脑胶质瘤影像组学的应用

　　脑胶质瘤影像组学的应用。在通过图像组学方法从医学图像中提取特征并进行建模分析后，可以对胶质瘤进行分级和识别，评估其基因表达、患者生存期和治疗反应。

　　1胶质瘤分级。

　　国际卫生组织根据胶质瘤的恶性程度将其分为一级~四级。等级越高，恶性程度越高，其中一级和二级为低级胶质瘤(low-gradeglioma、LGG)，三级和四级为高级胶质瘤(high-gradeglioma、HGG)。不同级别的胶质瘤有不同的治疗方案，因此术前分级具有重要的临床意义。通过图像组学特征，可以获取医学图像的定量信息来表征肿瘤的异质性，有助于胶质瘤的分类。

　　Pyka等。研究了PET纹理特征对三级和四级胶质瘤分级的效率，从113例经病理证实的高级胶质瘤患者PET图像中提取异质特征(TBR、MTV等)。)和基于NGTDM的纹理特征。结果表明，纹理特征结合MTV可以准确分级85%的肿瘤，受试者操作特征曲线下面积(AUC)为0.83。胶质母细胞瘤(Glioblastoma、GBM)是恶性程度较高的四级胶质瘤。Hsieh等。将34例GBM和73例LGG患者的MRI局部纹理特征转化为局部二值模式特征。建立logistic回归分类器对肿瘤进行分类。结果显示模型精度高达93%，高于基于传统纹理特征的评估模型(84%)。DWI能合适反映水分子扩散受限的特征，表现胶质瘤的生理和分子特征。

　　梅等从66例胶质瘤患者全肿瘤ADC图中提取107个纹理特征。降维后，利用logistic回归分析模型评估HGG的独自危险因素。结果表明，与胶质瘤分级较相关的特征是区域熵(区域熵是基于GLSZM获得的，肿瘤大小和灰度分布的不确定性是衡量的。值越高，肿瘤的纹理差异越大，即异质性越高。

　　2胶质瘤的鉴别。

　　HGG、原发性淋巴瘤和转移瘤是颅内常见的恶性肿瘤，其发病机制、恶性程度和治疗方案不同。图像组学的特征可以区分不同类型的脑肿瘤。Qian等基于图像组学的12个特征选择，7种机器学习方法识别GBM和单发性脑转移瘤，每个样本提取1303个图像组学特征。结果表明，LASO与SVM分类器结合的AUC(0.9)较高，优于具有5年和10年工作经验的神经放射医生。

　　尹等探讨了利用图像组学方法识别HGG和单发脑转移瘤的可行性，从43例单发脑转移瘤和43例HGG患者的236幅MRI图像中提取629个图像组学特征，利用Relief-F算法筛选41个特征构建高斯核SVM诊断模型，发现训练集中诊断模型的准确性、敏感性和特异性分别为84.5%、84.9%和84.0%。

　　与传统的影像组学研究方法不同，Chen等在区分原发性中枢神经系统淋巴瘤和GBM的研究中采用规模不变特征转换的方法提取影像组学特征，模型在训练集(验证集)中得到的分类结果分别为AUC0.991(0.982)，精度95.3%(90.6%)，敏感度85.0%(80.0%)，特异性全切(95.5%)。

　　3评估基因表达。

　　图像组学假设微观基因、蛋白质和分子的变化可以表达在宏观图像特征上。研究确定了胶质瘤的定量图像特征与基因表达图谱及其分子亚型的关系。P53是一种肿瘤控制基因，其突变状态是胶质瘤的关键生物标志物。Li等从272例LGG患者的术前MRI中提取了481个定量图像组学特征。结合每个患者P53的变异状态，利用LASO算法筛选出15个特征，建立SVM分类器，评估LGGP53的变异状态。模型中训练集的AUC为0.896，测试集为0.763。

　　异柠檬酸脱氢酶(isocitratedehydrogenase，IDH)的基因突变对评估脑胶质瘤患者的预后具有重要意义。Lohmann等。从肿瘤区传统PET参数(TBR平均值、TBR较大值、到达峰值时间等)和纹理特征中提取出来。)和纹理特征。84例未经手术治疗的脑胶质瘤患者图像中，以神经病理学结果评价诊断准确性。结果结合TBR平均值和纹理特征建立的模型评估IDH基因型准确率为93%，表明传统PET特征和纹理特征的结合可以为无创评估IDH基因型提供重要的诊断信息。

　　Arita等研究从129例II/II级胶质瘤患者的169个MRI数据中提取了109个影像组学特征和肿瘤位置信息，利用LASO回归算法，建立了IDH1/2突变体评估，IDH1/2突变体与TERT启动子突变和IDH野生三种分子亚型的判断模型。结果表明，基于图像组学模型评估IDH突变的准确性为85%~87%。

　　4评估生存期和治疗反应。

　　评估肿瘤患者的总生存期(overalsurvival，OS)可以为制定治疗计划提供重要信息。基于MRI，Kickingerder等从119例GBM患者的多区域肿瘤ROI中提取了12190个影像组学特征，通过监督主要成分(supervisedprincipalcomponent，SPC)的分析方法筛选出11个较重要的特征，然后利用Cox比例风险模型评估患者的OS和无进展生存期(progresssionfresurvival，PFS)。结果表明，SPC分析模型比现有的临床和放射风险模型效果更好。该模型将患者分为组和低风险组。

　　Lao在评估GBM患者的OS研究中，除了提取传统的图像组学特征外，还通过迁移学习从预训练的卷积神经网络中提取了98304个与深度学习相关的特征。选择特征后，使用LASOCox回归模型评估GBM患者的OS，训练集中OS的HR为5.042，验证集中OS的HR为5.128。结果表明，深度学习结合图像组学特征可以获得更高的性能。Kickingereder在贝伐珠单抗治疗前提取了4842个MRI图像组学特征取了4842个MRI图像组学特征过PFS和OS生成治疗结果分层评估模型。SPC评估变量将训练集中的患者分层为PFS(HR=1.60)和OS(HR=2.14)。

　　5其他

　　Liu等。提出基于图像组学模型评估LGG相关性癫痫，从286例LGG患者MRI中提取肿瘤的位置特征和图像组学特征，并分析两个特征之间的相互作用。通过弹性网络筛选特征后，利用多变量logistic回归分析建立评估模型。在区分癫痫是否发生的任务中，训练集和验证集AUC分别为0.88和0.82。

　　基于图像组学方法的GBM，如Li，从MRI图像中提取的图像组学特征在不同年龄组之间存在统计差异。结果表明，不同年龄组的GBM具有不同的病理、蛋白质或基因来源。