论文部分内容阅读
脑胶质细胞瘤是最常见的一种中枢神经系统(Central Nervous System, CNS)恶性肿瘤。世界卫生组织(World Health Organization, WHO)将脑胶质细胞瘤分为低级别胶质细胞瘤(Low-gradeGliomas,LGGs,I级或Ⅱ级)和高级别胶质细胞瘤(High-gradeGliomas,HGGs,Ⅲ级或Ⅳ级)。HGGs占所有脑胶质细胞瘤的60~75%，包括胶质母细胞瘤(Glioblastoma, GBM)和间变性胶质细胞瘤(Anaplastic Glioma, AG)，GBM年平均发病率为3.19/10万，由于具有较高的侵袭性和增殖潜能，GBM患者的5年生存率低于5%，其平均生存期为诊断后约15个月。LGGs占胶质瘤的30%，其被定义为遗传异质性肿瘤，尽管预后相对良好，但几乎所有LGGs最终都会发生恶性转化。
尽管准确的脑胶质细胞瘤分级具有重要的临床价值，但是WHO分级相同的个体间预后却有着较大差异。有充分的证据表明，组织特征相同或相似的脑胶质细胞瘤可以具有不同的分子遗传学背景。2016年WHO通过将分子标记物与组织病理学相结合，更新了脑胶质细胞瘤分类，WHO对CNS肿瘤的分类强调了分子检测的重要性，在最终的组织病理学报告中必须进行分子检测以进行后续临床决策，从而体现分子标记物的重要性。其中，Ki-67标记指数(Ki-67 Labeling Index, Ki-67 Li)、vimentin、CD34及S-100的表达是判断和预测肿瘤细胞生物学行为的重要因子。Ki-67核抗原仅存在于增殖细胞中，是快速评价正常和异常细胞生长率的可靠指标。vimentin作为上皮细胞向间充质细胞分化过程(Epithelial-Mesenchymal Transition, EMT)的生物标志物越来越受到重视，而EMT与肿瘤细胞的运动性和侵袭性密切相关，其表达与星形细胞瘤预后有关。CD34是众所周知的内皮标记物，在生理和病理血管中具有阳性染色，因其具有良好的免疫反应性，也被认为是微血管密度研究的最佳标志物。S-100是一种酸性钙结合蛋白，在脑组织中含量很高，主要位于胶质细胞，其在脑组织中的出现与神经系统的成熟有关。基于肿瘤遗传学水平的免疫组织化学(Immunohistochemistry, IHC)生物标志物的病理分型对于疾病预测、管理和预后的判断准确性和个性化更高，临床价值也更大。目前手术及活检后的病理组织学是IHC标志物检测的金标准，然而其具有侵入性、采样不及时、耗时、取样误差、不同的组织学解释以及临床实践中各IHC数据难以获取齐全等局限，有必要开发一种针对IHC病理生物标志物分型的无创、有效的技术手段，以期更加准确地对不同的脑胶质细胞瘤亚型进行病理分型。
磁共振成像(Magnetic Resonance Image, MRI)作为一种非侵入性工具，在脑胶质细胞瘤诊断中起着重要作用。而影像组学作为一种新型的研究技术，与影像数据严密合作，能从影像数据中提取到高通量的组学特征。这些特征在脑胶质细胞瘤的分级研究中已有诸多的文献报道，其中MRI序列的选择较为多样，包括一些常规的序列如T1WI、T2WI和T1对比增强(Contrast-enhanced T1-weighted Images, T1-CE)以及一些先进的技术，如弥散加权成像(Diffusion-weighted Imaging, DWI )和动脉自旋标记(Arterial Spin Labeling, ASL)等，大多研究结果显示，影像组学特征具有很好的脑胶质细胞瘤分级鉴别性能，然而关于液体衰减反转恢复序列(T2-weighted Fluid-attenuated Inversion Recovery, T2 FLAIR)的研究并不多。
目前，基于影像组学特征进行脑胶质细胞瘤IHC分型的研究比较少，也没有可靠的定论，同时进行多组IHC数据研究的报道更少。而T2FLAIR序列能捕捉到一些非强化状态下的特征，它抑制自由水并且可以清楚地显示结合水，可以系统地量化可见的肿瘤表型特征。目前，仅可检测到关于脑胶质细胞瘤Ki-67的影像组学研究，尚未有关于脑胶质细胞瘤S-100，CD34和vimentin这三种IHC指标的影像组学研究。在这项研究中提出了基于影像组学特征和它们的二元逻辑回归模型，来预测Ki-67，S-100，CD34和vimentin的IHC类型，从而为脑胶质细胞瘤提供非侵入性，以及更准确和个性化的疾病管理方案。
