首页 > 论文范文 > 医药卫生论文 > 影像检验论文 > 影像工程论文 > 影像组学模型预测胶质母细胞瘤患者术后一年死亡风险

影像组学模型预测胶质母细胞瘤患者术后一年死亡风险

2024-04-09 89 上传者：管理员

摘要：目的开发新的临床影像组学列线图模型，用于对胶质母细胞瘤患者术后1年死亡风险进行预测，为胶质母细胞瘤患者的预后提供指导。方法纳入100例胶质母细胞瘤患者，分成训练组(n=50)和验证组(n=50)。开发一种纳入患者相关临床因素和MRI影像组学特征的列线图。提取患者增强扫描感兴趣区的影像组学特征，通过最小绝对收敛和选择算子(LASSO)筛选出用于建模的特征，并计算出影像组学评分。单因素多因素分析寻找有意义的临床变量。建立单独基于影像组学评分构建的单一模型以及基于临床变量和影像组学评分构建的联合模型。在训练组和验证组中分别使用ROC曲线、临床决策曲线对两种模型进行评价，筛选出最优模型用于指导临床。结果从胶质母细胞瘤患者增强图像的感兴趣区筛选出有意义的影像组学特征并计算出影像组学评分。从患者相关临床因素中筛选出2个独立危险因素，分别为病灶水肿程度和病灶有无出血。联合模型的AUC在训练组和验证组中分别为0.890和0.879。单一模型的AUC在训练组和验证组中分别为0.842和0.798。临床决策曲线说明模型具有较高的临床实用性。结论联合模型优于单一模型。结合影像组学评分和相关临床变量构建的模型准确性较高。临床影像组学的列线图是一种非侵入型预测工具，可以辅助临床医师评估胶质母细胞瘤患者术后1年死亡风险。

关键词：
列线图
影像组学
磁共振成像
神经胶质瘤
身心健康
加入收藏

胶质瘤是最常见的中枢神经系统肿瘤，严重影响人们的身心健康[1,2]。其发病率和死亡率较高，约占中枢神经系统肿瘤的23.3%[3]。然而，胶质母细胞瘤又是胶质瘤中恶性程度最高，预后最差的类型[4]。即使多种治疗方法联合使用，治疗效果也不太理想。中位生存期也只有14.2个月[5]。过往的研究表明胶质瘤的预后与多种因素相关，肿瘤直径、病理分级、年龄、治疗方式等均可影响胶质瘤患者的预后生存期[6]。胶质母细胞瘤患者术后生存期较短，1年生存率较低[7]。目前缺乏公认有效的方法预测胶质母细胞瘤患者术后生存期能否达到1年。影像组学能够提取患者图像中高通量的特征，这些特征往往肉眼无法观察到，并且这些特征与肿瘤的异质性密切相关[8]。已有大量研究表明，影像组学可以很好地预测胶质瘤的预后[9,10]。然而，目前影像组学应用于胶质母细胞瘤患者术后1年的死亡风险研究较少。因此，有必要建立新的模型和方法评估胶质母细胞瘤患者的预后。本研究旨在通过患者MRI图像的影像组学特征以及相关临床变量构建模型，用以指导临床评估胶质母细胞瘤患者术后1年的死亡风险。

1、资料与方法

1.1临床资料

本研究纳入2017年1月至2022年9月间在安徽医科大学第一附属医院经术后病理确诊为胶质母细胞瘤的100例患者。对所有术后患者进行回访以确定患者术后1年是否死亡，并将患者分为死亡组和生存组。纳入标准：(1)患者术前在同一台设备完成MRI检查。(2)术前未接受放化疗。(3)术后病理学确诊为胶质母细胞瘤。排除标准：(1)MRI图像伪影较大者。(2)无病理学确诊患者。使用配备有8通道相控阵头部线圈的单元系统(GE Signa HDXT 3.0T MRI扫描仪)进行MRI检查。排除禁忌症。扫描序列包括常规平扫序列(T1WI、T2WI、T2FLAIR)和T1-3D BRAVO增强序列。T1-3D BRAVO增强序列扫描参数：矩阵256×224,层厚1.8 mm,视野240 mm×240 mm,激励次数1次，TR 8 ms, TE 3 ms。所有患者按0.1 mmol/kg体重钆喷酸葡胺标准注射对比剂。

1.2图像预处理

为了提高图像质量，在影像组学特征提取之前，使用3D Slicer软件对所有患者的MRI图像进行重采样，所有图像被重新采样为1 mm×1 mm×1 mm的体素大小。

