摘要
目的：本研究的目的是探讨增强MRI的影像组学对脑膜瘤病理分级和Ki-67表达水平的预测价值。 材料与方法：本研究回顾性纳入2016年1月至2020年12月于我院就诊的151例经过病理证实的脑膜瘤患者，其中高级别（WHOⅡ、Ⅲ级）31例，低级别（WHOⅠ级）120例；增殖指数Ki-67＜4%为45例，Ki-67≤4%为106例，按7∶3的比例将所有患者分别随机地分为训练集和验证集。所有患者术前均行磁共振增强扫描检查。将患者MRI资料上传至汇医慧影放射组学云平台，在磁共振对比增强T1加权图像（CE-T1WI）上进行感兴趣区的勾画，使用该云平台进行特征的提取及筛选，选择最优特征子集。分别采用支持向量机和逻辑回归机器学习方法在训练集中建立预测脑膜瘤的病理分级和Ki-67表达水平模型，并在验证集中进行验证。绘制受试者工作特征曲线（ReceiverOperatingCharacteristicCurve，ROC），采用曲线下面积（AreaUnderCurve，AUC）、敏感度、特异度来评价模型的预测效能。评估MRI常规影像征象，包括：肿瘤最大直径、部位、形状、瘤周水肿、脑膜尾征、肿瘤强化程度及强化模式。采用单因素和多因素逻辑回归分析对训练集的临床参数及影像特征进行筛选，并建立临床影像模型。最后，将临床影像模型与影像组学模型相结合，建立联合模型。 结果：（1）在预测脑膜瘤的病理分级的模型中，共有3个影像组学特征用于建立组学模型，所用的分类器为逻辑回归，其在训练集及验证集的AUC值分别为0.81、0.79。肿瘤形状在单因素和多因素分析中均有统计学意义（P＜0.05），是脑膜病理分级的独立预测因子，用于鉴别脑膜瘤病理分级时，其AUC在训练集和验证集分别为0.70、0.60。在联合模型中，训练集和验证集AUC值分别为0.87、0.80。 （2）在预测脑膜瘤Ki-67表达水平的模型中，共有11个影像组学特征用于构建组学模型，所用的分类器为支持向量机，其在训练集及验证集的AUC值分别为0.88、0.79。训练集的临床参数及常规影像特征在单因素分析中均无统计学意义（P＞0.05）。 结论：（1）基于CE-T1WI的影像组学可以较好的预测脑膜瘤病理分级和Ki-67表达水平；（2）在预测脑膜瘤病理分级的模型中，影像组学模型和联合模型的预测性能优于常规影像特征模型。
NETL