0 引言

       胶质母细胞瘤是常见的颅内肿瘤，多呈浸润性生长，恶性程度极高^{[1, 2]}。尽管手术切除联合放化疗等综合治疗体系持续革新，但胶质母细胞瘤患者中位生存期仍难以突破瓶颈^{[3, 4]}。O⁶-甲基鸟嘌呤-DNA甲基转移酶（O⁶-methylguanine-DNA methyltransferase, MGMT）启动子甲基化程度直接影响胶质母细胞瘤患者对治疗的响应敏感性，成为治疗选择的重要依据^{[5, 6]}。当前临床主要依赖穿刺活检获取肿瘤组织进行MGMT启动子甲基化检测，但存在两个技术瓶颈：（1）基于甲醛水溶液固定石蜡包埋样本的焦磷酸测序检测周期长达5~7个工作日；（2）立体定向活检可能引发术后神经功能缺损。更为关键的是，胶质母细胞瘤特有的空间异质性导致单次活检的分子特征捕获率不足，显著影响靶向治疗决策的准确性。MRI能清晰显示肿瘤的侵袭范围和占位效应，是目前影像学检查胶质母细胞瘤的首选方法^{[7, 8, 9]}。影像组学作为肿瘤评估领域的一项革新性无创技术，依托其高通量特性，有效提取了包括一阶统计量、几何形状、精细纹理及小波变换在内的多元化影像特征，描绘了肿瘤局部微环境的复杂特性，通过整合这些特征，使用先进的人工智能算法构建影像数据与临床指标之间的联系模型，能够有效实现胶质母细胞瘤的临床精准诊断^{[10, 11, 12]}。深度神经网络是一种模拟生物视觉系统的层次化处理机制，实现对高维信息的自动特征编码，通过自动学习能够从大量医学影像数据中抽取出关键信息，在构建预测体系与验证效能方面具有重要的实践价值^{[13, 14]}。为优化胶质母细胞瘤的精准诊疗，本研究将开发基于MRI影像组学和深度神经网络的MGMT甲基化状态预测模型，为临床治疗选择提供量化依据。

1 材料与方法

1.1 患者信息

       本研究为回顾性设计，遵守《赫尔辛基宣言》，获厦门市第三医院伦理委员会批准（批准文号：LLRY2025004），免除受试者知情同意。纳入标准：（1）多模态影像、病理及临床资料完整；（2）经病理确诊为胶质母细胞瘤且MGMT启动子甲基化状态明确；（3）MRI检查与手术间隔≤7天；（4）MRI前未接受任何抗肿瘤治疗（包括手术、放化疗）。排除标准：影像中病灶呈现不充分，难以提取有效分析信息。最终纳入262例患者，记录研究人群的性别和年龄等基本信息。

1.2 检查方法

       本研究采用GE Discovery 750型3.0 T磁共振成像系统（GE Healthcare，Waukesha，Wisconsin，USA）进行数据采集，配置专用16通道头颈一体化相控阵线圈。序列包含常规T1加权成像（T1-weighted imaging, T1WI）及对比增强T1WI（contrast-enhanced T1WI, CE-T1WI），扫描参数为：T1WI序列TR 1593 ms，TE 24 ms，FOV 240 mm×240 mm，层厚6 mm，层间距2 mm，共18层；CE-T1WI序列TR 250 ms，TE 2.48 ms，FOV 230 mm×230 mm，层厚6 mm，层间距1.2 mm，共18层，对比剂为剂量为0.1 mL/kg的钆布醇（加乐显，拜耳公司，德国）。

1.3 图像分割

       将 T1WI及CE-T1WI序列导入至3D Slicer软件（http://www.slicer.org）。由2名放射诊断经验分别为8年和15年的影像科医师，在双盲条件下分别执行图像感兴趣区域（volumes of interest, VOI）分割。首先，由1名具有8年放射诊断经验、中级以上职称的医师手工分割整个肿瘤的VOI，然后，由另一名具有15年放射诊断经验、副高级以上职称的医师对已分割的VOI进行核对；若两名医师的VOI分歧超过预设阈值（重叠率<80%），则由第三名放射诊断经验超过10年、副高级以上职称的医师判断并确定最终VOI。采用Dice相似系数对两名医师的图像校准结果进行一致性检验。

1.4 数据预处理

       通过DeepPrep软件（https://deepprep.readthedocs.io/en/latest/，一款基于深度学习技术的自动化MRI图像预处理工具）对T1WI和CE-T1WI序列进行头动校正和配准，然后分别进行平滑、去噪、颅骨去除和随机轴镜像翻转操作，最后对图像进行标准化^[15]。

