0 引言

       胶质瘤是最常见的原发性中枢神经系统恶性肿瘤^[1]。根据2021年第5版世界卫生组织（World Health Organization, WHO）中枢神经系统肿瘤分类指南,异柠檬酸脱氢酶（isocitrate dehydrogenase, IDH）被确认为胶质瘤诊断中最关键的分子标志物，对区分星形细胞瘤、少突胶质细胞瘤与胶质母细胞瘤尤为重要^{[2, 3, 4]}。已有研究表明，携带IDH突变的患者较IDH野生型患者具有更长的无进展生存期和总生存期，因此，检测IDH突变对预后评估及治疗策略制订具有重要意义^{[5, 6, 7]}。鉴于其治疗指导作用，准确且术前识别IDH突变已成为临床胶质瘤管理中的关键环节^[8]。

       在当前临床实践中，IDH突变状态通常需要通过术后肿瘤组织的基因测序进行确认，该过程耗时且费用较高^[9]。磁共振成像（magnetic resonance imaging, MRI）是胶质瘤术前诊断的核心工具，能够提供丰富的解剖学信息并潜在反映肿瘤微环境中的基因特征^[10]。扩散加权成像（diffusion weighted imaging, DWI）作为一种灵敏、无创的技术方法，能够反映组织内细胞、血管及微结构的改变^[11]。传统高斯分布的DWI参数表观扩散系数（apparent diffusion coefficient, ADC）可反映组织内的细胞密度。各种非高斯分布DWI模型可反映不同的组织学特征，如体素内不相干运动模型（intravoxel incoherent motion, IVIM）的参数灌注分数（f）可反映组织微循环灌注，扩散系数（D）可反映组织内的细胞密度，扩散峰度成像（diffusion kurtosis imaging, DKI）的参数平均峰度（mean kurtosis, MK）可反映组织异质性^{[12, 13, 14]}。

       生境成像是一种具有广阔应用前景的肿瘤表征技术，其核心思想是将肿瘤划分为若干具有不同生物学特征的生境亚区^{[15, 16, 17]}。每个生境亚区代表一组具有相似组织特性的体素集合。从定性角度而言，不同生境的空间分布可通过影像可视化方式直观展示；从定量角度来看，可通过计算各生境的体积分数来评估肿瘤的内部组成。生境成像有望作为敏感的生物标志物，用于预测肿瘤的遗传学特征^{[18, 19, 20]}。尽管生境成像在其他肿瘤类型中已获得初步成功应用^{[21, 22]}，但在胶质瘤的IDH突变状态预测中尚未得到充分探讨。已有多项研究证实，DWI参数在胶质瘤IDH分型中具有一定诊断价值，但大多研究采用全肿瘤平均值或直方图等统计特征进行分析，难以充分刻画肿瘤内部空间异质性^{[23, 24, 25]}。此外，不同扩散模型参数主要反映肿瘤的单一生物学特征，缺乏对多维组织学信息的综合表征，模型泛化能力和临床适用性仍存在一定局限^[26]。目前没有利用DWI参数来构建生境图像，并进行术前无创评估胶质瘤IDH突变状态的研究。

       因此，本研究通过结合高级DWI影像参数和生境成像技术，探索其在胶质瘤IDH突变预测中的应用价值。本研究将基于f，D和MK等三个扩散参数，分别从微循环灌注、细胞密度和组织微结构异质性等三个维度刻画肿瘤微环境特征。这种方法不仅能够突破传统影像参数的局限，进一步揭示肿瘤内在的异质性，而且能够为胶质瘤的术前精准诊断提供更为高效、无创的替代方案。

1 材料与方法

1.1 研究对象

       本研究遵守《赫尔辛基宣言》，经南京大学医学院附属鼓楼医院伦理审查委员会的批准，免除受试者知情同意（伦理批号：2025-0327-01）。回顾性纳入2022年9月至2024年12月南京大学医学院附属鼓楼医院行MRI检查及手术治疗的成人弥漫性胶质瘤患者共计99例。

       纳入标准：（1）按照2021年第5版WHO中枢神经系统肿瘤分类指南，手术切除后经病理证实的WHO 2~4级胶质瘤；（2）术前常规行T1WI、T2WI、FLAIR、T1增强和16b值DWI扫描；（3）已知IDH突变状态；（4）年龄≥18岁。排除标准：（1）影像数据序列缺失；（2）图像质量不佳、运动伪影较大。

