基因表型预测及其与低级别胶质瘤生存

　　基因表型预测及其与低级别胶质瘤生存和进步的关系。基因表型是低级别胶质瘤的一个重要病理特征，与预后和治疗决策直接相关。图像组学方法对低级别胶质瘤基因表型预测具有很高的价值，目前的研究主要采用T2WI.FLAIR和多模态成像，包括上述序列和扩散成像，涉及IDH.1p19q.O6-甲基鸟嘌呤-DNA甲基转移酶(oxygen6-methylguanine-DNAmethyltranserase，MGMT)。

　　1、IDH基因表型

　　IDH是三羧酸循环的关键酶。突变后，肿瘤细胞产生2-羟戊二酸，而不是α-酮戊二酸，间接降低血管内皮因子的表达，从而抑制肿瘤细胞的增殖。因此，IDH突变型胶质瘤患者的生存预后优于IDH野生型，无创预测IDH基因状态具有重要的临床意义。基于常规单一MRI序列的图像组学特征模型可用于预测IDH基因表型，包括T2WI。FLAIR。Liu等对260例低级别胶质瘤患者术前T2WI序列的图像数据进行图像组学分析，定量提取一阶统计量、形状和大小特征、纹理特征、小波特征等146个肿瘤异质性指标，利用86个组学特征的分类模型预测IDH基因表型的AUC高达1.00；此外，利用IDH特异性图像组学特征可以对低级别胶质瘤患者进行高、低风险组分层。

　　Jakola等研究发现，基于FLAIR序列的纹理参数同质性(即Haralick组学特征)可以识别突变型和野生IDH(AUC为0.905)，其中IDH野生型异质性明显，预后差；在分析Haralick组学特征和肿瘤体积时，区分突变型和野生IDH的AUC达到0.940，表明基于单一常规序列的组学特征模型结合其他形态特征可以提高预测IDH表型的效率。与单序列图像提取的组学特征相比，基于多序列的组学特征模型可以进一步提高IDH表的预测精度，并可用于评估预后和肿瘤进展。

　　在Chaddad等的研究中，基于多序列即多模态MRI(T1WI.T2WI.FLAIR.CE-T1WI)的联合强度矩阵(jointintensitymatrix，JIM)组学特征预测IDH表型的效率(AUC为0.769)优于基于单序列的灰度共生矩阵(Grey-levelco-occurencematrix，GLCM)(AUC为0.732)

　　Zhou等对165例低级别胶质瘤患者的研究进一步验证了多模态MRI图像组学的优势，利用随机森林(randomforest、RF)模型对临床因素进行了分析。多模态MRI(T1WI.T2WI.CE-T1WI.FLAIR)提取的42个纹理特征。分析了伦勃朗的视觉感受图像特征。结果表明，基于多模态MRI的图像组学最优特征集具有较高的预测能力(AUC为0.86±0.01)。最优特征集可以预测低级别胶质瘤的进展(AUC为0.80±0.01)，明显优于基于临床因素的预测模型(AUC为0.58±0.02)。同时，最优特征集可以预测低级别胶质瘤的进展(AUC为0.80±0.01)。

　　基于功能MR成像的图像组学方法识别突变型与野生IDH的效率相应优于基于常规序列的图像组学。Ren等对57例低级别胶质瘤的多序列MRI数据进行图像组学分析，采用深度学习方法(基于多序列)评估低级别胶质瘤基因IDH分型诊断的准确性达到94.74%，其中ADC和指数化表观扩散系数(exponentialapparentiffusioncoeficint，eADC)的图像组学特征预测精度最高为80.7%，FLAIR序列为77.19%。

　　Kim采用两种机器学习方法[支持向量机(Supportvectormachine、SVM)和RF]进行分析，发现基于常规MRI序列的组学模型(AUC=0.729)增加ADC.CBV组学特征后，预测LGIDH基因型能力提高(AUC=0.795)。DTI可以反映肿瘤行为、生存结果和白质完整性，因此基于DTI参数图的组学特征模型可以更好地预测低级别胶质瘤的IDH基因表型。Eichinger等。从79例低级别胶质瘤患者术前扩散张量成像中提取二元模式纹理特征，训练组和验证组的预测AUC值分别为0.921.0.952。

　　基于DTI参数的图像组学模型预测IDH表型的效率也高于相应的直方图参数。IDH组学特征表明突变肿瘤异质性低，预后好，而野生肿瘤异质性高，更容易取得进展。Park对168例低级别胶质瘤患者进行图像组学研究，从DTI序列获得的ADC图和FA图和常规MRI序列(CE-T1WI.T2WI.FLAIR)中提取一级统计。GLCM.灰度运行长度矩阵。灰度区域矩阵等组学特征采用RF模型预测基因表型，以分子病理学结果为金标准。结果表明，DTI结合常规MRI序列组学特征模型预测IDH基因表型的能力(AUC为0.90)优于常规MRI组学和DTI直方图(AUC为0.87)。

　　因此，基于常规MRI序列的图像组学可以更好地预测低级别胶质瘤的IDH表型，而基于功能MRI的图像组学预测效率可以进一步提高，两者结合时效性更好；然而，基于功能成像序列的研究很少，仅限于扩散成像技术。灌注成像等常用胶质瘤评估缺乏功能成像技术。波谱分析需要进一步扩大纳入技术的范围，增加大型研究样本。

　　2、1p19q表型染色体

　　缺乏1p19q杂合性的低级别胶质瘤对环烷化学化疗敏感，预后良好，因此术前无创评估基因状态对治疗决策非常重要。图像组学特征模型可以实现基因表型预测，效率优于传统的MRI形态学特征模型。

　　根据多序列MRI(T1WI.T2WI.CE-T1WI.FLAIR)图像数据，Zhou等包含165例低级别胶质瘤患者数据进行图像组学研究，提取42个自动纹理特征(直方图纹理.GLCM.灰度运行长度矩阵、灰度大小区域矩阵、毗邻灰度差矩阵等)。).结果表明，基于纹理特征模型预测1p19q表型的AUC为0.96±0.01，敏感性和特异性为0.90；多序列图像组学特征模型对1p19q表型的预测也优于单序列图像组学，但两者对患者生存预后的评价没有显著差异。Chaddad等利用RF分类器研究105例低级别胶质瘤，结果表明FLAIR-T2WI的JIM特征预测1p19q表型效率(AUC为65.2%)优于单序列(FLAIR序列)图像组学特征模型(AUC为60.46%)，但基于1p19q基因表型的特征图像组学特征不能分层。

　　1p19q表型的效率比上述方法更稳定，Kocak等提取了107例低级别胶质瘤术前T2WI和CE-T1WI图像中的84个组学特征，特征降维后总数减少到13个，采用多种深度学习方法(神经网络。简单贝叶斯。支持向量机。随机森林和随机梯度下降)预测1p19q表型，相应的AUC值分别为0.869.0.829.0.838.0.840.769。以上研究均采用基于MRI的图像组学方法，但1p19q表型预测的诊断效率不同，最有可能的原因是MR序列不同，样本量仍有待扩大。

　　3、MGMT甲基化状态

　　MGMT的作用是维持细胞基因组蛋白质的稳定性，修复DNA损伤，MGMT启动子甲基。