1.5 特征提取与模型构建

       本研究基于PyRadiomics开源平台（v2.20；https://github.com/Radiomics/pyradiomics，一款开源的Python影像组学特征提取工具包）实施多维度影像特征量化，严格遵循影像组学标准化流程（Image Biomarker Standardization Initiative, IBSI）进行数据预处理。最终所有患者均获得1197个高维组学特征数据。对提取的影像组学特征进行Z‐score归一化预处理，通过分层抽样将262例患者按照4∶1的比例分为训练集210例和验证集52例。在训练集中进行特征选择与降维：首先通过Mann-Whitney U非参数检验筛选组间差异显著的特征变量。然后应用最小绝对收缩与选择算子（least absolute shrinkage and selection operator, LASSO）回归模型进行高维数据降维，α值分别设置为0.1、0.01、0.001、0.000 1进行试验，从T1WI和CE-T1WI序列中筛选得到的特征数量分别为2个和4个、5个和6个、20个和23个、93个和102个，参考既往研究^[16]建议的特征数量与样本量比例关系（约10%），结合本研究的样本量规模，选择α=0.001作为最优参数。最后使用皮尔逊相关系数方法选择相关性最佳的10个特征（图1）。通过深度神经网络，基于1个临床特征和T1WI筛选得到的10个影像组学特征构建T1WI模型，基于1个临床特征和CE-T1WI筛选得到的10个影像组学特征构建CE-T1WI模型，结合临床特征、T1WI和CE-T1WI的影像组学特征构建联合模型。T1WI和CE-T1WI相关的影像组学特征如表1所示。

       本研究设计的深度神经网络预测模型包含3个隐含层，神经元数依次为64、32、16，采用Tanh激活函数，优化器参数设置为：学习率0.01，批量大小规模20，训练迭代100轮，损失函数选用交叉熵。

点击查看大图

图1  影像组学分析流程图。LASSO：最小绝对收缩与选择算子。
Fig. 1  Flowchart of radiomics analysis. LASSO: least absolute shrinkage and selection operator.

点击查看表格

表1  影像组学特征筛选结果
Tab. 1  Radiomics features screening results

1.6 统计学分析

       采用SPSS 22.0版本软件实施统计分析流程。对于定性资料，以频数形式呈现，通过卡方检验实现组间差异比较；针对定量资料，依据数据特征，选择Mann-Whitney U检验或独立样本t检验完成组间对比分析。通过受试者工作特征（receiver operating characteristic, ROC）曲线及其曲线下面积（area under the curve, AUC）量化模型预测效能，同时采用校准曲线验证预测稳定性，并基于决策曲线分析（decision curve analysis, DCA）评估临床应用价值。统计推断采用双侧检验方法，显著性水平设定为P<0.05。

2 结果

2.1 临床特征比较

       本研究共纳入MGMT甲基化患者162例，MGMT未甲基化者100例，患者的性别比较差异均有统计学意义（P<0.05），因此将其作为临床特征输入到模型中（表2）。图像分割方面，两名医师的图像校准Dice结果为0.94，表明一致性较好。

       在影像组学分析中，本研究通过特征选择算法从1197个高通量组学特征中提取出与MGMT启动子甲基化状态具有强相关性的10个T1WI特征和10个CE-T1WI特征，被纳入模型作为预测因子（表1）。

点击查看表格

表2  临床资料对比
Tab. 2  Comparison of clinical data

2.2 预测效能

       在训练集中，T1WI单序列模型、CE-T1WI单序列模型与多序列联合模型的AUC分别为0.821、0.855 和0.906；在测试集中，多序列联合模型表现最佳（AUC=0.847），其次为CE-T1WI单序列模型（AUC=0.823），T1WI单序列模型AUC为0.752。统计检验表明，训练阶段多序列联合模型与T1WI模型的区分效能差异显著（DeLong检验，P<0.05）（表3、图2）。校准曲线验证了T1WI和CE-T1WI联合模型的概率校准度，DCA则揭示多序列联合模型具有更优的临床决策价值（图3、图4）。

点击查看大图

图2  不同模型的受试者工作特征曲线图。
Fig. 2  Receiver operating characteristic graphs for different models.

点击查看大图

图3  T1WI和CE-T1WI联合模型的校准曲线。
Fig. 3  Calibration curves for T1WI and CE-T1WI combination models.

点击查看大图

图4  T1WI和CE-T1WI联合模型的临床决策曲线。
Fig. 4  Combined T1WI and CE-T1WI clinical decision curve.

