论文部分内容阅读
第一部分 扩散张量成像的影像组学特征预测成人型弥漫性胶质瘤患者的分子分型背景脑胶质瘤是最常见的颅内肿瘤病变,相较于其他颅内占位性病变,如脑膜瘤、听神经瘤及室管膜瘤等,原发性脑胶质瘤具有较高的侵袭性及破坏性,以致其治疗最为复杂且预后不佳。其中胶质母细胞瘤（WHO IV级）恶性程度最高,中位生存期仅15个月左右。近年来针对胶质瘤遗传分子标志物的研究表明,原发性胶质瘤中的遗传分子信息与患者的总生存时间和预后状态等密切相关。2016年修订的第四版世界卫生组织（WHO）中枢神经系统肿瘤分类（CNS）将分子诊断纳入传统诊断标准,其中最突出的是异柠檬酸脱氢酶（isocitrate dehydrogenase,IDH）突变和染色体1p/19q共缺失状态。IDH突变型胶质瘤患者病情进展相对迟缓,拥有更长的生存期;IDH野生型肿瘤患者病情进展迅速且手术切除后极易复发,预后状态更差。1p/19q共缺失的IDH突变型胶质瘤比非共缺失胶质瘤预后更好,并且对辅助化疗更敏感。因此,术前准确预测神经胶质瘤异柠檬酸脱氢酶突变和染色体1p/19q共缺失状态可以为风险效益评估和个体化治疗决策提供重要指导意义。然而,现今肿瘤遗传分子标志物信息的测定需要组织活检或手术切除获得组织标本,然后对肿瘤组织进行基因测序或免疫组化检测。这些有创的手段无法在术前提供肿瘤分子标志物信息,因此寻找一种无创的、术前的、准确度高的预测肿瘤遗传分子标志物的方法显得尤为重要。磁共振成像（magnetic resonance imaging,MRI）作为一种无创的检查方法在胶质瘤的诊断和术后复发筛查中起着重要作用。近年来,很多研究者使用核磁共振成像常规序列（T1,T2,T1C,FLAIR,ADC等）建立影像组学模型对胶质瘤的分级、基因分型及预后等进行了深入的探讨,并取得了显著的成就。鉴于常规序列的局限性,能无创绘制活体脑白质神经纤维通路的弥散张量成像（diffusion tensor imaging,DTI）逐渐发展起来。本研究的目标是利用弥散张量成像提取影像组学特征建立模型来预测成人型弥漫性胶质瘤的分子分型,从而对胶质瘤的治疗提供指导信息,以改善患者的预后并提高生存期。方法回顾性分析2013-2019年郑州大学第一附属医院510例手术切除后经组织病理确认的原发性成人型弥漫性胶质瘤患者的弥散张量成像资料及临床信息。经过入组筛选后,本研究共纳入291名成人型弥漫性胶质瘤患者,分别来自于3个分子亚组:IDH突变 lp/19q共缺失型（IDH mutant with 1p/19q co-deletion,IDHmut-Codel,73 例）、IDH突变 1p/19q非共缺失型（IDH mutant with 1p/19q noncodeletion,IDHmut-NonCodel,70例）和IDH野生型（IDH wild-type,IDHwt,148例）。我们按照6:4比例,随机将这些病例分成训练集和测试集,分别包含169和122例患者。我们从每个患者的DTI中提取影像组学特征,然后我们基于训练集的数据,去除冗余特征,采用Boruta算法选择与分子分型最相关的特征建立随机森林预测模型,最后在测试集中进行评估。结果我们从平均扩散系数、分数各向异性、轴向扩散系数和径向扩散系数四个弥散图中提取了 4788个影像组学特征。经去除冗余特征和特征筛选后,我们筛选出19个影像组学特征建立了预测模型。在测试集中,我们的模型对IDHmut-Codel的预测准确率为84.6%（受试者工作特征曲线下面积[AUC]=0.756）,对IDHmut-NonCodel的预测准确率为 80.3%（AUC=0.879）,对IDHwt的预测准确率为90.2%（AUC=0.950）。结论基于从DTI中提取的特征建立的影像组学模型可以较为准确地预测成人型弥漫性胶质瘤的分子分型（IDHmut-Codel、IDHmut-NonCodel和IDHwt）。