第一部分T2FLAIR序列影像组学特征与脑胶质细胞瘤分级联系的研究
目的：探讨基于T2FLAIR序列的高阶影像组学特征与脑胶质细胞瘤分级的联系，并联合临床特征来观察模型性能。
方法：回顾性分析2015年3月至2018年6月本院收治的51例经病理证实的脑胶质细胞瘤患者，均进行了T2FLAIR检查，采用ITK-SNAP(www.itk-snap.org)软件勾画感兴趣容积(Volume of Interest, VOI)，应用A.K.(Artificial Intelligence Kit, GE Healthcare)软件提取影像组学特征。采用方差分析+秩和检验(ANOVA+Wilcoxon)、相关性分析(Sperman)以及LASSO算法(Least absolute shrinkage and selection operator, LASSO)、梯度下降算法(Gradient Descent, GBDT)进行特征降维。对二分类分布严重偏倚的样本数据采用SMOTE数据扩增法解决数据分布不平衡。模型评价指标采用ROC曲线下面积(Area Under Curve, AUC)、灵敏度、特异度、准确度。根据决策曲线的标准净收益来确定模型的可靠性。应用影像组学特征对脑胶质细胞瘤的高低级别分级进行分析。
结果：
1.51例数据中最终获得396个特征，共入组四个特征，包括两个灰度共生矩阵特征(Gray Level Co-occurrence Matrix, GLCM )：Harali-ckCorrelation_angle135_offset7和InverseDifferenceMoment_AllDire-ction_offset4_SD；两个灰度游程矩阵特征(Gray Level Run Length Matrix, GLRLM)：LowGreyLevelRunEmphasis_AllDirection_offset1_SD和Short-RunEmphasis_AllDirection_offset7。GLCM和GLRLM在特征簇中所占的比例为100%。模型拟合优度检验χ2值为2.797、P=0.946，AUC：0.888，灵敏度：0.781，特异度：0.895，对模型进行校准，平均绝对误差(Mean absolute error)=0.023，绝对误差分位(Quantile of absolute error)=0.049。
2.临床特征中年龄呈正态分布(Shapiro-Wilktest，P=0.2353)，且在脑胶质细胞瘤高低级别组间的分布差异具有统计学意义(P=0.015)，性别在脑胶质细胞瘤高低级别组间差异不具有统计学意义(P=0.489)，将年龄与影像组学特征合并能显著提高模型性能，模型拟合优度检验χ2值为3.477、P=0.901，AUC：0.929，灵敏度：0.938，特异度：0.789，对模型校准，平均绝对误差=0.028，绝对误差分位数=0.061。
第二部分T2FLAIR序列影像组学特征与脑胶质细胞瘤多种免疫组织化学指标联系的研究
目的：建立Ki-67、vimentin、S-100、CD34四项IHC阳性/阴性鉴别的逻辑回归模型，验证影像组学特征预测脑胶质细胞瘤分子分型的可行性。
方法：收集2015年3月至2018年6月本院收治的51例经病理证实并均进行了T2FLAIR检查的脑胶质细胞瘤患者的Ki-67、vimentin、S-100、CD34四项IHC数据，应用影像组学方法，筛选出与四组IHC数据的阳性/阴性分类有关的显著预测因子并建立逻辑回归模型。本研究中Ki-67的分类标准根据Ki-67标记指数(Ki-67 Labeling Index, Ki-67 Li)阳性率分为4级：0~5%为0级，6~25%为1级，26~50%为2级，大于50%为3级，将0级和1级视为阴性，将2级和3级视为阳性；还有文献提到第二种Ki-67分类方法是Ki-67Li＜20%划分为阴性，≥20%划分为阳性，同时对第二种方法进行了分析。
