基于 MRI 的栖息地成像：预测低级别胶质瘤高危分子亚型与早期风险评估的新突破

《Cancer Imaging》：MRI-based habitat imaging predicts high-risk molecular subtypes and early risk assessment of lower-grade gliomas

在低级别胶质瘤（LrGGs）中，存在具有恶性转化潜能的高危分子亚型，影响临床预后。研究人员开展基于术前 MRI 序列构建模型预测 LrGGs 高危分子亚型及评估预后的研究。结果显示栖息地模型预测效果良好，对早期预警及风险分层管理有重要意义。

　　低级别胶质瘤（Lower-grade gliomas，LrGGs）是一类起源于神经胶质细胞的原发性脑肿瘤，病理分级为 2 - 3 级。以往，人们认为这类肿瘤预后较好、生物学行为温和，因此临床治疗相对保守。但随着长期临床随访的深入，人们发现其中一小部分 LrGGs 具有恶性转化的可能，即便病理分级不高，却有着类似恶性胶质母细胞瘤的临床病程，患者生存预后很差。2021 年，世界卫生组织中枢神经系统肿瘤分类指南明确指出了 LrGGs 中的四种高危分子亚型，包括 IDH 野生型伴 TERT 启动子突变、IDH 野生型伴 EGFR 扩增、IDH 野生型伴 + 7/-10 染色体改变以及 IDH 突变伴 CDKN2A/B 纯合缺失 ，并直接将它们归为 4 级胶质瘤。传统的 LrGGs 分子亚型诊断依赖侵入性组织活检和分子检测，这不仅给患者带来身体痛苦、心理压力，还增加了经济负担。此前基于 MRI 的影像组学虽能预测胶质瘤分子亚型，但由于胶质瘤的复杂异质性，传统影像组学在评估时存在缺陷。

为了解决这些问题，山西医科大学第一医院、山西白求恩医院等单位的研究人员开展了基于术前 MRI 的栖息地成像研究。研究人员回顾性收集了来自山西省三家三级医院及 TCGA 数据库的患者数据，筛选关键高危分子标记物，基于术前 MRI 序列（CE-T1WI/T2-FLAIR），利用多种机器学习分类器构建了基于栖息地、影像组学及二者结合的模型，并评估了这些模型预测 LrGGs 高危分子亚型及患者生存预后的能力。研究结果发表在《Cancer Imaging》上。

研究中用到的主要技术方法有：一是数据收集，从山西省三家医院及 TCGA 数据库获取患者数据；二是影像处理，利用特定 MRI 扫描仪扫描，对图像进行刚性配准、灰度调整、重采样等处理，手动勾画感兴趣区域（ROI）；三是特征提取与选择，采用 Pyradiomics 包提取影像组学特征，通过多种统计学方法进行特征选择；四是模型构建，使用多种机器学习分类器构建预测模型 。

研究结果如下：

1. 患者特征分析：对训练集、内部测试集和外部测试集患者的临床特征进行分析，发现不同分子亚型在年龄、组织学分级、MGMT 甲基化状态和治疗方法等方面存在差异。
2. 栖息地聚类和特征选择：利用 K-means 算法对肿瘤区域进行聚类，确定最佳聚类数为 3，将肿瘤 ROI 聚成三个亚栖息地。通过 LASSO 回归算法进行特征选择，确定了 31 个最优特征，其中 10 个来自 T2-FLAIR 图像，21 个来自 CE-T1WI 图像。
3. 高危分子亚型栖息地预测模型评估：对比基于栖息地、影像组学和二者结合构建的预测模型，发现基于 Extra Trees 分类器的栖息地模型在训练集、内部测试集和外部测试集上表现最佳，其 AUC 值分别为 0.802、0.771 和 0.768 。
4. 栖息地预测模型的预后价值评估：通过单变量和多变量 Cox 回归分析构建临床模型和联合临床 - 影像组学预测模型。结果显示联合预测模型性能最佳（训练集 C-index =0.781，内部测试集 C-index =0.778，外部测试集 C-index =0.743），栖息地预测模型次之（训练集 C-index =0.749，内部测试集 C-index =0.716，外部测试集 C-index =0.707），临床预测模型最差（训练集 C-index =0.717，内部测试集 C-index =0.687，外部测试集 C-index =0.649）。基于联合模型构建的列线图校准曲线显示在预测患者 1 年、2 年和 3 年生存概率时表现良好，根据栖息地 Radscore 阈值划分的高、低风险组生存概率差异显著。

研究结论和讨论部分指出，本研究构建的基于术前 MRI 的栖息地模型能同时实现对 LrGGs 高危分子亚型的无创预测和生存预后评估，栖息地 Radscore 可作为独立的预后风险标志物。这对 LrGGs 的早期无创预警、术前风险分层管理及精准诊疗具有重要意义。不过，该研究也存在一些局限性，如样本量不足、生存预后预测研究设计不完善、模型在实际应用中对噪声数据敏感等。未来研究可通过增加多中心样本、完善预后预测模型、优化模型结构等加以改进。总之，该研究为临床治疗 LrGGs 提供了新的思路和方法，有助于推动精准医疗的发展。