision curves for the clinical model, radiomic model, radiomic-deep learning model, and clinical-radiomic-deep learning nomogram model; 6C: Nomogram for the clinical-radiomic-deep learning model. The "Combined" label refers to the radiomic-deep learning model.

3 讨论

       本研究成功构建了一种基于瘤内及瘤周水肿多参数MRI（T1WI、T2WI、ADC、T1增强）影像组学与深度学习（2.5D-CrossFormer）特征的联合模型（LightGBM），并结合临床年龄变量构建了nomogram模型。该模型能够有效预测LGGs的IDH-1突变状态（训练组AUC=0.97，验证组AUC=0.85），为术前无创评估IDH-1状态、指导个体化治疗决策提供了潜在的影像学工具。

3.1 IDH-1突变与年龄关联的临床意义分析

       IDH-1突变是LGGs的重要病理分子表型之一，在较低级别胶质瘤的治疗方案的选择和预后的评估中起重要作用^{[1, 3, 22]}。本研究发现IDH-1阳性患者的年龄显著小于阴性患者，这一发现与先前的研究结果相吻合，提示年龄可能是IDH-1突变状态的一个潜在预测因子^[23]。这可能与年龄所致的DNA甲基化水平改变和端粒状态维持相关。

3.2 多参数MRI及瘤周水肿特征的影响组学特征

       近年来，影像组学在预测胶质瘤IDH-1突变上的研究已经取得了显著进展^{[16, 24, 25]}。唐薇等提取增强T1WI上瘤体的影像组学特征，构建的logistic模型以预测胶质瘤IDH-1状态的AUC值在训练组和验证组分别为0.88及0.89^[26]。赵沙沙等基于增强T1WI的影像组学模型在预测LGG的IDH突变状态上也显示出良好的预测效能，影像组学模型的AUC值为0.794^[27]。然而这些研究及其他相关研究大多基于单一的MRI序列及区域，忽略了多参数MRI，特别是扩散MRI（diffusion MRI, dMRI）和瘤周水肿区域所蕴含的信息^{[28, 29, 30]}。本研究基于多参数MRI图像，纳入ADC序列，以反映肿瘤细胞的密度及微环境的改变^{[31, 32, 33]}。此外，本研究还获取了瘤周水肿区域在各序列的影像组学特征。多项研究显示，瘤周水肿是胶质瘤侵袭性的体现，反映着肿瘤微环境的变化，并与血脑屏障破坏、炎症反应以及肿瘤细胞浸润高度关联。因此，瘤周的影像学特征也可反映胶质瘤的侵袭性及分子机制^{[18, 24, 30, 34]}。本研究影像组学特征为多参数MRI瘤周水肿区域所得，这进一步凸显瘤周水肿在反映肿瘤微环境变化及分子异质性上的重要意义。

3.3 CrossFormer深度学习特征的价值与应用

       最后本研究纳入CrossFormer模型的深度学习特征。CrossFormer是一种结合了跨模态学习和跨领域知识迁移的计算机视觉模型^[8]。其基于Transformer结构，利用自注意力机制和多层感知机来对输入的数据进行编解码，与传统的卷积神经网络相比，它显著增强了对上下文关系的理解，具有很强的泛化能力，广泛适用于分类、目标检测、分割等多种医学影像相关任务^[35]。然而，CrossFormer模型在实际应用中仍面临一些挑战，包括大量数据的需求、高计算资源消耗以及模型可解释性的不足。深度模型特征结合影像组学特征构建的深度影像组学模型，不仅为捕捉高级抽象特征并获取量化信息，还为模型的构建提供更为丰富的数据基础，能在较小样本下进一步提高模型的预测力和鲁棒性^{[36, 37]}。

       此外，本研究创新性地基于瘤体及瘤周水肿区域最大横断面（X、Y、Z轴）来训练模型并提取深度学习特征。这种方法有效降低了3D深度模型的训练复杂度，同时相较于仅使用单层面的2D模型，能获取更全面的信息。本研究最终筛选出2个高权重深度学习特征，这不仅凸显了深度学习特征对模型效能的重要贡献，也解释了最终模型仅选用瘤周水肿区域影像组学特征的现象。这是因为CrossFormer模型通过跨尺度注意力机制解析肿瘤全域空间关系，其提取的特征与瘤体区域的影像组学特征存在生物学冗余与信息互补。由于胶质瘤常伴坏死、出血等，导致瘤体区域异质性过高，传统纹理特征稳定性差；因此其所含信息被鲁棒性更高的深度学习特征所替代。

3.4 局限性及未来方向

       在本研究中，nomogram模型在训练组与验证组间观察到性能差距（AUC：0.97 vs. 0.85）提示模型存在一定的过拟合风险并影响其泛化能力，可能与模型的复杂性及验证组的样本量相关，可通过更大样本降低复杂模型下的过拟合比重，以及多中心的外部验证来验证其泛化能力。另外本次研究还具有一定的局限性：（1）本研究基于回顾性单中心研究，可能存在选择偏倚，有待未来进行前瞻性多中心验证；（2）本研究纳入了多个MRI机器采集的图像，但已采用预处理方法减少机器差异对影像组学及深度学习特征的影响。在未来将聚焦：（1）大规模前瞻性多中心验证；（2）尝试使用生境分析或3D深度学习提升模型的性能；（3）探索模型预测结果与治疗反应、生存预后的关联。

4 结论

       本研究系统地分析了影像组学特征及深度学习特征在预测IDH-1状态中的价值，并进一步优化了预测模型。该深度影像组学模型具有较高的诊断准确性，且整合临床特征后的临床-深度影像组学模型表现出优异的预测效能，有望术前为LGG治疗方案的制订以及预后的评估提供重要的影像学依据。