结果：
1.基于Ki-67、S-100、vimentin、CD34四项IHC数据共建立了四组逻辑回归预测模型。年龄和性别在四组间的分布差异均无统计学意义(P均＞0.05)。
2.Ki-67影像组学模型共筛选出五个特征，包括三个GLCM，一个Haralick和一个GLRLM；S-100影像组学模型共筛选出五个特征，包括一个Histogram，三个GLCM和一个GLRLM；vimentin影像组学模型共筛选出三个特征，包括一个GLCM和两个GLRLM；CD34影像组学模型共筛选出三个特征，包含一个GLCM和两个GLRLM。四组模型中均未纳入形态学特征和灰度区域大小矩阵(Gray Level Size Zone Matrix, GLSZM)，然而每个模型都包含了GLCM和GLRLM，且二者的比例在所筛选的特征簇中均在80%及以上(Ki-67：80%，S-100：80%，vimentin：100%，CD34：100%)。四组模型共16个特征之间的相关性均较低(相关系数r＜0.5)，这表明了每组模型的特征之间以及每组模型的特征簇之间为模型预测性能提供了不同的信息，不同的组学特征提供的信息以及预测效果具有各异性。
3.在Ki-67、S-100、vimentin和CD34四种模型中每一个预测模型的Radscore值在阳性/阴性标记间的分布差异具有统计学意义(P均＜0.05,Kruskal-Wallis-H检验)。因此，Radscore值在四组模型中均可以作为IHC阳性/阴性预测的显著性因子。
4.对四组模型进行Hosmer-Lemeshow拟合优度检验，Ki-67、S-100、vimentin、CD34的χ2分别为2.975、2.489、6.833和9.214，P值分别为0.936、0.928、0.555、0.325。结果显示，四组预测模型与实际模型差异均无统计学意义(P＞0.05)，其中S-100模型与实际模型的拟合效果最好，Ki-67、S-100、vimentin三组模型的拟合优度均好于CD34模型。此外，Ki-67、S-100、vimentin、CD34模型的赤池信息准则(Akaike Information Criterion, AIC)分别为：72.509、46.163、45.037、56.654，结果表明，S-100和vimentin模型的拟合优度优于Ki-67和CD34模型。但Ki-67和CD34模型相对不可靠的具体原因有待进一步验证。另外，S-100模型的阳性似然比(PositiveLikelihoodRatio,+LR)最高为9.38，阴性似然比(Negative Likelihood Ratio,-LR)最小为0.12，表明模型在预测S-100蛋白的正负表达时正确判断的概率远大于错误判断的概率。较高的阳性预测值92.6和阴性预测值82.4也表明S-100模型预测的准确性较高。vimentin模型也具有较高的预测性能。然而，在Ki-67和CD34模型中，综合指标的预测效果相对较差。
5.T2FLAIR序列影像组学特征区分Ki-67，S-100，vimentin和CD34模型的AUC分别为0.713、0.923、0.854和0.745；灵敏度分别为0.692、0.893、0.875和0.556；特异度分别为：0.667、0.905、0.722和0.875，准确度分别为0.660、0.898、0.738和0.667。根据决策曲线Ki-67，S-100和vimentin模型具有参考价值。
6.当将Ki-67Li＜20%划分为阴性，≥20%划分为阳性时，Ki-67模型进行Hosmer-Lemeshow拟合优度检验，χ2为7.779，P值为0.455；AIC值为45.124；AUC为0.916；灵敏度为0.849，特异度为0.882，准确度为0.820。
第三部分T1-CE序列影像组学特征在Ⅲ级和Ⅳ级脑胶质细胞瘤的实体瘤和水肿区域的比较研究