1.2 检查和诊断方法

1.2.1 扫描方法

       本研究采用联影3.0 T uMR790磁共振成像仪，配套32通头颅线圈。对比剂采用钆双胺注射液（欧乃影，GE Healthcare公司），注射流速3.5 mL/s，用量0.2 mL/kg质量。扫描序列包括T1WI、T2WI、FLAIR、T1增强和多b值DWI扫描。扫描参数如下：

       T1WI：TR 7.9 ms，TE 3.1 ms，FOV 256 mm×232 mm，翻转角（flip angle, FA）10°，层厚1 mm；T2WI：TR 2200 ms，TE 606.40 ms，FOV 256 mm×232 mm，FA 19°~150°，层厚1 mm；FLAIR：TR 4800 ms，TE 428.04 ms，FOV 256 mm×232 mm，FA 21°~150°，层厚1.08 mm；T1增强：TR 7.9 ms，TE 3.10 ms，FOV 256 mm×232 mm，FA 10°，层厚1 mm；16 b值DWI：TR 3598.0 ms，TE 108.10 ms，FOV 230 mm×230 mm，FA 90°，层厚5 mm，16 b值分别为0、10、20、30、50、70、100、150、200、400、700、1000、1500、2000、2500、3000 s/mm²。

1.2.2 数据后处理

       本研究将原始的16 b值DWI数据导入DWI后处理软件MItalytics（费莎医疗），在对不同的b值图像进行配准后计算IVIM和DKI模型的参数。

       IVIM模型的计算见公式（1）：

       其中，S0表示没有扩散加权的信号强度；Sb表示在特定b处的信号强度；D表示真实扩散系数，反映水分子在细胞内外的扩散情况；D^*表示伪扩散系数，反映水分子在微血管循环中的扩散情况；f为灌注分数，反映水分子在微血管循环中的扩散占总体扩散的比值。

       DKI模型的计算公式见公式（2）：

       其中，MD为非高斯校正后的扩散系数；MK为平均扩散峰度，代表水分子运动偏离高斯分布程度的定量指标，可反映组织异质性。

1.2.3 肿瘤分割

       将F、D和MK参数图通过刚性配准同常规MRI序列（T1WI、T2WI、FLAIR、T1增强）配准后，采用团队先前开发的脑肿瘤分割深度学习算法^[27]，参考常规MRI序列，避开囊变、坏死、水肿等区域，构成感兴趣体积（volume of interests, VOI）。最终得到的VOI由两名10年以上神经肿瘤阅片经验的放射科主治医生确认，在校对VOI的过程中，两名放射科主治医生对患者IDH突变状态保持未知。随后提取各参数图在对应VOI下的均值，纳入后续的分析。

1.2.4 生境图像的构建

       为提高数据聚类分析的效率，本研究采用了K-means算法构建生境图像，该算法作为目前最常用的聚类方法之一，具有计算简便和收敛速度快等优点^[28]。在K-means算法中，输入了所有患者脑肿瘤VOI内每个体素对应的F、D和MK的成组数据，详细数据见表1。聚类数目通过轮廓系数（silhouette coefficient）确定（范围为2~6），当聚类数目为3时，轮廓系数最大曲率点出现（图1）。因此，本研究将脑肿瘤VOI划分成3个生境亚区（图2），分别为：生境1（高细胞密度低灌注高异质性生境）；生境2（低细胞密度低灌注低异质性生境），生境3（高灌注低异质性生境）。其中，生境1中IVIM_D、IVIM_f和DKI_MK的范围分别见表1。结构MRI、DWI模型参数图及对应ROI勾画和生境图像见图3，随后分别计算每个生境亚区的体积占总体VOI体积的比值。

点击查看大图

图1  不同生境聚类数量时的轮廓系数。
Fig. 1  Silhouette coefficients for different numbers of habitat clusters.

