脑胶质瘤是常见的脑部原发性肿瘤，世界卫生组织将其分为Ⅰ ~ Ⅳ级，其中Ⅰ级和Ⅱ级为低级别脑胶质瘤（low-grade gliomas，LGGs），Ⅲ级和 Ⅳ 级 为 高 级 别 脑胶 质 瘤（high-grade gliomas，HGGs）^[1]。研究证实，不同级别的脑胶质瘤患者的治疗方法和预后差异较大。手术切除为 LGGs 的首选治疗方法，化疗和辅助放疗是 HGGs 治疗的必要方法 ^[2-3]。研究表明，脑胶质瘤分级级别越高，术后复发率越高，患者生存率越低 ^[4]。MRI 是诊断脑胶质瘤的常用方法，其具有软组织对比度高等优点，但其诊断精度仍有待提高 ^[5]。近年来，影像组学方法已广泛应用于癌症的诊断分级、疗效评估及生存期进展预测等领域，为脑胶质瘤的分级提供了思路 ^[6-10]。本研究拟提取脑胶质瘤多模态 MRI 的影像组学特征，并对其特征进行分析，旨在建立 3 种机器学模型，以提高脑胶质瘤分级的精度。

1  资料与方法

1.1  数据获取及预处理

本研究采取公开可获取的 BraTS2018 训练数据集作为研究资料，其包括 T₁、T₂、T1ce、Flair 4 个序列 MRI 图像及增强肿瘤区域、浮肿和坏疽 3 个区域的掩膜文件。本研究仅采用增强肿瘤区域作为感兴趣区域（regions of interest，ROI），用于后续影像组学特征的提取。将 4 个序列的 MRI 三维体素间距插值为 1 mm×1 mm×1 mm，调整每个序列图像大小为 240×240×155，并使用 Z-score 方法进行标准化处理。经处理后，数据集包括脑胶质瘤258 例，其中高分化脑胶质瘤 210 例，低分化脑胶质瘤 48 例，依据 9‥1 的比例分配为训练集 233 例和测试集 25 例。

1.2  影像组学特征提取

影像组学特征提取是指从 ROI 中计算大量特定参数的过程。采用基于 Python 3.7 平台的 Pyradiomics 开源包提取脑胶质瘤影像组学特征。提取的影像组学特征包括一阶及 3 类。一阶统计特征反映所测 ROI 的对称性、均匀性及局部强度分布变化；形状定量描述 ROI 的三维大小和形态信息；纹理特征反映了 ROI灰度间的空间排列关系。每个模态 MRI 影像均提取107 个影像组学特征，共提取 428 个影像组学特征。

1.3  特征筛选及模型建立

首先，对所有特征进行最大最小标准化处理，使标准化后的特征数值处于（0，1）。其次，使用Spearman 系数计算特征间的相关性，并保留任意2 个特征间相关系数 > 0.9。使用 LASSO 算法筛选最终用于构建影像组学模型的特征，根据权值 λ 调整 LASSO 回归复杂度，λ 值越大，对变量较多的线性模型惩罚力度越大。训练集进行 10 倍交叉验证，找到交叉验证误差最小的 λ 值，筛选出 λ 值不为 0 的特征，并计算特征权重，将最后得到 21 个特征组成的融合子集作为后续分类模型的基础。

1.4  机器学习分类模型

完成特征筛选后，构建 3 种机器学习分类模型：对数几率回归（Logistic regression，LR）、支持向量 机（support vector machine，SVM） 和 多 层 感 知机（multi-layer preceptron，MLP）。LR 是一种线性模型，通过线性决策边界将数据分成 2 类。SVM是一种非线性模型，其使用核函数将数据映射至高维空间，并使用线性决策边界分离数据。MLP 是一种深度学习模型，其由多个神经元层组成，并在神经元层后添加激活函数，使 MLP 可用于非线性分类任务中。所有模型均采用网格搜索方法进行训练，对各类模型予必要的参数调整，得到训练集各分类模型的最佳参数。

1.5  统计学处理

采用 Python 3.7 对数据进行统计分析。计算各预测模型脑胶质瘤高低分化的准确率、曲线下面积（area under curve，AUC）、灵敏度、特异度，并绘制采用受试者特征曲线（receiver operating characteristic curve，ROC）与决策曲线（decision curve analysis，DCA）评估预测模型效能。

2  结果

2.1  特征选择

使用斯皮尔曼相关系数去除冗余特征后筛选出 136 个特征，使用 LASSO 算法筛选最终用于构建影像组学模型的特征，见图 1。最佳惩罚系数λ = 0.0168。经选择后，最终保留 22 个系数值不为 0 的特征，用于机器学习模型的训练测试，各特征权重见图 2。

图 1 10 倍交叉验证选择最佳惩罚系数 λ

图 2 筛选出影像组学特征权重

2.2  模型分类结果

表 1 为 LR、SVM、MLP 3 种机器学习算法构建影像组学模型预测脑胶质瘤高低分化的结果。图 3为 3 种模型下训练集和验证集的 ROC 曲线。所有模型在训练集的 AUC 均 >0.95，测试集的AUC均 >0.90。LR 在 测 试 集 中 的 准 确 率、AUC 和特异度均为最高，敏感度低于 SVM 模型。图 4 为 3 种模型下的 DCA 曲线。DCA 曲线表明，3 个模型均具有较好的临床收益，但 LR 的净收益高于 SVM 和MLP，因此，在影像组学模型中，LR 为最优预测模型。