目的：对23例T1-CE序列的实体瘤和水肿区域的Ⅲ级和Ⅳ级脑胶质细胞瘤的影像组学特征进行比较分析。
方法：在上述收集的51例患者中有23例进行了T1-CE检查，采用ITK-SNAP软件对Ⅲ级和Ⅳ级脑胶质细胞瘤的T1-CE图像中增强的实体瘤及水肿区域进行感兴趣勾画，应用影像组学方法对Ⅲ级和Ⅳ级脑胶质细胞瘤的实体瘤及水肿区域有无区别进行分析。
结果：
1.经过特征筛选后，实体瘤中，可区分Ⅲ级和Ⅳ级脑胶质细胞瘤的特征簇包含一个直方图特征(Histogram)：MeanDeviation，一个形态学特征：Compactness1，三个GLCM：ClusterProminence_angle90_offset7、GLCME-ntropy_AllDirection_offset1、GLCMEntropy_angle0_offset4和一个GLR-LM：LongRunEmphasis_angle90_offset1总共6个特征，其中GLCM和GLRLM在特征簇中所占的比例为66.7%。
2.水肿区域中，Ⅲ级和Ⅳ级筛选的特征簇包括一个Histogram：Energy，2个GLCM：ClusterProminence_AllDirection_offset1_SD、GLCME-ntropy_angle135_offset1和2个GLRLM：Long-RunEmphasis_angle135_offset7、Short-RunHighGrey-LevelEmphasis_AllDirection_offset7_SD，同样，GLCM和GLRLM在特征簇中所占的比例为80%。
3.Ⅲ级和Ⅳ级脑胶质细胞瘤实体瘤和水肿区域的直方图特征分布的均匀性、峰度、偏度等均有很大差异。
结论：
1.本研究结果表明，影像组学特征能很好地对脑胶质细胞瘤高低级别分级做出鉴别，将年龄与影像组学特征合并能显著提高模型性能。
2.基于T2FLAIR的影像组学特征可以预测IHC指标Ki-67、S-100、vimentin和CD34的表达。而CD34模型的正、负判别能力较弱，这可能与本研究所包含的数据分布有关。影像组学模型有望成为脑胶质细胞瘤计算机-智能化的、无创的、精确的、个性化的疾病管理方法。
3.Ⅲ级和Ⅳ级脑胶质细胞瘤实体瘤和水肿区域的直方图特征分布的均匀性、峰度、偏度等存在很大差异；实体瘤及水肿区域中，可区分Ⅲ级和Ⅳ级脑胶质细胞瘤的特征簇中GLCM和GLRLM所占比例均较高。
4.将Ki-67Li以20%为界划分阴性/阳性时，Ki-67模型的预测效果高于以25%为界划分阴性/阳性时。
尽管准确的脑胶质细胞瘤分级具有重要的临床价值，但是WHO分级相同的个体间预后却有着较大差异。有充分的证据表明，组织特征相同或相似的脑胶质细胞瘤可以具有不同的分子遗传学背景。2016年WHO通过将分子标记物与组织病理学相结合，更新了脑胶质细胞瘤分类，WHO对CNS肿瘤的分类强调了分子检测的重要性，在最终的组织病理学报告中必须进行分子检测以进行后续临床决策，从而体现分子标记物的重要性。其中，Ki-67标记指数(Ki-67 Labeling Index, Ki-67 Li)、vimentin、CD34及S-100的表达是判断和预测肿瘤细胞生物学行为的重要因子。Ki-67核抗原仅存在于增殖细胞中，是快速评价正常和异常细胞生长率的可靠指标。vimentin作为上皮细胞向间充质细胞分化过程(Epithelial-Mesenchymal Transition, EMT)的生物标志物越来越受到重视，而EMT与肿瘤细胞的运动性和侵袭性密切相关，其表达与星形细胞瘤预后有关。CD34是众所周知的内皮标记物，在生理和病理血管中具有阳性染色，因其具有良好的免疫反应性，也被认为是微血管密度研究的最佳标志物。S-100是一种酸性钙结合蛋白，在脑组织中含量很高，主要位于胶质细胞，其在脑组织中的出现与神经系统的成熟有关。基于肿瘤遗传学水平的免疫组织化学(Immunohistochemistry, IHC)生物标志物的病理分型对于疾病预测、管理和预后的判断准确性和个性化更高，临床价值也更大。目前手术及活检后的病理组织学是IHC标志物检测的金标准，然而其具有侵入性、采样不及时、耗时、取样误差、不同的组织学解释以及临床实践中各IHC数据难以获取齐全等局限，有必要开发一种针对IHC病理生物标志物分型的无创、有效的技术手段，以期更加准确地对不同的脑胶质细胞瘤亚型进行病理分型。