1.3图像分割和影像组学特征提取

使用3D Slicer软件(版本4.11)对纳入的胶质瘤患者感兴趣区进行逐层勾画。感兴趣区的确定由两位10年以上影像诊断经验的医师协商确定。勾画的感兴趣区是肿瘤的实性区域，不包括周边水肿区域。实性区域的确定主要依靠平扫序列结合T1-3D BRAVO增强序列。每个病灶的感兴趣区共提取出107个影像组学特征。这些特征包括一阶特征、形状特征、灰度共生矩阵特征、灰度游程矩阵特征、灰度大小区域矩阵特征、邻域灰度差矩阵特征以及灰度相关矩阵特征。提取后的特征使用最小绝对收敛和选择算子(least absolute selection and shrinkage operator, LASSO)进行特征筛选。筛选出稳健的特征用于模型构建，并计算出影像组学评分(Radscore)。Radscore值通过截距+(放射组学特征×系数)之和计算得出。临床变量筛选使用单变量Logistic分析和多变量Logistic分析。

1.4统计分析

使用R软件(版本4.1.1)和SPSS(版本25.0)进行统计分析。具有正态分布的数据用平均数±标准差(SD)表示，当非正态分布时的数据用中位数[四分位数范围(IQR),第25和第75百分位]表示。对无序分类变量采用卡方检验。t检验和卡方检验用来比较生存组和死亡组在性别、水肿、出血、KPS评分之间是否存在统计学差异。影像组学特征的选择使用LASSO回归。ROC曲线用来评估模型的区分能力，临床决策曲线用来评估模型的临床应用价值。P<0.05为差异有统计学意义。

2、结果

2.1临床因素筛选

本研究中纳入的患者基本临床因素总结见表1。在100例胶质母细胞瘤患者中，术后1年死亡71例，生存29例。总共纳入了4个可能的因素进行单因素多因素分析。这4个因素分别是性别、病灶水肿程度、病灶有无出血、Karnofsky功能状态评分标准(KPS评分)。通过以往文献报道结合临床实际，这4个因素可能影响胶质瘤的预后，而本研究也是为了预测胶质瘤患者的生存死亡风险，也属于预后研究的范畴，因此纳入了与胶质瘤预后可能相关的因素。将单因素Logistic回归分析有意义的变量纳入多因素Logistic分析(表2),结果表明病灶的水肿程度(P=0.021)和病灶有无出血(P<0.001)在死亡组和生存组中存在显著差异(P<0.05)。根据患者头部MRI平扫序列判断病灶的水肿程度以及病灶是否出血。头部平扫序列分别为T1WI、T2WI、T2 FLAIR。将病灶水肿程度分为严重(水肿直径≥20 mm)和非严重(水肿直径<20 mm)两种情况。

表1患者的基线特征

表2临床变量的单因素和多因素Logistic分析结果

表3将影像组学评分和临床变量进行单因素和多因素Logistic回归分析

2.2影像组学特征筛选

使用LASSO回归进行特征筛选(图1)。最终筛选到6个特征和一个截距。分别是球度(sphericity)、小依耐性低灰度强度(small dependence low gray level emphasis, SDHGLE)、复杂度(complexity)、峰度(kurtosis)、逆差归一化(inverse difference normalized, IDN)、最大相关系数(maximal correlation coefficient, MCC)。并得到最终影像组学评分(Radscore)的计算公式。

Radscore=5.307-2.352×球度-0.539×峰度-1.638×IDN-0.349×MCC-0.067×SDHGLE+0.464×复杂度

2.3模型构建

根据筛选出的临床变量和影像组学特征构建2个模型(图2),分别为单一模型和临床影像组学模型。临床影像组学是将多因素分析筛选到的临床变量和Radscore联合构建模型。为了保证临床影像组学模型中每个变量都有意义，对Radscore和筛选到的临床变量(水肿程度、有无出血)再次进行了多因素Logistic回归分析(表3)。

2.4模型区分度的评价

将数据分为训练组和验证组，并且使用受试者工作特征(receiver operating characteristic, ROC)曲线分别对训练组和验证组的区分度进行评价(图3)。结果表明，单一模型训练组和验证组ROC曲线下面积(area under the curve, AUC)为0.842和0.798。联合模型ROC曲线AUC为0.890和0.879。

