脑胶质瘤的影像组学应用。

　　利用图像组学的方法，从医学图像中提取特征，进行模型分析，可用于脑胶质瘤的分类与鉴别、基因的表达、患者的生存期、治疗效果等。

　　1级神经胶质瘤。

　　WHO按其恶性程度分为Ⅰ~Ⅳ级，等级越高，其恶性程度越高，其中Ⅰ、Ⅱ级为低级别胶质瘤(low-gradeglioma)，LGG)Ⅲ、Ⅳ级属于高级别胶质瘤(high-gradeglioma,HGG)。脑胶质瘤不同级别的治疗方案不同，术前分级具有重要的临床意义。利用图像组学特征，可以从医学图像中获得定量信息，以确定其异质性，有助于对胶质瘤的分级。

　　Pyka等从经病理证实的113例高级别别胶质瘤患者PET图像中，观察其纹理特征对Ⅲ和Ⅳ级胶质瘤分级的合适性(TBR)。基于MTV等)和基于NGTDM纹理特征的纹理特征组合MTV可以准确分级85%的肿瘤等级，被试操作特征曲线下积(AUC)为0.83。神经胶质母细胞瘤(GBM)是较恶性的Ⅳ级神经胶质瘤，Hsieh等对34例GBM和73例LGG患者的MRI局部纹理特征进行了改造，采用logistic回归法对肿瘤进行分级，结果表明，该方法的准确率为93%，比传统的基于纹理特征的方法(84%)更准确。DWI能较好地反映水分子扩散受限的特点，能很好地表征其生理和分子特性。

　　选取66例胶质瘤患者ADC全图，分别提取出107条纹理特征，并用logistic回归分析对其独自危险因素进行降维处理，研究结果表明，与神经胶质瘤分级较相关的是区域熵，用GLSZM方法计算肿瘤大小及灰度分布的不确定性；与年龄和区域熵相结合的HGG显示，其AUC值越高，其敏感性为75.6%，与年龄和区域熵相结合时，其敏感性为75.6%。特异性为88.0%。

　　2、肿瘤的鉴别。

　　HGG，原发淋巴瘤及转移瘤是较为常见的颅内恶性肿瘤，其发病机理、恶性程度和治疗方法各不相同，影像组学特点可区分不同类型的脑肿瘤。在Qian的基础上，利用12种特征选择，7种机器学习方法来鉴别GBM和单发脑转移瘤，每个病例分别提取1303个影像组学特征，实验结果表明，LASSO与SVM相结合的方法，其AUC值较高，为0.9，优于有5年或10年工作经验的神经放射医师。

　　用影像组学方法鉴别HGG及单发脑转移瘤的可行性，从43例单发脑转移瘤与43例HGG患者的236张影像组学图像中，共提取629条影像组学特征。用Relief-F算法对41个特征进行筛选，建立了高斯核SVM诊断模型，发现该模型的准确性、敏感性和特异性分别为84.5%。占84.9%和84.0%。

　　与传统的影像组学研究方法不同，Chen等在鉴别原发CNS淋巴瘤和GBM时，采用比例不变特征变换来提取图像组学特征。通过训练集(验证集)获得的AUC0.991(0.982)和95.3%的分类精度(90.6%)，敏感性为80.0%，特异性全切(95.5%)。

　　3基因表达的评估。

　　图像组学假设微基因、分子和蛋白质的变化可表现为宏观影像特征。一些研究已经确定了胶质瘤的定量图像特征和基因表达图谱和其亚型之间的关系。p53是一种抑癌基因，其突变状态是胶质瘤的重要生物标志。Li等收集了272名LGG患者术前MRI的481个影像组学定量特征，并结合各组病例P53的变异情况。通过LASSO算法筛选15个特征，建立SVM分类器对LGGp53变异状态进行评估，模型中训练集AUC值为0.896，实验集为0.763，说明影像组学特征能够评估LGGp53的突变状态。

　　异柠檬酸脱氢酶(isocitratedehydrogenase,IDH)的基因突变对于评价患者的预后有重要意义。Lohmann等采用传统的PET参数(TBR平均数)，从未手术治疗的84例胶质瘤患者图像中提取。采用TBR较大值，达到峰值时间等)和纹理特征评价诊断的准确性，采用TBR平均法结合纹理特征对IDH基因型进行评估，准确度为93%。常规的PET特征和纹理特征的结合，可以为IDH基因型无创诊断提供重要信息。

　　本研究采用LASSO回归方法，从129例Ⅱ/Ⅲ级神经病患的169份MRI资料中，提取出109个影像组学特征及肿瘤位置。构建一个IDH1/2突变体、并伴有TERT启动子突变的IDH1/2突变体和IDH野生型3种分子亚型的鉴别模型。实验结果表明，结合病灶位置信息，利用影像组学模型评估IDH突变率85%~87%。

　　4、评估患者的存活率和疗效。

　　癌症患者的整体生存期(overallsurvival,OS)可以为制定治疗计划提供重要信息。利用MRI技术，从119例GBM患者的多区域肿瘤ROI中提取出12190个影像组学特征。对主要成分(supervisedprincipalcomponents,SPC)进行分析，可以筛选出11种主要特征，再次利用Cox比例风险模型评估患者的OS和无进展生存期(progressionfreesurvival，PFS)，结果表明SPC分析模型比目前的临床和放射危险模型具有更好的效果，该模型将患者分为组和低风险组，PFS的风险比(hazardratio,HR)为2.43,OS的HR为4.33，而PFS的PFS则为2.28。血红蛋白是3.45个百分点。

　　在对GBM患者的OS研究中，除提取传统的图像组学特征外，还采用迁移学习方法从预训练的卷积神经网络中提取出98304个深度学习相关特征。用LASSOCox回归模型对GBM患者的OS进行特征选取，训练集中OS的HR为5.042，验证集中式OS的HR为5.128。实验证明，结合影像组学特征，深度学习具有较好的效果。Kickingereder等从172例反复发作的GBM患者中提取到4842个影像组学特征，并进行了分析。利用SPC分析法筛选特征，通过PFS和OS产生治疗结果分层评估模型，SPC评估变量将PFS(HR=1.60)和OS(HR=2.14)的患者分层，而患者的PFS和OS的HR分别是1.85和2.60，在验证集上也是成功的。结果显示，影像组学方法对复发性GBM患者的疗效有评估作用。