磁共振成像(Magnetic Resonance Image, MRI)作为一种非侵入性工具，在脑胶质细胞瘤诊断中起着重要作用。而影像组学作为一种新型的研究技术，与影像数据严密合作，能从影像数据中提取到高通量的组学特征。这些特征在脑胶质细胞瘤的分级研究中已有诸多的文献报道，其中MRI序列的选择较为多样，包括一些常规的序列如T1WI、T2WI和T1对比增强(Contrast-enhanced T1-weighted Images, T1-CE)以及一些先进的技术，如弥散加权成像(Diffusion-weighted Imaging, DWI )和动脉自旋标记(Arterial Spin Labeling, ASL)等，大多研究结果显示，影像组学特征具有很好的脑胶质细胞瘤分级鉴别性能，然而关于液体衰减反转恢复序列(T2-weighted Fluid-attenuated Inversion Recovery, T2 FLAIR)的研究并不多。
目前，基于影像组学特征进行脑胶质细胞瘤IHC分型的研究比较少，也没有可靠的定论，同时进行多组IHC数据研究的报道更少。而T2FLAIR序列能捕捉到一些非强化状态下的特征，它抑制自由水并且可以清楚地显示结合水，可以系统地量化可见的肿瘤表型特征。目前，仅可检测到关于脑胶质细胞瘤Ki-67的影像组学研究，尚未有关于脑胶质细胞瘤S-100，CD34和vimentin这三种IHC指标的影像组学研究。在这项研究中提出了基于影像组学特征和它们的二元逻辑回归模型，来预测Ki-67，S-100，CD34和vimentin的IHC类型，从而为脑胶质细胞瘤提供非侵入性，以及更准确和个性化的疾病管理方案。
第一部分T2FLAIR序列影像组学特征与脑胶质细胞瘤分级联系的研究
目的：探讨基于T2FLAIR序列的高阶影像组学特征与脑胶质细胞瘤分级的联系，并联合临床特征来观察模型性能。
方法：回顾性分析2015年3月至2018年6月本院收治的51例经病理证实的脑胶质细胞瘤患者，均进行了T2FLAIR检查，采用ITK-SNAP(www.itk-snap.org)软件勾画感兴趣容积(Volume of Interest, VOI)，应用A.K.(Artificial Intelligence Kit, GE Healthcare)软件提取影像组学特征。采用方差分析+秩和检验(ANOVA+Wilcoxon)、相关性分析(Sperman)以及LASSO算法(Least absolute shrinkage and selection operator, LASSO)、梯度下降算法(Gradient Descent, GBDT)进行特征降维。对二分类分布严重偏倚的样本数据采用SMOTE数据扩增法解决数据分布不平衡。模型评价指标采用ROC曲线下面积(Area Under Curve, AUC)、灵敏度、特异度、准确度。根据决策曲线的标准净收益来确定模型的可靠性。应用影像组学特征对脑胶质细胞瘤的高低级别分级进行分析。
结果：
1.51例数据中最终获得396个特征，共入组四个特征，包括两个灰度共生矩阵特征(Gray Level Co-occurrence Matrix, GLCM )：Harali-ckCorrelation_angle135_offset7和InverseDifferenceMoment_AllDire-ction_offset4_SD；两个灰度游程矩阵特征(Gray Level Run Length Matrix, GLRLM)：LowGreyLevelRunEmphasis_AllDirection_offset1_SD和Short-RunEmphasis_AllDirection_offset7。GLCM和GLRLM在特征簇中所占的比例为100%。模型拟合优度检验χ2值为2.797、P=0.946，AUC：0.888，灵敏度：0.781，特异度：0.895，对模型进行校准，平均绝对误差(Mean absolute error)=0.023，绝对误差分位(Quantile of absolute error)=0.049。
