脑胶质瘤MRI影像组学的临床应用。

　　1术前分级和鉴别诊断脑瘤。

　　通过应用影像组学技术，对114个影像组学特征进行了筛选，其中T1增强序列灰度共生矩阵(graylevelco-occurencematrix)，结果发现，GLCM的熵和ADC图GLCM均匀度对区分高低级肿瘤具有很大的潜力，并较终提取了8种相关特征值。被试工作特性(receiveroperatingcharacteristic,ROC)(areaundercurve)的曲线下面积AUC是0.943。

　　MRI的多模态MRI可以区分不同类型的胶质瘤亚型，其中高级别别胶质瘤的AUC以0.911较佳。与此同时，MRI成像在某些影像鉴别诊断中也显示了很高的临床价值。Kim等分析了包括扩散加权成像在内的143例手术前多模态MR影像组学特征，以逻辑回归分类器为基础，对胶质母细胞瘤与原发性中枢神经系统淋巴瘤进行鉴别。结论AUC的敏感性为0.979.0.938.0.944，其特异性为0.979.0.938。另外，费蒂特等发现，儿童幕下脑肿瘤，包括髓母细胞瘤、毛细胞瘤、室管膜瘤的影像组学纹理特征，可进行鉴别分类。还有学者根据氟代脱氧葡萄糖摄取量，根据PET的纹理特征，对病灶的良恶性做出判断。

　　需要指出的是，虽然影像组学可以帮助医生鉴别成人或儿童脑胶质瘤，但它们之间的区别以及良性和恶性的判断，但仍需要进一步观察。但大多数都是基于单中心的回顾性研究，或者说MR灌注成像和弥散张量成像等相关组学研究。

　　2神经胶质瘤基因表达状况。

　　由于手术活检获得脑胶质瘤基因资料的方法有限，目前已有学者研究影像组学与基因相关性，将肿瘤基因异质性无创性量化。应用Supportvectormachines(supportvectormachines)，对染色体1p/19q共缺失状态进行单中心回顾性术前评估研究。经SVM分型显示MRI成像组学特征可以合适地鉴别低级别别胶质瘤的1p/19q状态。

　　此外，它也可用于胶质母细胞瘤的相关基因评估。例如，Li等利用了卷积神经网络(convolutionalneuralnetwork,CNN)方法分析了多家机构性胶质母细胞瘤患者的术前MRI图像中的4个亚区(坏死区.水肿区.强化区域和非强化区域)，较后从MGMT的甲基化状态中筛选出6种影像组学特征，并建立评估模型，AUC值和正确率分别为0.88和80%。Chang等从TCIA数据库中获得256例高低级别胶质瘤患者的MRI图像数据，并利用CNN算法对与基因相关的图像组学特征进行提取；结果表明，IDH状态评估精度达94%,1p/19q共同缺失状态可达92%,MGMT启动子甲基化状态达83%。图像组学的各种特征可直接从深层次神经网络算法中提取，避免了特征分析带来的额外误差。

　　3脑胶质瘤疗效评估和预后评价

　　以前的研究主要根据病人的年龄.肿瘤位置.大小.切除范围，以及传统的影像学方法等作为判断预后的指标，是仅仅根据病变大小和是否强化来评价神经胶质瘤的治疗效果，存在一些局限性。图像组学可以充分利用未被识别的深层纹理特征，更有助于评估病变疗效和评估预后。Xi等高通量提取经替莫唑胺化疗后MGMT甲基化胶质母细胞瘤疗效的相关MRI影像组学特征，在降维后建立了SVM分类法，分类特异性和敏感性分别为88.80%.83.84%，验证集有类似结果。

　　通过对放疗前后高级别胶质瘤患者行ADC图像的纹理分析，发现ADC纹理特征可作为诊断高级别胶质瘤治疗进展的合适标志。Sanghani等基于肿瘤的形态学特征和体积评估研究结果显示，Sanghani的总生存期为98.7%(存活率≤400天，存活率>400天),SVM分类器评估总生存期为98.7%。Macyszyn等也报道MRI能评估胶质母细胞瘤的生存期，并发现SVM模型可把病人分为短期、中期和长期两类，准确性高达80%以上。

　　4胶质瘤手术后真假进展的鉴别

　　辨别假象的发展是脑胶质瘤后期治疗的重要环节。当前准确的鉴别方法是组织活检和短期临床影像随访，这可能导致病人再次损伤或延迟治疗时间。普通RANO标准又不能完全准确地鉴别假进展病例。MRI可定量的图像组学可为两者的鉴别提供新的方法。应用常规SVM技术，对31例MRI资料进行分析，建立了真假性进展分类器，灵敏度为89.9%，特异度为93.7%,ROC曲线下面积为0.944。

　　此外，一些文献也提到了深度神经网络学习方法可以提高图像组学分析结果的准确性。例如Jang等一次采用长短时记忆模型和卷积神经网络相结合的模型对胶质瘤术后真假进行研究，并建立了一种包含MRI图像组学特征和临床数据的评估模型，结果表明，评估模型的AUC值为0.83。与随机森林模型相比，CNN相关模型的评估效果更好。可视化成像组学对鉴别脑胶质瘤真假进展具有潜在的价值。