点击查看大图

图2  基于IVIM_f，IVIM_D和DKI_MK的全体素聚类图。IVIM：体素内不相干运动模型；D：真实扩散系数；f：灌注分数；DKI：扩散峰度成像；MK：平均扩散峰度。
Fig. 2  Whole-voxel clustering maps based on IVIM_f, IVIM_D, and DKI_MK. IVIM: intravoxel incoherent motion model; D: true diffusion coefficient; f: perfusion fraction; DKI: diffusion kurtosis imaging; MK: mean kurtosis.

点击查看大图

图3  一例62岁男性IDH野生型胶质母细胞瘤患者的结构MRI、DKI与IVIM参数图及对应VOI勾画与生境图像。生境图像中红色为生境1区域，绿色为生境2区域，蓝色为生境3区域。IDH：异柠檬酸脱氢酶；IVIM：体素内不相干运动模型；D：真实扩散系数；f：灌注分数；DKI：扩散峰度成像；MK：平均扩散峰度；VOI：感兴趣容积。
Fig. 3  Structural MRI, DKI and IVIM parameter maps, VOI delineation, and habitat imaging in a 62-year-old male patient with IDH–wild-type glioblastoma. IDH: isocitrate dehydrogenase; IVIM: intravoxel incoherent motion model; D: true diffusion coefficient; f: perfusion fraction; DKI: diffusion kurtosis imaging; MK: mean kurtosis; VOI: volume of interest.

点击查看表格

表1  三种生境的数量特征
Tab. 1  Quantitative characteristics of the three habitats

1.3 统计学分析

       本研究使用IBM SPSS 26.0和Python软件进行统计学分析。符合正态分布的连续变量以均数±标准差表示，组间比较采用独立样本t检验；分类变量以频数与百分比表示，组间比较采用卡方检验。以上方法分别用于评估IDH野生型与IDH突变型患者在临床及影像特征上的差异。P<0.05为差异具有统计学意义。本研究使用合成少数类过采样技术（Synthetic Minority Oversampling Technique, SMOTE）解决标签分布不均衡问题，使用逻辑回归算法建模，分别构建单一弥散参数模型、生境模型、年龄模型和整合模型。模型性能通过五折交叉验证进行评估，评价指标包括受试者工作特征（receiver operating characteristic, ROC）的曲线下面积（area under the curve, AUC）、准确率、敏感度、特异度阳性预测值和阴性预测值。采用DeLong检验进行整合模型与其他模型的分类效能对比。此外，采用夏普利加性解释（SHapley Additive exPlanations, SHAP）方法对模型预测结果进行解释，并评估各特征对模型决策的贡献。

2 结果

2.1 患者临床信息

       99例成人弥漫性胶质瘤患者中，IDH野生型73例，年龄（63.07±10.54）岁，IDH突变型26例，年龄（41.82±11.23）岁。IDH野生型患者年龄高于IDH突变型（P<0.001），二者性别分布差异无统计学意义（P=0.532）。IDH野生型患者的生境1比例高于IDH突变型，生境2比例低于IDH突变型（均P<0.001），两组生境3的比例差异无统计学意义（P=0.627）。IDH野生型患者IVIM参数D小于IDH突变型（P=0.007），DKI参数MK大于IDH突变型（P<0.001），IVIM参数f差异无统计学意义（P=0.106）（表2）。

点击查看表格

表2  患者临床信息表
Tab. 2  Clinical information of the patients

2.2 生境模型和整合模型的诊断效能

       鉴别IDH野生型和IDH突变型的ROC分析结果显示，生境1模型效能[AUC=0.794，95%置信区间（confidence interval, CI）：0.670~0.921]，生境2模型效能（AUC=0.777，95% CI：0.641~0.913），IVIM_D模型效能（AUC=0.672，95% CI：0.564~0.782），DKI_MK模型效能（AUC=0.779，95% CI：0.618~0.944），年龄模型效能（AUC=0.864，95% CI：0.688~1.000），最终融合了生境特征、D、MK和患者年龄的整合模型效能优于生境1模型和生境2模型（AUC=0.902，95% CI：0.759~1.000）。各模型效能见表3，ROC曲线和整合模型的列线图见图4。整合DeLong检验结果表明，整合模型的效能优于基于单一特征参数的模型，详见表4。

点击查看大图

图4  各模型的ROC曲线（4A）和整合模型的列线图（4B）。ROC：受试者工作特征；AUC：曲线下面积；IVIM：体素内不相干运动模型；D：真实扩散系数；DKI：扩散峰度成像；MK：平均扩散峰度。
Fig. 4  ROC curves of each model (4A) and the nomogram of the integrated model (4B). ROC: receiver operating characteristic; AUC: aera under the curve; IVIM: intravoxel incoherent motion model; D: true diffusion coefficient; DKI: diffusion kurtosis imaging; MK: mean kurtosis.