2.临床特征中年龄呈正态分布(Shapiro-Wilktest，P=0.2353)，且在脑胶质细胞瘤高低级别组间的分布差异具有统计学意义(P=0.015)，性别在脑胶质细胞瘤高低级别组间差异不具有统计学意义(P=0.489)，将年龄与影像组学特征合并能显著提高模型性能，模型拟合优度检验χ2值为3.477、P=0.901，AUC：0.929，灵敏度：0.938，特异度：0.789，对模型校准，平均绝对误差=0.028，绝对误差分位数=0.061。
第二部分T2FLAIR序列影像组学特征与脑胶质细胞瘤多种免疫组织化学指标联系的研究
目的：建立Ki-67、vimentin、S-100、CD34四项IHC阳性/阴性鉴别的逻辑回归模型，验证影像组学特征预测脑胶质细胞瘤分子分型的可行性。
方法：收集2015年3月至2018年6月本院收治的51例经病理证实并均进行了T2FLAIR检查的脑胶质细胞瘤患者的Ki-67、vimentin、S-100、CD34四项IHC数据，应用影像组学方法，筛选出与四组IHC数据的阳性/阴性分类有关的显著预测因子并建立逻辑回归模型。本研究中Ki-67的分类标准根据Ki-67标记指数(Ki-67 Labeling Index, Ki-67 Li)阳性率分为4级：0~5%为0级，6~25%为1级，26~50%为2级，大于50%为3级，将0级和1级视为阴性，将2级和3级视为阳性；还有文献提到第二种Ki-67分类方法是Ki-67Li＜20%划分为阴性，≥20%划分为阳性，同时对第二种方法进行了分析。
结果：
1.基于Ki-67、S-100、vimentin、CD34四项IHC数据共建立了四组逻辑回归预测模型。年龄和性别在四组间的分布差异均无统计学意义(P均＞0.05)。
2.Ki-67影像组学模型共筛选出五个特征，包括三个GLCM，一个Haralick和一个GLRLM；S-100影像组学模型共筛选出五个特征，包括一个Histogram，三个GLCM和一个GLRLM；vimentin影像组学模型共筛选出三个特征，包括一个GLCM和两个GLRLM；CD34影像组学模型共筛选出三个特征，包含一个GLCM和两个GLRLM。四组模型中均未纳入形态学特征和灰度区域大小矩阵(Gray Level Size Zone Matrix, GLSZM)，然而每个模型都包含了GLCM和GLRLM，且二者的比例在所筛选的特征簇中均在80%及以上(Ki-67：80%，S-100：80%，vimentin：100%，CD34：100%)。四组模型共16个特征之间的相关性均较低(相关系数r＜0.5)，这表明了每组模型的特征之间以及每组模型的特征簇之间为模型预测性能提供了不同的信息，不同的组学特征提供的信息以及预测效果具有各异性。
3.在Ki-67、S-100、vimentin和CD34四种模型中每一个预测模型的Radscore值在阳性/阴性标记间的分布差异具有统计学意义(P均＜0.05,Kruskal-Wallis-H检验)。因此，Radscore值在四组模型中均可以作为IHC阳性/阴性预测的显著性因子。
4.对四组模型进行Hosmer-Lemeshow拟合优度检验，Ki-67、S-100、vimentin、CD34的χ2分别为2.975、2.489、6.833和9.214，P值分别为0.936、0.928、0.555、0.325。结果显示，四组预测模型与实际模型差异均无统计学意义(P＞0.05)，其中S-100模型与实际模型的拟合效果最好，Ki-67、S-100、vimentin三组模型的拟合优度均好于CD34模型。此外，Ki-67、S-100、vimentin、CD34模型的赤池信息准则(Akaike Information Criterion, AIC)分别为：72.509、46.163、45.037、56.654，结果表明，S-100和vimentin模型的拟合优度优于Ki-67和CD34模型。