机器学习算法结合磁共振成像为成人型弥漫性胶质瘤中遗传分子标志物的术前非侵入性预测提供了可能。第二部分 多参数磁共振成像的影像组学特征预测小儿低级别神经胶质瘤的遗传分子标志物背景儿童低级别胶质瘤（Pediatric low-grade gliomas,PLGG）是儿童最常见的脑肿瘤,占儿童中枢神经系统肿瘤的30%以上。在临床实践中,我们发现PLGG通常具有相对静止的生物学行为和良好的预后,5年总生存率大约为95%。然而,由于部分肿瘤对周围正常脑组织的浸润而导致手术无法完全切除,约30%的PLGG患者可能存在经历多次进展的可能。近年来,对小儿低级别神经胶质瘤分子改变的研究取得了相当大的进展。大多数PLGGs的RAS/MAPK通路发生改变,其中BRAF是一个重要的组成部分,大约32%的患者存在KIAA1549-BRAF融合。KIAA1549-BRAF融合是持续时间较长的无进展生存期和总生存期的良好预后标志物。另外,有研究使用遗传分子标志物将PLGGs分为低危组（KIAA1549-BRAF融合或MYB扩增）、中危组I（BRAFV600E和/或CDKN2A缺失）、中危组Ⅱ（无生物标志物）和高危组（TERTp或H3F3A突变或ATRX缺失）,不同分组有不同的无进展生存期和总生存期。与中/高危组相比,低危组PLGG在随访时间点前有良好的生存期,无死亡率,肿瘤罕见复发。遗传分子标志物或胶质瘤的低危和中/高危组的非侵入性预测仍是PLGG诊疗过程中的一个难题。磁共振成像（magnetic resonance imaging,MRI）作为一种无创方法在胶质瘤的诊断中起着重要作用,但是在应用中尚存在各种问题。人工智能（artificial intelligence,AI）算法的最新进展极大地促进了磁共振成像的自动量化,已有很多研究使用人工智能算法研究了影像学特征与胶质瘤分子病理学之间的关系,但目前还缺乏针对儿童低级别胶质瘤的研究。本研究的目标是利用61例PLGG患者的多参数磁共振成像（包括T1加权、T1加权钆增强、T2加权、液体衰减反转恢复图像和表观扩散系数图像）提取影像组学特征来构建预测分子亚组（低危组和中/高危组）和遗传分子标志物（KIAA1549-BRAF融合）的模型,从而为PLGG患者的诊疗提供更多参考价值,以改善患者的预后并提高生存期。方法本回顾性研究选取了 102名2011年1月至2016年12月在郑州大学第一附属医院经手术病理证实的原发性小儿低级别神经胶质瘤患者（年龄＜18）,经入组筛选后纳入61例儿童低级别神经胶质瘤患者。我们将患者分为低危组和中/高危组、BRAF融合阳性组和BRAF融合阴性组。我们从多参数MRI（包括:T 1,T1C,T2,FLAIR和ADC）中提取影像组学特征,使用训练集数据进行标准化处理、去除冗余特征和Boruta包特征筛选后,筛选出与基因分型最相关的特征建立预测模型,最后利用测试集数据进行评估预测效能。结果我们从每名患者的5个多参数磁共振成像序列中提取了 5985个影像组学特征,利用训练集数据分别针对预测低危组和中/高危组、BRAF融合阳性组和BRAF融合阴性组构建了预测模型。我们利用筛选出的5个影像组学特征构建的低危组和中/高危组PLGGs分类模型,在测试集中的AUC为0.850,准确率为81.0%,敏感度为80.0%,特异度为81.3%。利用5个影像组学特征构建的KIAA1549-BRAF融合预测模型在测试集上的AUC为0.819,准确率为75.0%,敏感度为58.3%,特异度为91.7%。结论本研究首次证明了 MRI影像组学能够预测儿童低级别神经胶质瘤的分子分型,具有良好的灵敏度和特异性。机器学习算法建立的影像组学模型为术前借助多参数磁共振成像预测小儿低级别胶质瘤遗传分子标志物提供了可能。