Eur J Radiol：放射组学实现恶性脑肿瘤分类和Ki-67标记指数的无创预测

胶质母细胞瘤（GBM）、原发性中枢神经系统淋巴瘤（PCNSL）和转移瘤（MET）主要占恶性脑肿瘤的比重，具有恶性程度高、预后差的特点。根据肿瘤细胞的增殖情况，各种恶性脑瘤的治疗选择、治疗反应和预后都有明显不同。手术切除结合放疗和化疗是治疗GBM的主要方法。在PCNSL中，放疗和化疗的结合取得了比手术切除更好的生存率，而MET主要通过立体定向放疗来治疗，其效果可能比全脑放疗、结合化疗更好。现阶段，手术切除仍然是不明原因的单脑MET的重要治疗选择。然而，这三种脑瘤均表现为单发强化，并伴有广泛的瘤周T2高信号水肿，这使得常规影像学的术前诊断陷入两难境地。

Ki-67是一种核蛋白，与肿瘤细胞的增殖有关。Ki-67指数（Ki-67LI，Ki-67阳性肿瘤细胞核占所有肿瘤细胞核的比例）是衡量细胞增殖活性的直接指标，与脑瘤的临床过程、预后和生存预判有关。因此，Ki-67LI和快速、准确地鉴别脑瘤在计划治疗和预测生存预后中起着重要作用。

近年来，多参数磁共振成像（mp-MRI），如质子磁共振波谱（MRS）、弥散张量磁共振成像（DTI）和动态磁敏感增强磁共振成像（DSC）已从辅助诊断工具迅速发展为肿瘤术前诊断的核心技术，提供了脑肿瘤的功能信息。放射组学的出现，能够从诊断图像中提取和分析大量的定量成像特征，为肿瘤的诊断提供了重要的帮助。放射性组学的工作流程由多个步骤组成，包括肿瘤分割、从放射图像中提取和选择特征、模型的训练、测试和验证以及性能评估。影像科学的研究重点是优化放射组学的工作流程，以提高模型的诊断性能、稳定性和通用性。

尽管最近的研究在基于mp-MRI的脑瘤计算机辅助诊断方面取得了可喜的成果，但其中一些研究只集中于比较两种类型的脑瘤（GBM vs PCNSL或GBM vs MET）。其他研究只集中在胶质瘤上，如分级、分子分型和GBM的基因预测。尽管mp-MRI为脑瘤诊断提供了有价值的信息，但由于肿瘤内在的异质性，mp-MRI和放射组学的结合进一步提高了诊断的准确性。然而，基于mp-MRI的放射组学模型的实施与基于CT的经典策略有很大的不同，仍然受到选择合适的MRI模式、在准确和一致的ROI绘制方面的大量努力以及缺乏一致的图像预处理协议的限制。因此，对基于脑部mp-MRI的GBM、MET和PCNSL的准确诊断仍然构成关键挑战，这反过来又使其难以准确预测各种脑瘤的Ki-67LI。

近日，发表在Eur J Radiol杂志上的一篇研究开发了一个基于mp-MRI的术前无创放射组学模型对三种类型的脑瘤即GBM、MET和PCNSL进行分类，同时预测其相应的Ki- 67LI。

本项回顾性研究纳入了153名恶性脑瘤患者。从三种类型的MRI（T1加权成像（T1WI）、流体衰减反转恢复（FLAIR）和增强T1加权成像（CE-T1WI））中提取放射性组学特征，并通过皮尔逊相关系数（CORR）、LASSO和最大相关度和最小冗余度（mRMR）过滤器的组合来选择。对六个分类器的性能进行了比较，表现最好的三个分类器被用来构建集合学习模型（ELM）。通过5倍交叉验证，在训练数据集（108名患者）中评估了拟议的ELM，并在测试数据集（45名患者）中进行了保留。准确度（ACC）、灵敏度（SEN）、特异性（SPE）、F1分数和接受者操作特征曲线下的面积（AUC）指标评估了模型的性能。 
选择最佳特征集和性能最优的ELM构建三分类脑肿瘤辅助诊断模型（训练数据集AUC： 0.96（95%CI：0.93，0.99）；测试数据集AUC： 0.93）和Ki-67LI预测模型（训练数据集AUC： 0.96 (95% CI: 0.94, 0.98); 测试数据集AUC： 0.91). CE-T1WI是所有分类器的最佳单一模式。同时，整个肿瘤是肿瘤分类中最重要的模型，而肿瘤核心是Ki-67LI预测中最重要的模型。 

图 GBM（A-D）、PCNSL（E-H）和MET（I-L）的CE-T1WI、FLAIR、苏木精-伊红染色病理图像（40×）和Ki-67图像（40×）以及用于肿瘤核心（红色）、水肿（绿色）和整个肿瘤（红色+绿色）模型的ROI分割的代表样本。水肿模型是通过从FLAIR掩膜中减去CE-T1WI掩膜而产生的

本项研究表明，研究所开发的放射组学模型能够对GBM、MET和PCNSL进行精确的术前分类，并对Ki-67LI进行预测，可在临床实践中用于脑瘤的治疗计划制定。

原文出处：

Lan Zhang,Xiao Liu,Xia Xu,et al.An integrative non-invasive malignant brain tumors classification and Ki-67 labeling index prediction pipeline with radiomics approach.DOI:10.1016/j.ejrad.2022.110639