论文部分内容阅读
背景和目的胶质瘤是成人中最常见的原发性恶性脑肿瘤,根据遗传表型的不同,患者的预后差别很大。异柠檬酸脱氢酶(isocitrate dehydrogenase,IDH)1/2基因分型是判定胶质瘤患者预后的重要分子标志,被纳入2016版世界卫生组织(world health organization,WHO)中枢神经系统肿瘤分类。磁共振成像(magnetic resonance imaging,MRI)是胶质瘤患者术前检查的重要内容,可以为肿瘤诊断提供重要信息。其优势在于组织对比度好、多方位、多参数成像,可以很好地显示肿瘤的位置、体积以及肿瘤周围水肿带。磁共振扩散成像的优势在于无需对比剂、可以反映肿瘤的微观结构。已经投入临床应用的常规的扩散加权成像(diffusion weighted imaging,DWI)基于单指数模型,可以通过量化组织内的水分子扩散,从而提供关于组织微观结构的信息。表观扩散系数(apparent diffusion coefficient,ADC)是DWI的定量参数,已被应用到预测胶质瘤的IDH分型上,但是结果不够理想。这是由于常规DWI基于的人体内水分子扩散呈高斯分布这一假设,与事实不符。实际上,在人体组织内,细胞膜、髓鞘等各种屏障的存在会对水分子扩散造成一定的限制,导致其呈非高斯分布。为了更加准确地表征人体组织内的水分子扩散,多种非高斯扩散模型,如扩散峰度成像(diffusion kurtosis imaging,DKI)、神经突方向分散与密度成像(neurite orientation dispersion and density imaging,NODDI)和平均表观传播子(mean apparent propagator,MAP)被开发出来。这些扩散模型都已经被用于胶质瘤IDH分型,然而结果仍存在矛盾,这可能与肿瘤的异质性有关。在既往使用扩散模型预测胶质瘤IDH分型的研究中,仅使用了定量参数的最小值、平均/中位值、最大值、直方图参数或纹理特征,无法充分反映肿瘤的异质性,因此可能会影响预测胶质瘤IDH分型的准确性。影像组学技术可以大量提取图像中的高维度定量特征,提供的信息远远多于直方图参数和纹理特征,能够更好地反映肿瘤的异质性,可以提高胶质瘤IDH分型预测的准确度。本研究根据胶质瘤患者的IDH分型将患者分为IDH野生组和IDH突变组,在患者病灶区域内,提取扩散参数的影像组学特征并构建不同的影像组学模型,用于预测胶质瘤患者的IDH分型。本研究的目的是评估基于非高斯扩散模型(DKI、NODDI、MAP)的影像组学模型预测胶质瘤IDH分型的价值,并比较这些影像组学模型与基于常规DWI的影像组学模型在诊断效能方面的差异。材料与方法1、患者信息:本研究纳入了 143名经组织病理学证实、有IDH测序结果的胶质瘤患者。患者的年龄范围为18~74岁,平均年龄为46.86±11.73岁,其中男性77例,女性66例。IDH野生组73例,IDH突变组70例。所有患者被分为训练集(n=100,IDH野生型/IDH突变型=51/49)和验证集(n=43,IDH野生型/IDH突变型=22/21)用于影像组学模型的构建和评估。2、磁共振扫描:所有的MRI扫描均使用Siemens Prisma 3.0 T磁共振扫描仪及64通道头颈联合线圈。扫描序列包括常规MRI平扫(T1WI、T2WI、T2-dark-fluid、常规DWI)、多b值(b=0,500,1000,1500,2000,2500 s/mm2)扩散MRI及增强MRI扫描。3、图像后处理:ADC图由MRI工作站根据MRI平扫序列中的高b值常规DWI(b=1000s/mm2)自动生成。DKI、NODDI和MAP的所有参数灰度图,包括来自于DKI的分数各向异性(fractional anisotropy,FA)、平均扩散率(mean diffusivity,MD)、轴向扩散率(axial diffusivity,AD)、径向扩散率(radial diffusivity,RD)、平均峰度(mean kurtosis,MK)、轴向峰度(axial kurtosis,AK)和径向峰度(radial kurtosis,RK),来自于NODDI的方向分散指数(orientation dispersion index,ODI)、细胞内体积分数(intracellular volume fraction,ICVF)和各向同性体积分数(isotropic volume fraction,ISOVF),来自于MAP的返回原点概率(return to the origin probability,RTOP)、返回轴概率(return to the axis probability,RTAP)、返回平面概率(return to the plane probability,RTPP)、非高斯性(non-Gaussianity,NG)、轴向非高斯性(axial non-Gaussianity,NGax)、径向非高斯性(radial non-Gaussianity,NGrad)、均方位移(mean square displacement,MSD)和q空间差(q-space inverse variance,QIV),均由基于 DIPY(http://nipy.org/dipy)开发的后处理软件NeuDilab处理多b值扩散MRI生成。