点击查看表格

表3  各模型鉴别成人弥漫性胶质瘤IDH突变的效能
Tab. 3  The diagnostic performance of each model in distinguishing IDH mutation status in adult diffuse gliomas

点击查看表格

表4  整合模型与其他模型对比的DeLong检验结果
Tab. 4  DeLong test results comparing the integrated model with the other models

2.3 模型可解释性分析

       SHAP分析结果显示，整合模型中贡献最高的特征为患者年龄，其次为生境1比例，贡献均高于IVIM的参数D和DKI的参数MK（图5）。

点击查看大图

图5  SHAP分析结果。5A：整合模型中各参数SHAP值的绝对值；5B：整合模型中各参数SHAP值的原始数值；5C：整合模型中各特征对IDH鉴别任务的贡献展示。SHAP：夏普利加性解释；IDH：异柠檬酸脱氢酶；IVIM：体素内不相干运动模型；D：真实扩散系数；DKI：扩散峰度成像；MK：平均扩散峰度。
Fig. 5  Results of SHAP analysis. 5A: Absolute SHAP values of each parameter in the integrated model; 5B: Original SHAP values of each parameter in the integrated model; 5C: Contributions of each feature to the IDH classification task in the integrated model. SHAP: shapley additive explanations; IDH: isocitrate dehydrogenase; IVIM: intravoxel incoherent motion model; D: true diffusion coefficient; DKI: diffusion kurtosis imaging; MK: mean kurtosis.

3 讨论

       本研究将基于DWI高级参数的生境成像方法应用于术前无创预测成人弥漫性胶质瘤的IDH突变状态。本研究通过IVIM_f、IVIM_D和DKI_MK参数构建肿瘤生境图像，量化不同生境亚区在肿瘤内部的比例特征，并用于区分IDH突变型与野生型胶质瘤。结果显示，生境1比例显著下降、生境2比例显著升高可作为IDH突变的重要影像学指征；进一步将生境特征与D、MK及患者年龄整合后，构建的多维诊断模型表现最佳（AUC=0.902），明显优于单一影像参数模型。本研究揭示了DWI生境成像在反映肿瘤内部微环境差异并预测其分子分型方面的潜力，为胶质瘤的术前精准分型提供了一种简便、无创且具有临床应用价值的影像学生物标志物。

3.1 生境构建及参数选择的理论依据

       本研究在生境构建中采用了IVIM模型参数D和f以及DKI模型参数MK，并在数据处理上进行了多方面的控制以确保可靠性：首先，所有参数均来源于同一DWI数据集，从而最大限度减少不同序列间配准误差。其次，D、f和MK分别反映了组织细胞密度、微循环灌注及组织异质性，三者在肿瘤微环境层面提供了互补的信息^{[29, 30, 31]}。最后，这些参数在以往神经肿瘤影像学研究中已被广泛验证，是用于肿瘤分级和分子分型评估的可靠定量指标^{[32, 33, 34]}。通过整合这些具有生物学意义的参数，所提出的生境成像框架能够更全面地捕捉胶质瘤的高维异质性特征，从而提升整合模型在影像遗传学预测中的解释性与可推广性，为精准诊断和个体化治疗提供重要影像学依据^[35]。

