基于 MRI 影像组学和深度学习的脑膜瘤窦侵犯术前诊断研究成果显著

为精准术前诊断脑膜瘤窦侵犯，研究人员构建融合模型，其诊断性能优越，意义重大。

　　脑膜瘤是常见的原发性中枢神经系统肿瘤，约占颅内肿瘤的 39.7%。因其特殊的生长位置，常常与相邻静脉窦关系密切，容易浸润或包裹颅内主要静脉系统，发生率约为 14.6% - 16.5%。一旦脑膜瘤侵犯静脉窦壁或延伸至主窦腔，会极大增加手术完全切除的难度。比如在涉及矢状窦旁脑膜瘤的手术中，保留重要的侧支引流静脉至关重要，不然可能引发术中出血、术后神经功能障碍等严重并发症。然而，肿瘤切除不完全又会导致静脉周围残留肿瘤组织，增加复发风险。所以，精准的术前诊断对手术规划、减少并发症、改善患者预后极为关键。

目前，常用的术前识别脑膜瘤窦侵犯的成像技术，像数字减影血管造影（DSA）、计算机断层扫描静脉造影（CTV）和磁共振静脉造影（MRV）等，都存在各自的缺陷。DSA 不仅费用高昂，还是一种侵入性操作；CTV 需要注射造影剂，在一定程度上限制了其临床应用；MRV 在显示较小静脉时图像清晰度有限。因此，寻找一种更精确、安全且高效的新技术用于术前评估脑膜瘤窦侵犯迫在眉睫。

基于这样的背景，遵义医科大学第五附属医院等研究机构的研究人员开展了 “基于 MRI 影像组学和深度学习的脑膜瘤窦侵犯术前诊断：一项多中心研究”。该研究成果发表在《Cancer Imaging》上，为脑膜瘤窦侵犯的术前诊断带来了新的突破。

研究人员采用了以下几个主要关键的技术方法：

1. 样本队列：回顾性收集了遵义医科大学附属医院和兰州大学第二医院 601 例经手术病理证实的脑膜瘤患者数据。将遵义医科大学附属医院的患者随机分为训练集（305 例）和内部验证集（129 例），兰州大学第二医院的 167 例患者作为独立外部验证集。
2. MRI 影像处理：所有患者术前一周进行平扫和增强 MRI 扫描，获取 DICOM 格式图像。由两位经验丰富的放射科医生手动分割感兴趣区域（ROI），并经第三位医生验证。对图像进行标准化和校正等预处理。
3. 特征提取与模型构建：从 MRI 图像中提取 3948 个影像组学特征以及 VGG、ResNet、DenseNet 三种网络的深度学习特征。通过多种算法进行特征选择，最后利用随机森林（RF）算法构建诊断模型。

研究结果如下：

1. 特征选择结果：经降维后，最终选择出 21 个与脑膜瘤窦侵犯高度相关的特征，包括 6 个影像组学特征、2 个 VGG 特征、7 个 ResNet 特征和 6 个 DenseNet 特征。这些特征在不同中心具有较高的稳定性和可重复性12。
2. 模型诊断性能评估：构建了五个模型，即影像组学模型、VGG 模型、ResNet 模型、DenseNet 模型和 DL - 影像组学（DLR）融合模型。结果显示，DLR 融合模型诊断性能优越，其在训练集、内部验证集和独立外部验证集的 AUC 值分别为 0.818、0.814 和 0.769。通过 DeLong 检验发现，融合模型与影像组学模型和 VGG 模型相比，差异具有统计学意义（span data-custom-copy-text="\(p0.05\)"p<0.05）。此外，Hosmer - Lemeshow（H - L）检验和决策曲线分析表明，各模型诊断与实际窦侵犯概率一致，且具有较高稳定性和临床实用性345。

研究结论和讨论部分指出，该研究首次基于多中心 MRI 数据构建了影像组学和深度学习融合模型用于脑膜瘤窦侵犯的术前诊断。6 个影像组学特征和 7 个深度学习特征与窦侵犯高度相关。融合模型展现出最高的诊断性能，能够准确识别术前是否发生窦侵犯，为临床医生制定治疗方案提供了极大的帮助。

同时，研究也存在一定的局限性。例如，这是一项回顾性研究，仅纳入了手术病理确诊的患者，可能存在选择偏倚；依靠经验丰富的放射科医生手动勾画 ROI，耗费人力和时间；不同设备制造商及同一制造商不同型号设备的图像扫描和重建协议差异大，缺乏统一标准。但总体而言，该融合模型在脑膜瘤窦侵犯术前诊断中展现出了高有效性和临床实用性，为临床医生提供了更精准、无创的术前评估工具，有助于优化手术方案、降低手术风险、改善患者预后。随着技术的不断进步，该模型的应用前景将更加广阔。