4、影像组学流程:所有患者的T2-dark-fluid图像被导入到ITK-snap(版本3.8.0,http://www.itksnap.org)软件用于手动勾画感兴趣区(region of interest,ROI)。ROI勾画范围为T2-dark-fluid序列所有层面上包括肿瘤和肿瘤周围水肿带在内的最大异常信号区。使用ITK-snap软件将每个参数图配准到T2-dark-fluid图像所在空间,并使用FAE(版本0.4.2)软件在每个参数图的ROI内提取851个影像组学特征,然后进行归一化处理和特征降维。在构建模前,使用递归特征消除(recursive feature elimination,RFE)选择特征,然后采用支持向量机(support vector machine,SVM)作为分类器,分别基于常规DWI、DKI、NODDI和MAP这4种扩散模型,构建了4个影像组学模型。为了确定模型的超参数(例如特征数量),对训练数据集进行5倍交叉验证,并根据验证集性能确定超参数。使用受试者工作特征(receiver operating characteristic,ROC)曲线分析来评估模型的性能。计算出ROC曲线下面积(area under the curve,AUC)用于衡量模型的诊断效能。选择约登指数最大值对应的参数值作为阈值,计算出相应的准确度、敏感度、特异度、阳性预测值(positive predictive value,PPV和阴性预测值(negative predictive value,NPV)。5、统计分析:对IDH野生组和IDH突变组两组病例的临床特征,使用SPSS 21.0软件(IBM,SPSS,版本21.0)进行分析,分别用独立样本T检验和卡方检验比较不同IDH分型患者的年龄和性别差异。检验组学特征中的分类变量和连续变量时,分别采用卡方检验和Mann-Whitney U检验。比较基于不同扩散模型的影像组学模型的诊断效能时,使用MedCalc软件(Version 20.015)进行DeLong检验对比不同模型的ROC曲线。P<0.05被认为有统计学意义。结果1、性别、年龄与胶质瘤级别、IDH分型的相关性:在IDH野生组(51.80±11.04岁)和IDH突变组(41.71±10.15岁)之间及高级别(WHO Ⅳ级)组(52.25±12.09岁)和低级别(WHO Ⅱ、Ⅲ级)组(43.69±10.32岁)之间,年龄的差异均有统计学意义(P<0.001);在IDH野生组和IDH突变组之间及高级别组和低级别组之间,性别的差异没有统计学意义(P=0.918,P=0.593);高/低级别比例在IDH野生组和IDH突变组之间的差异有统计学意义(P<0.001)。2、各影像组学模型预测胶质瘤IDH分型的诊断效能:基于常规DWI的影像组学模型,预测胶质瘤IDH分型的AUC为0.699,对应的准确度、灵敏度、特异度、阳性预测值、阴性预测值分别为0.674、0.864、0.476、0.633、0.769。基于DKI的影像组学模型,预测胶质瘤IDH分型的AUC为0.870,对应的准确度、灵敏度、特异度、阳性预测值、阴性预测值分别为0.814、0.682、0.952、0.938、0.741。基于NODDI的影像组学模型,预测胶质瘤IDH分型的AUC为0.913,对应的准确度、灵敏度、特异度、阳性预测值、阴性预测值分别为0.861、0.909、0.810、0.833、0.895。基于MAP的影像组学模型,预测胶质瘤IDH分型的AUC为0.920,对应的准确度、灵敏度、特异度、阳性预测值、阴性预测值分别为0.884、1.000、0.762、0.815、1.000。3、所有模型预测胶质瘤IDH分型的AUC比较:DeLong检验结果显示,对基于非高斯扩散模型(DKI、NODDI和MAP)构建的3个影像组学模型进行两两比较时,其AUC的差异均无统计学意义(所有P值均>0.05)。基于非高斯扩散模型的影像组学模型分别与基于常规DWI的影像组学模型进行比较时,其AUC的差异均有统计学意义(所有P值均<0.05)。结论基于非高斯扩散模型(DKI、NODDI和MAP)的影像组学模型,可以有预测胶质瘤IDH分型,且诊断效能高于基于常规DWI的影像组学模型。