2.5模型临床实用性的评价

分别绘制两种模型在训练组和验证组的临床决策曲线(图4)。临床决策曲线表明模型具有较高的临床应用价值。指导临床干预时，更多的患者可临床获益。

3、讨论

胶质瘤的预后差，治疗难度大，特别是胶质母细胞瘤[11]。由于个体的差异和肿瘤的异质性，每个患者术后的生存期差距较大。胶质母细胞瘤复发患者的中位生存期只有3～6个月[12],因此，预测患者术后的死亡风险具有重要意义。影像组学可以反映肿瘤的异质性，并且能够预测肿瘤的预后情况[13]。谢刚等[14]成功建立了MRI影像组学模型预测胶质瘤患者术后是否短期复发；黄晓星等[15]利用胶质母细胞瘤患者术前MRI特征很好地预测出患者术后复发风险。然而，目前利用影像组学预测胶质瘤患者术后死亡风险的研究较少。本研究在前人基础上，进一步利用患者术前MRI图像的影像组学特征评估患者术后的死亡风险。通过对相关临床变量的筛选，认为瘤周水肿是影响胶质瘤预后的独立因素。王绍凯等[16]通过单因素和多因素分析，同样认为瘤周水肿程度是影响胶质瘤患者预后的关键因素。本研究结果与其较为一致。通过LASSO回归对大量影像组学特征的筛选，最终筛选出用于建模的关键组学特征，并在此基础上构建了影像组学评分。为了最终联合模型的稳定性，将单因素和多因素分析筛选出的临床变量与影像组学评分再次进行了多因素分析，仍然有意义的变量纳入最终的联合模型。使用ROC曲线评估模型的区分度，结果显示联合模型的性能优于单一模型。单一模型在训练组和验证组的AUC均低于联合模型，这也说明了本研究纳入的相关临床变量对模型准确度的提高是有意义的。临床决策曲线说明单一模型和联合模型均具有较高的临床实用性，模型在训练组和验证组的表现良好。模型指导临床干预可以使患者获益更大。尽管联合模型的区分度较高，在训练组的AUC达到0.890,验证组达到0.879,然而模型的区分度仍有一定的提升空间，相信后续其他深度学习算法的加入能够提高模型的准确性。本研究为后续研究提供了方向。

图1A、B LASSO回归筛选出的影像组学特征。

图2A、B两种模型的列线图。

图3A、B两种模型的ROC曲线。

图4A～D两种模型的决策曲线。

本研究存在一定的局限性：(1)本研究为单中心回顾性研究，可能存在混杂因素干扰的可能性，希望未来可以开展多中心前瞻性研究进一步验证；(2)选取的MRI图像序列比较单一，影像组学特征只纳入了患者的MRI增强图像；(3)提取的影像组学特征数和相关临床变量偏少，相信更多影像组学特征的提取和临床变量的增加有望提高模型的准确性。

综上所述，联合模型的准确性高于单一模型。将影像组学评分和相关临床变量联合构建模型，可以较好地评估胶质母细胞瘤患者术后1年的死亡风险。为患者的预后评估和治疗方案的制定提供参考，具有一定的临床意义。

参考文献:

[1]王伟,沈龙山,程雯,等.多模态磁共振成像在脑胶质瘤分级诊断及预后评估中的研究进展[J].分子影像学杂志,2022,45:795-799.

[2]李红,陈满,黄勇,等.多体素1H-MRS联合ADC在脑胶质瘤分级诊断与瘤细胞增殖评估中的应用[J].临床放射学杂志,2022,41:815-820.

[3]陈雯琳,王雅宁,邢浩,等.2021年度我国脑胶质瘤领域研究进展[J].协和医学杂志,2022,13:760-767.

[4]王刚,赵晶晶,努尔比耶姆·阿布力克木,等.亚区MRI影像组学结合分类算法预测脑胶质母细胞瘤MGMT甲基化有效性研究[J].临床放射学杂志,2022,41:1222-1226.

[5]牟永告.脑胶质瘤免疫治疗研究进展[J].中山大学学报(医学版),2020,41:24-29.

[6]李新宇,尚洵杰,夏彤,等.原发性人脑胶质瘤的预后影响因素:基于SEER数据库的分析[J].中国临床神经外科杂志,2021,26:764-768.

[8]张书海,王小雷,朱芸,等.基于瘤内及瘤周早期动态增强MRI的影像组学模型鉴别乳腺影像报告和数据系统4类肿瘤良性与恶性的价值[J].中华放射学杂志,2022,56:758-765.

[12]林艺,王策,康勋,等.胶质母细胞瘤复发相关基因的筛选､表达和临床预后分析[J].中国癌症杂志,2022,32:13-23.

[13]韩文静,胡贵祥,胡玲静.影像组学在脑胶质瘤中的研究进展[J].国际医学放射学杂志,2020,43:183-187.

[14]谢刚,李康.基于MRI及影像组学的列线图预测脑胶质瘤术后短期复发[J].临床放射学杂志,2022,41:1814-1818.