基于瘤内及瘤周MRI影像组学特征的胶质母细胞瘤MGMT甲基化状态预测研究

本研究针对胶质母细胞瘤治疗中MGMT启动子甲基化检测的临床需求，创新性地结合瘤内及瘤周区域MRI影像组学特征，构建了预测模型。通过96例患者数据验证，联合模型AUC达0.814，显著优于单一区域模型，为无创评估MGMT状态提供了新方法，对个体化治疗决策具有重要指导价值。

　　

胶质母细胞瘤作为最具侵袭性的脑肿瘤，其治疗困境始终困扰着医学界。这种肿瘤不仅生长迅速，更因O⁶-甲基鸟嘌呤-DNA甲基转移酶（MGMT）的DNA修复功能而产生化疗耐药性。有趣的是，当MGMT启动子发生甲基化时，这种"分子盾牌"就会失效，使得肿瘤细胞对替莫唑胺（TMZ）等烷化剂变得敏感。目前临床依赖甲基化特异性PCR（MS-PCR）检测MGMT状态，但受限于组织样本质量和肿瘤异质性，亟需更可靠的评估手段。

海南医学院附属海南医院放射科联合英国谢菲尔德大学转化神经科学研究所的研究团队在《Scientific Reports》发表创新成果。研究人员突破传统仅关注瘤内特征的局限，首次系统整合瘤内强化区域（T1C序列）与瘤周水肿带（T2-FLAIR序列）的影像组学特征，通过机器学习构建预测模型。研究纳入96例经病理确诊的初发胶质母细胞瘤患者，采用3.0T MRI获取多序列影像，由经验丰富的神经放射科医师手动勾画感兴趣区域（ROI），使用Pyradiomics包提取1218个定量特征，经LASSO回归筛选后构建随机森林（RF）模型。

关键技术包括：1）多中心回顾性队列构建（2000-2023年）；2）多参数MRI（T1C/T2/T2-FLAIR）影像采集标准化；3）瘤内与瘤周ROI分层特征提取；4）机器学习模型交叉验证（5折）与决策曲线分析（DCA）。

患者特征
96例患者中MGMT甲基化组34例，未甲基化组62例，两组在年龄、性别等基线特征上无统计学差异（p>0.05），确保了模型的可比性。

瘤内与瘤周分析
单区域模型中，瘤周T2-FLAIR特征表现最佳（AUC=0.769），显著优于最优瘤内模型（AUC=0.610）。纹理分析显示，瘤周区域的高阶小波特征更能反映肿瘤微环境（PME）的异质性。

集成模型性能
联合瘤内与瘤周特征的整合模型展现出最优预测效能：训练集AUC 0.814（95%CI:0.767-0.862），验证集AUC 0.808（95%CI:0.736-0.859）。模型校准曲线与理想线高度吻合（H-L检验p=0.08），决策曲线显示在10-30%阈值概率区间具有显著临床净获益。

机器学习比较
在四种算法中，随机森林与K近邻（KNN）经5折交叉验证后准确率最高（84.15%），其宏观平均指标（精确率/召回率/F1值）达93-97%，显著优于逻辑回归（83.81%）和支持向量机（82.49%）。

该研究开创性地证实了瘤周影像组学特征对MGMT状态预测的独特价值。相较于传统活检的局限性，这种无创方法不仅能反映肿瘤整体异质性，更通过捕捉瘤周微环境的特征变化（如淋巴浸润、血管异常等），为临床决策提供了新维度。特别值得注意的是，高阶小波特征在预测中起主导作用，暗示肿瘤边缘的微观结构改变可能蕴含关键生物学信息。研究团队建议未来结合深度学习实现ROI自动分割，并在多中心前瞻性队列中验证模型效能，最终推动影像组学指导下的胶质母细胞瘤精准治疗新时代。