《基于多参数MRI影像肿瘤内外放射组学特征预测胶质瘤等级》

研究背景

胶质瘤是中枢神经系统最常见的原发性脑肿瘤，占成年恶性脑肿瘤的80%。在临床实践中，治疗决策通常需要根据肿瘤的等级来进行个体化调整。世界卫生组织（WHO）将胶质瘤分为四个等级（I-IV），并将其进一步分类为低级别胶质瘤（LGG，I级和II级）和高级别胶质瘤（HGG，III级和IV级）。准确的胶质瘤分级对于制定治疗方案、实施个性化治疗以及预测预后和生存时间至关重要。目前，胶质瘤等级的诊断主要通过外科活检或组织病理学分析。然而，这种诊断方法具有侵入性且在某些情况下对患者不宜，因此急需一种非侵入性且高准确度的胶质瘤分级系统。

磁共振成像（MRI）已成为放射科医生在过去几年中诊断脑肿瘤的热门非侵入性手段。尽管有经验的放射科医生通过裸眼可以轻松从MRI序列中检测出肿瘤，但由于肿瘤的异质性，识别胶质瘤等级仍然具有挑战性。近年来，利用术前多参数磁共振成像（mpMRI）扫描和从这些扫描中提取的放射组学特征进行胶质瘤分级取得了可喜的进展。例如，Zacharaki等人开发了一种计算机辅助诊断（CAD）系统，使用支持向量机-递归特征消除（SVM-RFE）方法区分脑肿瘤类型。Vamvakas等人也采用SVM-RFE算法从mpMRI数据中选择21个放射组学特征来预测胶质瘤等级，并在少量样本上取得了良好表现。尽管这些研究在区分HGG和LGG方面取得了相对较大的成就，但提取更多有价值的放射组学特征以提高预测准确性仍然是一个挑战。

研究来源

本研究由中南大学计算机科学与工程学院的Jianhong Cheng, Jin Liu, Hailin Yue，以及著名医学学者Harrison Bai和Yi Pan合作完成。论文发表于《IEEE/ACM Transactions on Computational Biology and Bioinformatics》杂志。本文旨在通过结合从术前mpMRI扫描中提取的肿瘤内（Intratumoral volume, ITV）和肿瘤外（Peritumoral volume, PTV）的特征，提出一种非侵入性且高精度的胶质瘤分级方法。

研究工作流程

整个研究包括多个步骤：

数据和预处理

研究数据来自BRATS挑战数据集，包含285个术前mpMRI扫描（210个HGG和75个LGG），以及从BRATS2019数据集中重新组织的65个术前mpMRI扫描（48个HGG和17个LGG）作为外部验证数据集。每个主体具有四种扫描模式：T1加权（T1），增强后T1加权（T1gd），T2加权（T2）和T2液体衰减反转恢复（FLAIR）。所有扫描数据首先重新定向到同一个坐标系，重新取样为1mm的等距体素大小，并使用大脑提取工具去除头颅。

体积定义和分割

根据临床研究，BRATS组织者已经确定了三个兴趣体积（VOIs）：肿瘤核心的增强部分（ET）、坏死和非增强部分（NET）以及肿瘤周围水肿（PED）。非增强肿瘤仅包含非增强肿瘤结构。为了进一步研究PTV对胶质瘤分级的影响，我们开发了一种方法，在肿瘤核心外间隔1mm至最大半径5mm的范围内捕获体积。

放射组学特征提取

使用PyRadiomics工具箱从各个VOIs中提取放射组学特征，利用多种滤波方法和分类方法进行处理，量化七个类别的特征：基于一阶统计量的特征、2D和3D形状特征、灰度共生矩阵（GLCM）、灰度级运行长度矩阵（GLRLM）、灰度级大小区矩阵（GLSZM）、邻近灰度调子差矩阵（NGTDM）和灰度依赖矩阵（GLDM）。从每个VOI提取了2153个定量放射组学特征。

特征选择和分类器建模

使用LASSO回归方法选择每个模式下最重要的特征，然后结合所有模式中的最优特征，采用最小冗余最大相关性（MRMR）算法消除冗余特征。将排名前列的放射组学特征输入分类器构建用于预测胶质瘤等级的放射组学签名，使用五折交叉验证评估预测性能。

研究结果

我们在BRATS2017数据集上进行技术验证，并与其他同类研究结果进行比较。结果显示，非增强肿瘤区域和肿瘤周围1mm区域具有高度的预测性能。通过结合上述两种区域的特征，分类器的预测能力进一步提升，最高达到0.975的AUC值。

在外部验证数据集上的结果进一步验证了我们方法的强泛化性能，获得了高准确度和高灵敏度的结果，证明了所提放射组学特征在区分胶质瘤等级方面具有重要的应用价值。

研究意义

本研究提出了一种基于术前mpMRI扫描中肿瘤内外特征的胶质瘤分级新方法，具有非侵入性和高准确性。通过综合使用多参数MRI影像的丰富数据，本研究为临床诊断提供了新的影像学生物标志物，有望为个性化治疗及预后预测提供重要支持。

亮点和创新

• 提出了结合肿瘤内外放射组学特征的全新方法，提升了预测胶质瘤等级的准确度。
• 创新性地设计了准确捕捉肿瘤外模糊边界区域的算法，并将其嵌入PyRadiomics工具箱。
• 通过综合多参数MRI影像和多种机器学习分类器，深入挖掘了多维特征的潜在价值。

结论

结合肿瘤内外放射组学特征的综合方法在预测胶质瘤等级方面表现出色，表明了其在计算机辅助诊断中的巨大潜力和应用前景。对影像学生物标志物的进一步研究和实践验证将有助于更全面的肿瘤评估和治疗决策。