深度影像组学计算预测GBM患者的预后

美国弗吉尼亚州大学电子与计算机工程系的Zeina A. Shboul等应用机器学习算法从MRI成像中提取肿瘤的主要特征，评估患者的预后情况。结果发表在2019年9月的《Frontiers in Neuroscience》上。

——摘自文章章节

【Ref: Shboul ZA, et al. Front Neurosci. 2019 Sep 20;13:966. doi: 10.3389/fnins.2019.00966. eCollection 2019.】

研究背景

胶质母细胞瘤（GBM）是高度侵袭性生长的恶性脑肿瘤，属WHO Ⅳ级。目前，诊断GBM最常用的神经放射学手段是MRI成像，以判断肿瘤位置和大小。准确识别和分割MRI片中肿瘤内的多个异常组织是预测患者生存的基础。人工对MRI成像的肿瘤大小及瘤内异常组织的识别可因不同观察者而有差异。美国弗吉尼亚州大学电子与计算机工程系的Zeina A. Shboul等应用机器学习算法从MRI成像中提取肿瘤的主要特征，评估患者的预后情况。结果发表在2019年9月的《Frontiers in Neuroscience》上。

 

研究方法

作者使用全自动方法提出两步预测生存框架：即影像组学特征引导深度神经网络方法，用于肿瘤组织的自动分割；以及依据肿瘤部位等特征进行总生存回归分类。肿瘤多个异常组织分割步骤可有效获取MRI中局部和全部结构特征信息。生存预测步骤包括两个具有代表性的生存预测模型，选择不同特征和回归方法进行拟合（图1）。

图1. 脑肿瘤影像组学结构特征分割流程图。

 

该项研究分析BraTS17训练、验证和测试数据集以及BraTS18训练、验证和测试数据集，预测患者生存状况。BraTS17和BraTS18数据集内共含163例GBM患者资料，总生存期以天为单位，诊断时的患者年龄以年为单位。训练数据集提供四种模式资料，包括MRI-T1加权、增强T1加权（T1Gd）、T2加权（T2）和T2流体衰减反转恢复（FLAIR）以及多个异常组织分割，包括增强、水肿、坏死和不增强组织的数据。总体生存期分为三组：大于15个月的长生存期，10至15个月的中生存期和小于10个月的短暂生存期。作者使用BraTS17和BraTS18的验证数据集完成验证目的。BraTS17验证数据集由33个案例组成，BraTS18验证数据集由28个案例组成，用于预测总体生存状况。BraTS17测试数据集包含95个案例，BraTS18的测试数据集提供77个案例，用于测试总体生存的预测性能。

 

所有相关特征均从BraTS18训练数据集的真实可用的资料中提取（图2）。作者发现，采用递归特征选择法（recursive feature selection，RFS）选择欧拉（Euler）特征，在28000个特征中仅生成39个特征。39个Euler特征分别是，16个特征是围绕ET轮廓计算所得，16个特征是围绕WT轮廓计算所得和7个特征是围绕水肿轮廓计算所得。RFS在特征上的应用分别产生23个纹理特征，4个直方图特征和8个水肿、ET和WT区域特征。作者将分析交叉验证（leave-one-out cross-validation，LOOCV）的XGBoost模型用于选定的74个特征，以预测三种相应的短、中和长的生存期类别。结果提示，对于BraTS18训练数据集，分类精度为0.73（95% CI，0.655–0.797）。

图2. 判断预后的流程模型。

 

XGBoost模型排名的前四个重要特征是：z轴上的肿瘤范围、从x轴角度计算出的肿瘤强化宽度、水肿周围轮廓和强化的肿瘤。该四个特征的平均值将163例患者显著地分层为低和高两个风险组（p值＜0.05）（图3）。

图3. 卡普兰-迈耶曲线（Kaplan Meier Curve）显示GBM患者生存期。163例GBM患者分为两组：高风险组（红线）和低风险组（蓝线）。A.肿瘤范围；B.肿瘤增大宽度；C.水肿周围轮廓；D.肿瘤强化轮廓。 阴影区域表示95%置信区间。

 

结论

综上所述，该研究提出一个新的计算分析框架，采用基于深度影像组学计算方法，对胶质母细胞瘤进行全自动分割和生存期预测。总体计算分析框架设计过程为两步，其中第一步中执行肿瘤自动分割，然后第二步中将分割结果用于生存预测。结果提示，肿瘤异常组织类型（例如坏死，水肿和增强组织）的准确分割对于预测生存的效能至关重要。

组稿

邱天明 主治医师

复旦大学附属华山医院

编译

马辰凯

墨尔本大学

审校

陈衔城 教授

《神外资讯》主编

复旦大学附属华山医院