但Ki-67和CD34模型相对不可靠的具体原因有待进一步验证。另外，S-100模型的阳性似然比(PositiveLikelihoodRatio,+LR)最高为9.38，阴性似然比(Negative Likelihood Ratio,-LR)最小为0.12，表明模型在预测S-100蛋白的正负表达时正确判断的概率远大于错误判断的概率。较高的阳性预测值92.6和阴性预测值82.4也表明S-100模型预测的准确性较高。vimentin模型也具有较高的预测性能。然而，在Ki-67和CD34模型中，综合指标的预测效果相对较差。
5.T2FLAIR序列影像组学特征区分Ki-67，S-100，vimentin和CD34模型的AUC分别为0.713、0.923、0.854和0.745；灵敏度分别为0.692、0.893、0.875和0.556；特异度分别为：0.667、0.905、0.722和0.875，准确度分别为0.660、0.898、0.738和0.667。根据决策曲线Ki-67，S-100和vimentin模型具有参考价值。
6.当将Ki-67Li＜20%划分为阴性，≥20%划分为阳性时，Ki-67模型进行Hosmer-Lemeshow拟合优度检验，χ2为7.779，P值为0.455；AIC值为45.124；AUC为0.916；灵敏度为0.849，特异度为0.882，准确度为0.820。
第三部分T1-CE序列影像组学特征在Ⅲ级和Ⅳ级脑胶质细胞瘤的实体瘤和水肿区域的比较研究
目的：对23例T1-CE序列的实体瘤和水肿区域的Ⅲ级和Ⅳ级脑胶质细胞瘤的影像组学特征进行比较分析。
方法：在上述收集的51例患者中有23例进行了T1-CE检查，采用ITK-SNAP软件对Ⅲ级和Ⅳ级脑胶质细胞瘤的T1-CE图像中增强的实体瘤及水肿区域进行感兴趣勾画，应用影像组学方法对Ⅲ级和Ⅳ级脑胶质细胞瘤的实体瘤及水肿区域有无区别进行分析。
结果：
1.经过特征筛选后，实体瘤中，可区分Ⅲ级和Ⅳ级脑胶质细胞瘤的特征簇包含一个直方图特征(Histogram)：MeanDeviation，一个形态学特征：Compactness1，三个GLCM：ClusterProminence_angle90_offset7、GLCME-ntropy_AllDirection_offset1、GLCMEntropy_angle0_offset4和一个GLR-LM：LongRunEmphasis_angle90_offset1总共6个特征，其中GLCM和GLRLM在特征簇中所占的比例为66.7%。
2.水肿区域中，Ⅲ级和Ⅳ级筛选的特征簇包括一个Histogram：Energy，2个GLCM：ClusterProminence_AllDirection_offset1_SD、GLCME-ntropy_angle135_offset1和2个GLRLM：Long-RunEmphasis_angle135_offset7、Short-RunHighGrey-LevelEmphasis_AllDirection_offset7_SD，同样，GLCM和GLRLM在特征簇中所占的比例为80%。
3.Ⅲ级和Ⅳ级脑胶质细胞瘤实体瘤和水肿区域的直方图特征分布的均匀性、峰度、偏度等均有很大差异。
结论：
1.本研究结果表明，影像组学特征能很好地对脑胶质细胞瘤高低级别分级做出鉴别，将年龄与影像组学特征合并能显著提高模型性能。
2.基于T2FLAIR的影像组学特征可以预测IHC指标Ki-67、S-100、vimentin和CD34的表达。而CD34模型的正、负判别能力较弱，这可能与本研究所包含的数据分布有关。影像组学模型有望成为脑胶质细胞瘤计算机-智能化的、无创的、精确的、个性化的疾病管理方法。
3.Ⅲ级和Ⅳ级脑胶质细胞瘤实体瘤和水肿区域的直方图特征分布的均匀性、峰度、偏度等存在很大差异；实体瘤及水肿区域中，可区分Ⅲ级和Ⅳ级脑胶质细胞瘤的特征簇中GLCM和GLRLM所占比例均较高。
4.将Ki-67Li以20%为界划分阴性/阳性时，Ki-67模型的预测效果高于以25%为界划分阴性/阳性时。