European Radiology：深度学习放射组图在区分颅内孤立性纤维性肿瘤和血管瘤性脑膜瘤方面的价值

颅内孤立性纤维性肿瘤（ISFTs）占原发性中枢神经系统肿瘤的0.4%，脑膜肿瘤的2-4%。血管瘤性脑膜瘤（AMs）占脑膜瘤的2.59%。ISFTs和AMs在生物学行为、手术方案和患者预后方面存在显著差异。然而，以往的研究表明，使用传统的影像学诊断方法很难区分它们。此外，没有量化的成像标记物来预测ISFT患者的总生存期（OS）。

最近，统计和计算机软件方面的技术进步使计算机工程师和卫生科学家能够在评估预后的方法上密切合作。这些预测的准确性明显高于经验预测。现阶段，人工智能（AI）模型已被用于肿瘤风险评估、自动分割、病变检测、表征、分级、分期、预后预测和治疗反应。放射组学（Radiomics）是一种从标准医疗成像中高通量挖掘定量图像特征的技术，可以提取数据并在临床决策支持系统中应用，以提高诊断、预后和预测的准确性，在癌症研究中越来越重要。放射组学x线图已被用于预测脑膜瘤的脑侵犯和局部进展期胃癌的腹膜转移。结合卷积神经网络自动学习的深度学习（DL）特征，放射组学在癌症预后和局部晚期胃癌淋巴结转移数量的预测方面表现优异。

最近，发表在European Radiology 上的一篇文章评估了基于磁共振成像（MRI）的深度学习放射组学图（DLRN）在区分颅内孤立性纤维瘤（ISFTs）和血管瘤性脑膜瘤（AMs）以及预测ISFT患者总生存期（OS）方面的价值。

本项研究将来自首都医科大学北京天坛医院的1090例患者和来自兰州大学第二医院的131例患者分别分为原发性队列（PC）和外部验证队列（EVC）。在PC中开发了一种基于MRI的DLRN来区分ISFT和AM。研究验证了DLRN，并将其与EVC的临床模型（CM）进行了比较。共随访149例ISFT患者。本项研究对DLRN评分、临床特征和组织学分层进行Cox回归分析。此外，研究利用Kaplan-Meier曲线评价随访患者独立危险因素与OS的相关性。

DLRN在EVC中区分ISFTs和AMs方面优于CM（曲线下面积[95%置信区间（CI）]: DLRN为0.86 [0.84-0.88]，CM为0.70 [0.67-0.72],p < 0.001）。DLRN评分高的患者[每增加1例]；风险比（HR） 1.079, 95% CI: 1.009-1.147, p = 0.019)和次全切除（STR）[每增加1例；HR 2.573, 95% CI: 1.337-4.932, p = 0.004]与较短的OS相关。DLRN评分高组与低组的OS差异有统计学意义，临界值为12.19 （p < 0.001）。总切除（GTR）组和STR组的OS也有差异（p < 0.001）。

图 箱形图显示不同肿瘤组之间的相关模式。原发性和EVC中，ISFTs的DLRN评分均高于AMs

本项研究所提出的DLRN在区分ISFT和AMs方面优于CM，并能预测ISFT患者的OS。

原文出处：

Xiaohong Liang,Xiaoai Ke,Wanjun Hu,et al.Deep learning radiomic nomogram outperforms the clinical model in distinguishing intracranial solitary fibrous tumors from angiomatous meningiomas and can predict patient prognosis.DOI:10.1007/s00330-024-11082-y