3.2 DWI生境特征与IDH突变状态的关联

       本研究中所构建的3个生境亚区，生境1表现为较高的细胞密度、较低的微血管循环水平和较大的组织微结构异质性；而生境2表现为较低的细胞密度、较低的微血管循环水平和较小的组织微结构异质性，生境3则表现为较高的微血管循环水平和较小的组织微结构异质性。相比于IDH突变型的星形细胞瘤和少突胶质细胞瘤，IDH野生型的胶质母细胞瘤拥有更高水平的生境1的比例和更低水平的生境2的比例，这一结果与IDH野生型胶质母细胞瘤的生物学特征相一致。而生境3可能代表肿瘤内部的过渡区域或混合区域，即介于生境1（高细胞密度低灌注高异质性生境）和生境2（低细胞密度低灌注低异质性生境）中的区域，该区域内微环境分布较为均以，因此在IDH突变状态上的差异不显著。已有研究表明^[36]，IDH突变型胶质瘤通常具有较低的细胞增殖活性、较少的血管生成和更为均质的组织结构，因此扩散受限程度相对较低，微循环灌注水平较低，而异质性程度相对较小。相比之下，IDH野生型胶质瘤往往表现出更强的侵袭性、更多炎性和免疫细胞的浸润和更复杂的肿瘤微环境，伴随较高的细胞密度、不均一的血管生成及明显的组织异质性^{[37, 38, 39]}。由此推测，DWI生境成像能够在一定程度上反映肿瘤的细胞增殖活性和血管生成特征，从而揭示IDH分子状态所对应的生物学基础。这进一步支持了基于扩散特征的生境成像在胶质瘤分子分型中的潜在应用价值，为术前无创评估提供了新的影像学依据。

3.3 DWI生境成像方法与传统DWI分析方法的对比

       既往基于多b值弥散模型评估胶质瘤分子遗传学的研究，大多从VOI内的均值或中位数出发，随后逐渐拓展至直方图特征及影像组学特征层面^{[40, 41, 42]}。ZHANG等^[13]运用58例患者的IVIM，DKI模型的参数鉴别低级别和高级别胶质瘤，弥散参数MD、MK、D和f的诊断AUC分别为0.901、0.896、0.895和0.889。YANG等^[43]运用422例胶质瘤患者的ADC、IVIM参数图和DKI参数图的全肿瘤直方图特征进行建模，预测胶质瘤IDH突变状态，结果表明整合DWI模型（AUC=0.913）和IVIM模型（AUC=0.903）的效能优于传统的ADC模型（AUC=0.807）。然而，这些研究仍主要聚焦于参数图的定量数值特征，未能从DWI影像的空间分布模式与宏观异质性角度探讨肿瘤的生物学行为。在以往基于VOI均值或中位数及直方图特征的胶质瘤DWI研究中^{[44, 45]}，主要关注的整体统计量，反映的是肿瘤平均水平或整体信号分布，但忽略了肿瘤内部各区域间的差异性以及这些差异在空间上的排列和分布模式。本研究则进一步引入基于DWI的生境成像分析方法，通过分层描述肿瘤内部不同扩散和微循环特征区域，更全面地反映胶质瘤的复杂微环境。每个生境区域不仅具有特定的定量参数值，还保留其在肿瘤内的空间位置。因此，我们的模型能够同时反映：宏观异质性，即不同生境亚区在肿瘤内部的定量差异；以及空间分布模式，不同生境亚区在三维肿瘤VOI中的排列和相对位置，为IDH突变状态的无创评估提供了新的研究视角。

3.4 本研究的局限性

       然而，本研究依然存在一定局限性。首先，本研究为单中心回顾性研究，样本量有限，且缺乏独立外部测试集，未来需在多中心大样本队列中进一步提高模型的稳定性与泛化能力。其次，本研究仅使用了IVIM与DKI的参数构建生境模型，尚未引入其他结构或功能成像特征，如动态对比增强、酰胺质子转移成像等其他反映肿瘤血管渗透性和代谢活性的高级MRI，多维度影像信息融合有望进一步提升模型的预测效能。最后，虽然K-means算法具有计算效率高的优势，但其聚类结果受初始质心和聚类数目的影响，未来可考虑引入更稳健的聚类策略，如高斯混合模型或深度学习聚类方法，以进一步优化生境划分的准确性。

4 结论

       本研究表明，基于DWI的生境成像可有效反映成人弥漫性胶质瘤的内部异质性。通过对IVIM和DKI参数进行体素聚类，构建的生境亚区在IDH突变型与野生型之间存在显著差异。整合生境特征模型可在术前无创、准确地预测IDH突变状态，为胶质瘤术前分子分型提供新思路，并有望成为指导个体化诊疗的重要影像学工具。