学术动态｜无创预测脑胶质瘤分子分型的影像组学与深度学习技术 发表在European Radiolog...

神外前沿讯，弥漫性脑胶质瘤依据组织病理学被分成WHO 2-4级，但只依靠级别并不能精确地反应患者的预后：即使在同一病理级别，患者的预后也可能存在很大的差异。近年来分子生物学的发展极大地提升了我们对弥漫性脑胶质瘤的理解。

IDH和1p19q 成为胶质瘤分子分型的关键遗传学指标。2016年修订的WHO中枢神经系统肿瘤分型中，弥漫性脑胶质瘤被分为5个分子亚型：（I）少突和间变性少突胶质细胞瘤，IDH突变，1p19q共缺失型；（II）弥漫和间变性星形细胞瘤，IDH突变型；（III）弥漫和间变性星形细胞瘤，IDH野生型；（IV）胶质母细胞瘤，IDH突变型；（V）胶质母细胞瘤，IDH野生型。这一新分型极大地提升了预测预后的准确率并对患者的个体化诊治有重要参考意义。此外，该分型体系也为2021年提出的WHO中枢神经系统肿瘤分型奠定了坚实的基础。

首都医科大学附属北京天坛医院江涛教授课题组与腾讯优图实验室合作，基于影像组学与深度卷积神经网络（DCNN）技术，建立了针对2016年WHO脑胶质瘤分型的无创性预测模型，并进一步深入探索了影像组学特征与DCNN特征之间的关联。为个体化地指导患者的治疗提供了重要工具。该研究的论文发表在国际知名期刊《European Radiology》上。

该研究回顾性纳入了来自天坛医院的弥漫性脑胶质瘤患者。研究将弥漫性脑胶质瘤的分型过程分为4项任务：Task I：将弥漫性脑胶质瘤分为较低级别胶质瘤（LGGs）和胶质母细胞瘤（GBM）；Task II：将LGGs分为IDH突变型与IDH野生型；Task III：将IDH突变型LGGs分为1p19q共缺失型和1p19q非共缺失型；Task IV：将GBM分为IDH突变型和IDH野生型。

该研究的研究流程如下：基于患者的T1、T2和增强序列，分别进行影像组学和DCNN模型的构建。进一步通过LASSO算法进行特征筛选，利用基于5折交叉验证的传统机器学习模型SVM进行建模。DCNN模型的构建则使用基于2.5D的残差神经网络“ResNet18”根据不同任务个性化定制的深度学习特征，进一步也基于5折交叉验证建立深度学习预测模型。在独立验证组中通过受试者工作曲线下面积（AUC）、正确率、灵敏度、特异度评价模型预测效果。

研究流程图

影像组学和DCNN预测模型在训练组和验证组中的预测效果。在训练组中，DCNN预测模型的AUC在4个任务上（0.99-1.00）均优于影像组学预测模型，其正确率在Task I，II和III上（0.90-0.94）优于影像组学预测模型。在独立验证组中，DCNN预测模型的正确率4个任务上（0.74-0.83）均优于影像组学预测模型，其AUC在Task I，II和III上（0.85-0.89）优于影像组学预测模型。

图 影像组学和DCNN预测模型在训练组和验证组中的预测效果。

该研究的创新之处与亮点在于，针对脑胶质瘤影像学定量提取特征，不仅对比了影像组学与DCNN模型的预测效果，还进一步深入探索了影像组学特征与DCNN特征之间的相关性与差异性。

在独立验证组中，通过t-SNE算法将参与建模的影像组学特征和DCNN特征进行降维和可视化。结果显示，DCNN特征在多数任务中的区分能力强于经过LASSO降维筛选后的影像组学特征，而后者在大多数任务中的区分能力强于未经筛选的影像组学特征。

图 在独立验证组中，通过t-SNE算法可视化影像组学和DCNN的特征集在各个任务中的区分能力。每个点代表一个患者，红色代表阳性组，绿色代表阴性组。

经LASSO算法筛选出的影像组学特征与权重最高的128个DCNN特征之间的相关性如图所示。两者之间的连线代表在Spearman相关性检验中两者之间相关性的绝对值>0.5。可以看出，在Task I和III中影像组学特征与DCNN特征之间存在相关性的较多，而在Task II和IV中两组特征之间的相关性较少。

此外，影像组学特征与DCNN特征之间Spearman相关系数的聚类热图如图所示：Task I和III的热图相较于Task II和IV的热图具有更多的深色区域（相应的Spearman相关系数ρ的绝对值也更高）。

图  LASSO算法筛选的影像组学特征与权重最高的128个DCNN特征之间相关性的聚类热图（A-D）。ρ：影像组学特征与DCNN特征之间的Spearman相关系数。

总体来讲，影像组学特征与深度学习特征之间的相关性并不高，说明两种特征提供的信息是存在差异的。影像组学特征是通过预先定义好的数学公式计算得到的，缺乏灵活性。因此针对特定的任务，影像组学特征可能并不总能提供足够的具有区分能力的特征。在这种情况下，基于影像组学的方法会产生不太令人满意的结果。相反，DCNN是通过数据驱动的，自动地根据具体任务学习、提取特征。一般来说，随着受试者（数据）数量的增加，深度学习方法可以比影像组学方法表现更好，并且比影像组学方法更灵活，因为在深度学习方法中可以个性化定制特征。

该研究表明，影像组学与DCNN模型均能预测弥漫性脑胶质瘤的分子亚型。DCNN模型在多数情况下的表现优于影像组学模型，有较强的应用前景。在本研究涉及的任务中，DCNN特征比影像组学特征有更强的区分能力，预示着通过DCNN技术个性化定制特征的时代即将来临。

本期作者

李一鸣 首都医科大学附属北京天坛医院医师。博士师从北京天坛医院江涛教授。博士期间主要研究方向为脑胶质瘤的影像基因组学。目前以第一/通讯作者共发表SCI论文16篇（IF >5分文章8篇，累计IF 83.76）；主持国自然青年基金1项；国家发明专利2项；成果在第22届国际医学影像分析顶级会议“MICCA”上报告。

王引言，北京天坛医院神经外科副主任医师，中国医师协会脑胶质瘤专业委员会青委，北京脑科学与类脑研究中心双聘研究员。入选北京市科技新星计划项目。研究方向为脑功能区定位与保护技术、脑肿瘤影像基因组学。承担国自然面上项目等国家和省部级课题5项，第一/通讯作者发表SCI论文50余篇，累计IF>270, IF ＞10论文3篇，期刊封面文章3篇。参编国家卫健委《脑胶质瘤诊疗规范（2018年版）》（共同执笔人）。研究成果获2020华夏医学科技奖 一等奖（排名3）。获得2021全国脑胶质瘤手术比赛 特等奖。

神外前沿 E-mail：[e-mail]; 

神外前沿报道总篇目2017-2021