点击查看表格

表3  不同模型在训练集和验证集中的预测性能
Tab. 3  Predictive performance of different models in training and validation sets

3 讨论

       本研究基于临床信息和T1WI、CE-T1WI影像组学特征，首次提出利用深度神经网络算法，对胶质母细胞瘤患者的MGMT启动子甲基化状态作出评估，分别搭建了T1WI单序列模型、CE-T1WI 单序列模型，同时整合了T1WI序列与CE-T1WI序列的多序列联合模型。模型诊断效能分析表明，在训练集（AUC=0.921，敏感度81.54%，特异度86.25%）和验证集（AUC=0.848，敏感度78.12%，特异度80.00%）中，T1WI和CE-T1WI多序列联合模型均展现出最优的诊断准确性。校准曲线验证其预测可靠性，DCA进一步证实该模型可为胶质母细胞瘤患者提供显著临床净获益。本研究可辅助临床在术前无创评估MGMT甲基化状态，指导个体化替莫唑胺化疗方案制订，有望提升胶质母细胞瘤患者的精准治疗效率并改善患者预后。

3.1 样本不平衡问题的分析与模型验证

       由于本研究中甲基化组病例数（162例）多于未甲基化组病例数（100例），比例为1.6∶1，存在一定程度的类别不平衡，可能导致预测结果趋向病例数多的一类。为应对这一潜在偏差，我们在特征筛选阶段采用了Mann-Whitney U检验（非参数检验）筛选组间差异特征，该方法对样本分布差异不敏感，且特别适用于不平衡数据分析。此外，通过LASSO回归进行特征降维，其稀疏性约束可有效避免多数类主导特征选择的问题，确保筛选出的特征具有较高的判别力而非仅反映类别分布差异。进一步通过皮尔逊相关系数剔除冗余特征，确保所选特征与甲基化状态的关联性独立于样本分布，提高特征的独立预测价值。在模型训练过程中，我们采用交叉熵损失函数作为优化目标，通过分层抽样确保每个训练批次中两类样本的比例与总体分布一致，并采用随机打乱数据顺序的策略增强模型对各类别的学习能力，避免模型过度偏向多数类。结果显示，训练集和验证集中不同模型的敏感度和特异度较为均衡，验证集中T1WI模型的敏感度和特异度分别为68.8%、75.0%，CE-T1WI模型的敏感度和特异度分别为75.0%、75.0%，联合模型的敏感度和特异度分别为81.3%、80.0%，表明模型对患者是否甲基化的学习能力较好，且在不同序列模型间表现出一致的性能平衡，验证集AUC值也证实了模型具有良好的区分能力，未出现明显的类别偏向性。

3.2 关键影像组学特征的生物学意义探讨

       本研究筛选的影像组学特征主要包括一阶统计量、几何形状、纹理及小波变换，这些特征从不同维度反映了肿瘤区域的强度分布、异质性、空间排列模式及纹理复杂度，与胶质母细胞瘤的生物学行为存在潜在关联。T1WI序列筛选得到的影像组学特征log-sigma-2-0-mm-3D_firstorder_Energy及小波变换后能量特征如wavelet-HHL_firstorder_Energy等反映图像中体素强度的均匀性与分布一致性，高能量值提示肿瘤区域强度分布更均匀，可能与肿瘤组织成分相对单一，如坏死或高度均质化的肿瘤细胞密集区相关。log-sigma-2-0-mm-3D_glcm_Id、log-sigma-2-0-mm-3D_glcm_DifferenceAverage与log-sigma-3-0-mm-3D_glcm_DifferenceVariance等特征描述像素对的灰度空间关系与局部变异程度。CE-T1WI序列筛选得到的影像组学特征original_glszm_SmallAreaLowGrayLevelEmphasis强调小面积低强度区域的分布密度，可能反映微小坏死灶或低灌注区域的聚集程度。MGMT甲基化胶质母细胞瘤对化疗更敏感，可能保留更多微小功能区域或呈现差异化坏死模式，此类微观结构变化可通过CE-T1WI增强序列敏感捕捉。对比特征如wavelet-LLH_glcm_Contrast和wavelet-HHL_glcm_Contrast量化局部灰度差异强度，高对比度提示肿瘤边缘或内部区域信号强度突变明显，可能对应肿瘤浸润边界不规则，与MGMT状态影响肿瘤血管生成或侵袭行为的生物学特性相关。

