编辑推荐：
为解决 T2-FLAIR 错配征（T2FM）评估难题，研究人员开展 qT2FM 预测 IDH 突变研究，结果可助力临床诊断。
在神经肿瘤学领域，成人弥漫性低级别胶质瘤（LGGs）是一类具有高度异质性的肿瘤。世界卫生组织（WHO）2021 年脑肿瘤分类将其分为三种基本类型，其中，异柠檬酸脱氢酶（IDH）突变状态及 1p/19q 共缺失情况对精准诊断和个性化治疗意义重大。此前，T2 - 液体衰减反转恢复（FLAIR）错配征（T2FM）虽被视为识别 IDH
mut-Noncodel 亚型的特定成像生物标志物，但它存在不少问题。传统上对 T2FM 的视觉评估一致性差，不同研究对其定义不统一，且阅片者之间区分肿瘤坏死、囊性成分与肿瘤部分的可靠性较低，这些都限制了其在临床实践中的应用。此外，以往量化 T2FM 的方法，如手动勾勒肿瘤区域、使用专门研究软件等，操作复杂，难以融入临床常规流程。为突破这些困境，来自首尔国立大学医院等机构的研究人员开展了一项极具意义的研究。他们利用深度学习技术，通过全自动肿瘤分割软件对 T2FM 进行量化，深入探究了定量 T2-FLAIR 错配比（qT2FM）在识别成人弥漫性 LGG 患者 IDH
mut-Noncodel 亚型和 IDH 突变状态方面的预测价值。该研究成果发表在《European Radiology》上，为神经肿瘤的诊断和治疗开辟了新方向。
研究人员在开展此项研究时，运用了以下几个关键技术方法：首先，基于 2011 年 1 月至 2021 年 8 月期间 664 例新诊断的成人弥漫性胶质瘤患者的病例进行回顾性分析，筛选出符合条件的 218 例患者纳入研究。其次，利用免费的自动化分割和体积测量工具 HD-GLIO，对 T1WI、T2WI、FLAIR 及增强 T1WI 上的肿瘤进行分割，并排除肿瘤内的囊性或坏死区域，同时使用 FSL 中的 FAST 工具分割正常白质区域用于归一化处理。最后，通过特定公式计算 qT2FM，并进行一系列统计分析，包括卡方检验、t 检验、单因素和多因素逻辑回归分析等，以评估各因素与 IDH 突变状态及 IDHmut-Noncodel 亚型的关系。
下面来看具体的研究结果：
- 研究人群特征：218 例患者中，IDHmut-Noncodel 组 66 人，IDHmut-Codel 组 67 人，IDHwt组 85 人。三组在年龄、额叶位置、皮质受累、vT2FM 和 qT2FM 方面存在显著差异。IDHmut-Noncodel 组 qT2FM 值最高（0.37 ± 0.38），经典 T2FM 仅在 IDHmut-Noncodel 组的部分患者中出现。
- 区分 IDHmut-Noncodel 与其他弥漫性 LGGs：单因素分析显示，年龄和 qT2FM 是区分 IDHmut-Noncodel 亚型与其他弥漫性 LGGs 的重要因素。多因素分析表明，年龄和 qT2FM 仍是显著预测因子，qT2FM 的优势比（OR）为 3.43，95% 置信区间（CI）为 1.30 - 9.05，p = 0.013。
- 预测 IDH 突变状态：单因素分析中，年龄、额叶位置、皮质受累和 qT2FM 均为 IDH 突变状态的显著预测因子。多因素分析里，这些因素依旧显著，其中 qT2FM 的 OR = 2.75，95% CI：1.08 - 7.00，p = 0.034。
- 比较诊断性能：qT2FM 与 vT2FM 及部分 T2FM 显著相关，但与经典 T2FM 无显著关联。在识别 IDHmut-Noncodel 亚型和预测 IDH 突变状态方面，qT2FM 与 vT2FM 联合使用的诊断效能（AUC 分别为 0.77 和 0.77）优于单独使用单个参数。
- qT2FM 与 ADC 的相关性：IDH 突变胶质瘤患者中，qT2FM 与中位 ADC 显著相关（r = 0.339，p < 0.001），在 IDHmut-Noncodel 亚型患者中同样如此（r = 0.391，p = 0.007）。
研究结论和讨论部分再次强调了该研究的重要意义。本研究首次利用深度学习和全自动肿瘤分割工具量化 T2FM，qT2FM 可作为识别 IDH 突变状态和 IDHmut-Noncodel 亚型的独立影像学预测指标。与 vT2FM 联合使用时，能更好地预测 IDH 突变状态。此外，qT2FM 与中位 ADC 的正相关关系，不仅体现了其病理生理相关性，还进一步支持了其在神经肿瘤诊断中的实用性。不过，该研究也存在一定局限性，如单中心回顾性设计易产生选择偏倚，量化过程需额外图像处理，不利于临床即时应用等。尽管如此，将 qT2FM 纳入临床诊断流程，有望提高诊断准确性，为患者制定更合理的治疗策略，凸显了先进成像技术在神经肿瘤学中的重要价值，也为后续相关研究提供了新的思路和方向。
