基于 MR 的放射组学与优化统计机器学习在胶质瘤分级中的应用

为区分 II 级和 III 级胶质瘤，研究人员开展相关研究，发现 LDA 等模型效果好，对诊断有重要意义。

　　脑癌，这个隐匿在大脑中的 “恶魔”，正成为全球健康的重大威胁。据统计，2020 年埃及有 4500 例新发病例和 3686 例死亡病例，美国新发病例达 24538 例，死亡 18133 例 ，2023 年全球预计有 94390 例原发性脑肿瘤新诊断病例以及 18990 例死于恶性脑肿瘤。其中，胶质瘤作为常见的脑肿瘤类型，准确区分其等级对于治疗方案的选择、患者预后的判断至关重要。然而，传统的诊断方法，如依靠医生经验的脑部成像和有创的活检，存在诸多局限性。脑部成像依赖医生的专业水平，且结果可能存在主观性；活检虽然能提供较为准确的病理信息，但属于侵入性操作，会给患者带来痛苦和风险。同时，由于 II 级和 III 级胶质瘤在 MRI 特征上较为相似，现有的机器学习模型在区分二者时也面临挑战，要么缺乏泛化能力，容易出现过拟合，要么区分精度较低。在这样的背景下，来自埃及 Helwan 大学和 Badr 大学的研究人员开展了一项极具意义的研究，相关成果发表在《Egyptian Journal of Radiology and Nuclear Medicine》杂志上。

研究人员为了实现精准区分 II 级和 III 级胶质瘤的目标，采用了一系列关键技术方法。首先，他们从知名的癌症成像档案（TCIA）获取了 135 例脑肿瘤的 MRI 成像系列，其中 II 级 68 例，III 级 67 例。这些数据均以 DICOM 格式存储，并包含了肿瘤等级等关键临床信息。之后，研究人员对数据进行严格筛选和预处理，利用 3D slicer 软件去除数据中的不一致性，如缺少组织学肿瘤分级数据、FLAIR 序列缺失或成像系列不完整的病例，同时去除低质量、有噪声或伪影的扫描数据，以保证数据的高质量和可靠性。接着，使用该软件的 “Segment Editor” 模块，通过强度阈值法对肿瘤区域进行半自动分割。在特征提取阶段，利用 3D Slicer 软件的放射组学扩展功能，提取形状、一阶统计、纹理和基于小波的等多种特征，共计 851 个。为了优化数据集，采用主成分分析（PCA）将维度从 851 维降至 128 维，同时使用 K-best 和百分位数两种特征选择器进一步筛选特征。最后，运用 12 种不同的监督机器学习模型，包括线性判别分析（LDA）、逻辑回归（LR）等，并通过网格搜索交叉验证对模型超参数进行优化。

研究结果主要从以下几方面呈现：

• PCA 结果：PCA 降维后得到 128 个主成分，第一主成分捕获了约 96.97% 的总方差，PC2 约占 3.00%。
• K-best 作为特征选择器的结果：在使用 K-best 特征选择器时，表现最佳的模型在平均受试者工作特征曲线下面积（AUROC）、准确率、灵敏度和特异性方面，LDA、LR 和 SGD 都较为突出。经过模型优化后，LDA 在 AUROC 测量上优于其他模型，其次是 SVM 和 LR；在准确率方面，LDA 也优于 SVM 和 LR；分类灵敏度方面，LDA 最高，其次是 SVM 和 KNN；特异性方面，LDA 同样表现出色，接着是 SVM 和 LR。
• 百分位数作为特征选择器的结果：以百分位数作为特征选择器时，LDA、LR 和 SGD 在平均 AUROC、准确率、测试灵敏度和特异性的测量中表现优异。优化后，从 AUROC 角度看，LDA 最佳，随后是 LR 和 SVM；准确率方面，LDA、SVM 和 LR 表现突出；灵敏度上，LDA 得分领先，SVM 和 LR 紧随其后；特异性方面，LDA 表现卓越。

研究结论和讨论部分指出，该研究利用 MRI 放射组学特征和统计机器学习在区分 II 级和 III 级胶质瘤方面取得了有前景的成果。K-best 和百分位数特征选择方法表现相当，K-best 方法的特异性略高，而百分位数方法在灵敏度和 AUROC 上表现更好。LDA 在所有分类性能指标上均优于其他模型，是最有效的分类器，SVM 和逻辑回归也展现出强大的分类性能。这一研究成果具有重要的临床意义，能够提高胶质瘤分级的诊断准确性和一致性，减少主观性和观察者间的差异。机器学习模型可作为人工智能辅助工具融入放射学工作流程，支持无创性肿瘤分类，增强放射科医生的决策能力，减少对活检的依赖，优化治疗方案。不过，该研究也存在一定局限性，如数据集规模较小，仅使用了单一的 MRI 序列（FLAIR），且未纳入分子和遗传肿瘤标记物。未来研究可通过扩大胶质瘤数据集、采用多参数 MRI 模态以及探索统计和深度学习方法，进一步提高诊断的准确性和稳健性。总之，这项研究为脑肿瘤的诊断和预后评估开辟了新的道路，为后续研究奠定了坚实基础。