3.3 单一影像模型在预测MGMT启动子甲基化状态的价值

       在胶质母细胞瘤的常规MRI评估中，T1WI主要用于初步识别肿瘤区域，CE-T1WI则可以进一步评估肿瘤的血供情况，进而更准确地确定肿瘤边界和范围^{[17, 18, 19]}。然而，这些评估方法大多聚焦于肿瘤形态学表型，在解析MGMT启动子甲基化状态等微观分子标志物方面存在局限性。影像组学技术能够从放射影像中萃取并深入剖析海量特征，因此，将其应用于T1WI和CE-T1WI图像评价中，有助于分析潜藏于影像数据深层的分子与基因层面的变动，进而为胶质母细胞瘤MGMT启动子甲基化状态的无创精准评估开辟新途径^{[20, 21, 22]}。深度神经网络是一种由多层神经元组成的复杂人工神经网络结构，通过多层次的抽象来学习和识别数据中的模式，可以实现大量医学图像数据的分析挖掘，自动提取并识别出疾病特征，从而提高诊断的准确率^{[23, 24, 25]}。娄琴等^[26]的研究表明，借助深度神经网络构建的影像组学预测模型，对肺腺癌表皮生长因子受体基因突变的预测具有积极作用；ZHOU等^[27]的研究也显示，深度神经网络能够在膀胱癌的精准分期中发挥作用。本研究联合应用影像组学特征提取技术与深度神经网络算法，基于胶质母细胞瘤患者的T1WI及CE-T1WI影像数据构建MGMT启动子甲基化状态预测模型。结果表明，该模型能有效区分甲基化与非甲基化肿瘤表型。结果与同类研究一致，进一步证明了深度神经网络的稳定性与可靠性，有潜力为胶质母细胞瘤的智能影像评估提供高效的算法支持。

3.4 联合模型预测MGMT启动子甲基化状态的价值

       本研究整合了临床变量与影像特征，其中T1WI序列提取了5个小波特征和5个高斯滤波器的拉普拉斯算子特征，CE-T1WI纳入了1个原始图像特征和9个小波特征。基于三类特征子集分别构建出单序列模型T1WI模型、单序列模型CE-T1WI模型以及多序列联合模型，通过对比分析发现，多序列联合模型在区分MGMT启动子甲基化状态方面具有显著优势。这与SHEN等^[28]和马伟琼等^[29]的研究结果一致，多序列联合模型通过整合不同序列的影像特征，实现了对肿瘤影像异质性的多层次刻画，其包含的丰富信息直接转化为更优的鉴别诊断性能。本研究通过校准曲线与DCA曲线共同评估了模型的临床适用性。校准曲线显示，模型在训练集上的概率校准表现良好，预测概率与实际观察概率较为一致，但在验证集上校准效果有所下降，提示模型对验证集样本的预测概率存在泛化能力不足问题，DCA同样反映验证集上模型的泛化能力有限，表明模型存在一定的过拟合。结合本研究样本特征分析其原因，可能与训练集和验证集的数据分布存在差异，以及验证集样本量少有关，后续研究需通过扩大多中心验证样本量以提升模型的泛化性能。

3.5 深度神经网络架构复杂度合理性讨论

       本研究的核心数据为经过筛选后的20个影像组学特征，已高度浓缩肿瘤异质性信息，无需通过深层卷积提取底层纹理，如ResNet/DenseNet的像素级特征。因此，本研究使用的深度神经网络的全连接结构可直接建模特征间的非线性关系，复杂度与数据维度匹配，在低计算成本下得到较好的诊断效能。

3.6 局限性

       本研究存在一定局限性：（1）作为回顾性研究设计，可能存在选择偏倚和混杂因素，未来计划前瞻性收集更多的胶质母细胞瘤患者数据，并联合多中心的数据集对模型进行验证；（2）本研究中图像分割阶段采用人工手动勾画，分割耗时且存在误差，未来将探索采用自动分割方法，提高效率并增强研究方法的客观性；（3）虽然模型实现了无创预测MGMT状态的目标，但筛选的影像组学特征与MGMT启动子甲基化的分子机制缺乏直接关联证据，后续研究可通过整合病理信息，深化影像组学模型的生物学解析，从而增强其临床应用的实践价值^[30]；（4）未来将整合异柠檬酸脱氢酶基因突变等分子病理和Karnofsky功能状态评分等临床指标构建多维度预测模型。

4 结论

       综上所述，以T1WI和CE-T1WI为基础，运用深度神经网络构建的影像组学模型，能够高效区分胶质母细胞瘤MGMT的甲基化状态。这一成果在临床上颇具潜力，有望为胶质母细胞瘤患者的预后评估提供精准的判断依据，助力医生制订更为合理、科学的治疗计划，提升患者的治疗效果与生活质量。基于多序列MRI的定量分析技术为MGMT启动子甲基化状态提供了非侵入性评估途径，有助于辅助术前制订个体化手术策略，另外模型有潜力用于动态评估放化疗后肿瘤区域影像特征变化，早期预测MGMT甲基化状态对治疗的响应，为调整替莫唑胺用药方案提供依据。