摘要
目的： 探讨基于平扫T2WI及增强T1WI序列的影像组学特征，在术前预测脑胶质瘤患者Ki-67表达状态的应用价值。 方法： 一.一般资料及图像获取： 回顾性分析本院81例脑胶质瘤患者，其中男48例，女33例，年龄18～94岁，平均（55±13.62）岁。所有患者均手术并获得病理结果，依据病理结果分为：胶质母细胞瘤37例，间变型星形细胞瘤10例，弥漫型星形细胞瘤9例，胶质母细胞瘤（IDH-1野生型）6例，间变型少突胶质细胞瘤6例，星形细胞瘤4例，少突星形细胞瘤2例，多形性胶质母细胞瘤2例，少突胶质细胞瘤1例，胶质瘤（胶质细胞非典型增生）1例，肥胖型星形细胞瘤1例，纤维型星形细胞瘤1例，间变型少突胶质星形细胞瘤1例。所有患者术前均行颅脑MRI检查，包括平扫T1WI、T2WI及T1WI增强成像。 患者纳入标准：（1）患者未行放化疗及免疫治疗、外科切除等任何形式的治疗；（2）患者术前均接受MRI检查扫描，且MRI图像清晰，病灶显示良好；（3）术中冰冻及术后病理检查明确为胶质瘤，临床资料完整；（4）患者知情同意。 患者排除标准：（1）患者术前行放化疗、免疫治疗等，或术后复发者；（2）存在MRI检查禁忌者；（3）MRI图像伪影较重，病灶显示欠佳者；（4）临床资料不完整。 二.病理资料 所有入组患者在手术切除后一周内通过免疫组织化学法（Envision法）来进行Ki-67的测量，计算阳性染色的恶性细胞占细胞总数的百分比，即标记指数（Labeling index，LI），LI=阳性细胞数/细胞总数×100％。本研究根据Ki-67指数将胶质瘤患者分为两组：Ki-67低表达组（Ki-67≤25%）及高表达组（Ki-67＞25%），低表达组有45例，高表达组有36例。 三.图像处理及组学分析 将获取的磁共振图像以DICOM格式分组上传至放射组学平台，分别在平扫T2WI及增强T1WI图像上对病灶进行逐层手动勾画感兴趣区，获得感兴趣容积（volume of interest，VOI），通过组学分析及特征计算，提取影像组学特征值，经过方差选择法（VarianceThreshold）、单变量选择法（SelectKBest）及最小绝对收缩算子（Lasso）三次降维方法进行特征值的筛选，最终分别得出最优特征值。然后随机将所有病灶80%的VOI作为训练组，20%的VOI作为测试组，采用六种分类器分别对所提取的特征值进行机器学习，六种分类器包括：K近邻(k-Nearest Neighbor，KNN)、极限梯度增强树（Extreme Gradient Boosting，XGBoost）、支持向量机(Support Vector Machine，SVM))、随机森林（Random Fores，RF）、决策树（Decision Tree，DT）以及逻辑回归（Logistic Regression，LR），通过分析其ROC曲线下面积（AUC）、95%置信区间、特异度（Specificity）及敏感度（Sensitivity）等指标来评价各个分类器所构建模型的诊断效能。 结果： 通过比较分析分别基于平扫T2WI联合增强T1WI、平扫T2WI、增强T1WI序列图像的6个分类器所构建模型的AUC值可以得出以下信息： 1.基于平扫T2WI联合增强T1WI序列的影像特征，由SVM及LR分类器所构建预测模型的AUC值较好，其中LR分类器的AUC值最佳： （1）LR分类器结果：Ki-67低表达AUC为0.873（95%CI：0.76-0.99），灵敏度0.78、特异度1.00；Ki-67高表达AUC为0.873（95%CI：0.76-0.99），灵敏度1.00、特异度0.78； （2）SVM分类器结果：Ki-67低表达AUC为0.778（95%CI：0.60-0.95），灵敏度0.56、特异度1.00；Ki-67高表达AUC为0.778（95%CI：0.60-0.95），灵敏度1.00、特异度0.56； 2.基于平扫T2WI序列的影像特征，由LR分类器所构建的预测模型的AUC值最佳，Ki-67低表达AUC为0.778（95%CI：0.55-1.00），灵敏度0.78、特异度0.75；Ki-67高表达AUC为0.778（95%CI：0.55-1.00），灵敏度0.75、特异度0.78； 3.基于增强T1WI序列的影像特征，由KNN分类器所构建的预测模型的AUC值最佳，Ki-67低表达AUC为0.590（95%CI：0.35-0.83），灵敏度0.56、特异度0.63；Ki-67高表达AUC为0.590（95%CI：0.35-0.83），灵敏度0.63、特异度0.56。 通过比较它们的AUC值，我们可以发现基于平扫T2WI联合增强T1WI序列的LR分类器所构建的预测模型的AUC值最高，其具有更高的诊断效能，高于单基于平扫T2WI及单基于增强T1WI序列所构建的预测模型，其提取的最优特征值包括：一阶特征（Skewness、10Percentile、Median、Energy、TotalEnergy），灰度依赖矩阵（LargeDependenceHighGrayLevelEmphasis、DependenceVariance、LargeDependenceLowGrayLevelEmphasis），灰度区域大小矩阵（HighGrayLevelZoneEmphasis）。此外，单基于增强T1WI序列的KNN分类器所构建的预测模型的AUC值最低，对于预测Ki-67表达状态的诊断效能最差，且其灵敏度及特异度均不是很好。 结论： 1.基于平扫T2WI联合增强T1WI序列、基于平扫T2WI序列的影像组学模型可以预测胶质瘤Ki-67的表达状态，其中基于平扫T2WI联合增强T1WI序列的影像组学模型的预测效能较好。 2.基于平扫T2WI联合增强T1WI序列、基于平扫T2WI序列的影像组学模型，在术前脑胶质瘤Ki-67表达状态的无创预测方面有一定的潜能。
NETL