表 1 影像组学模型预测脑胶质瘤高低分化的结果

注：LR 为对数几率回归，SVM 为支持向量机，MLP 为多层感知机，AUC 为曲线下面积

注：（a）对数几率回归模型，（b）支持向量机模型，（c）多层感知机模型，AUC为曲线下面积

图 3 3 种模型下训练集和测试集的 ROC 曲线

注：LR 为对数几率回归，SVM 为支持向量机，MLP 为多层感知机，DCA 为决策曲线

图 4 LR、SVM、MLP 模型下的 DCA 曲线

3  讨论

本研究利用影像组学预测脑胶质瘤患者高低分级的诊断效能，提取 Flair、T₁、T1ce 和 T₂ 4 个模态 MRI 的影像组学特征并进行数据融合，使用 Spearman 和 LASSO 回归筛选特征，建立 LR、SVM、MLP 3 种机器学习模型进行分类预测。ROC曲线分析显示，3 种模型均具有较好的诊断效能，在训练集和测试集上AUC均 > 0.9，最高为 0.976，且灵敏度和特异度相对稳定。DCA 分析显示，3 种模型曲线在 0.2 ~ 1.0 阈值下处于干预和无干预曲线上方，在相同阈值下的净收益更高，表明 3 种模型均具有较好的临床收益。

本研究对脑胶质瘤高、低分化的影像组学研究发现，4 种模态特征联合 LR 机器学习模型在测试集中的AUC值最高，具有最佳的诊断效能。

传统 MRI 影像诊断模式诊断结果差异性较大，无法满足临床精确诊断的需求。目前大量研究将影像组学方法用于脑胶质瘤的分级诊断中。Zhou等 ^[11] 使用 T₁ 增强 MRI 影像组学预测脑胶质瘤分级，AUC为 0.95。阮君等 ^[12] 使用 T₁、T₂、T₁ 加权增强和弥散加权成像 4 个模态 MRI 影像组学特征评估脑胶质瘤高低分级，结果显示，基于 T₁、T₂ 和 DWI 影像组学特征模型的 AUC均 > 0.9^[12]。戴宏等 ^[13] 尝试对脑胶质瘤Brats19 公开数据集分级，并使用集成学习投票机制综合 3 种机器学习算法模型分类，其集成模型在测试集上的 AUC、准确度、灵敏度分别为 0.933、0.886 和 0.872。本研究 LR 模型的AUC、准确度、灵敏度分别为 0.976、0.905 和 1.000，说明 LR 模型对脑胶质瘤分化的识别准确度更佳。

综上所述，基于多模态 MRI 影像组学特征可快速、准确预测脑胶质瘤的高低分化，为临床医师对脑胶质瘤的分级诊断提供参考依据。

【参考文献】

［1］Louis DN, Perry A, Reifenberger G, et al. The 2016 World Health Organization classification of tumors of the central nervous system: a summary[J]. Acta Neuropathologica, 2016, 131: 803-820.

［2］Bush NAO, Hervey-Jumper SL, Berger MS. Management of g lioblastoma , present a nd future [J ]. World Neurosurgery, 2019, 131: 328-338.

［3］韩梦婷，孙振亮 . 脑胶质瘤的治疗现状 [J]. 中国基层医药，2021，28（10）：1596-1600.

［4］王伟，沈龙山，程雯，等 . 基于常规 MRI 的影像学特征联合 MRS 在脑胶质瘤术前分级评估及预测术后复发的应用研究 [J].中国 CT 和 MRI 杂志，2023，21（7）：15-18.

［5］Zhang L, Yang L, Wen L, et al. Noninvasively evaluating the grading of glioma by multiparametric magnetic resonance imaging[J]. Acad Radio, 2021, 28(5): e137-e146.

［6］李洁，刘光耀，樊凤仙，等.深度学习和影像组学在脑胶质瘤中的研究进展 [J]. 磁共振成像，2022，13（4）：158-161.

［7］魏焕焕，杨燕，付芳芳，等 . 基于多模态 MRI 影像组学与深度学习的脑胶质瘤诊断及预后预测研究进展 [J]. 磁共振成像，2023，14（5）：175-180.

［8］Sahli H, Ben Slama A, Zeraii A, et al. ResNet-SVM: Fusion based glioblastoma tumor segmentation and classification[J]. J Xray Sci Technol, 2023, 31(1): 27-48.

［9］Alhasan AS. Clinical applications of artificial intelligence, machine learning, and deep learning in the imaging of gliomas: a systematic review[J]. Cureus, 2021, 13(11): e19580.

［10］He J, Ren J, Niu G, et al. Multiparametric MR radiomics in brain glioma: models comparation to predict biomarker status[J]. BMC Med Imaging, 2022, 22(1): 137.

［11］Zhou H, Xu R, Mei H, et al. Application of enhanced T1WI of MRI Radiomics in Glioma grading[J]. Int J Clin Pract, 2022: 3252574.

［12］阮君，张晓琦，刘文涛，等 . 基于多模态 MRI 影像组学在胶质瘤分级预测中的应用：多中心验证研究 [J]. 临床放射学杂志，2022，41（8）：1408-1415.

［13］戴宏，符冉迪，金炜 . 基于影像组学与集成学习的脑胶质瘤分级预测 [J]. 宁波大学学报（理工版），2021，34（4）：28-34.

内容来源于《医疗装备》杂志，如需转载请注明出处。