盧俊， 李祥， 黎海亮

膠質瘤是顱內常見原發(fā)性腫瘤，2016年世界衛(wèi)生組織(WHO)將分子標志物納入膠質瘤的診斷中，進一步闡明了分子特征在診斷、治療和預后評估中的價值[1,2]。如異檸檬酸脫氫酶(isocitrate dehydrogenase，IDH)突變型膠質瘤較野生型預后更好(突變型和野生型分別為31個月和15個月)[3]；端粒酶逆轉錄酶基因(telomerase reverse transcriptase,TERT)啟動子突變是成人膠質瘤中最常見的單基因突變。有研究表明，TERT突變對低級別膠質瘤和膠質母細胞瘤的預后影響不同，TERT突變的低級別膠質瘤患者預后較好，而TERT突變的膠質母細胞瘤患者預后較差[4]。最新癌癥基因組圖譜將WHO Ⅱ級和Ⅲ級膠質瘤歸入彌漫性低級別膠質瘤[5](low-grade gliomas，LGGs)，TERT突變多發(fā)生于IDH突變和1p19q共缺失的少突膠質瘤中，TERT突變在星形細胞瘤中的發(fā)生率低于少突膠質瘤。在少突膠質瘤和星形細胞瘤患者中，TERT突變均為患者預后較好的預測因子。TERT突變在低級別膠質瘤患者的發(fā)展中發(fā)揮了關鍵作用，對預后評估具有重要價值。近年來，隨著精準治療的研究深入，TERT啟動子突變被證實參與下游細胞信號轉導，其突變位點有望成為新的治療靶點[6]。

然而，由于目前TERT突變的檢出主要在活檢或手術切除取得腫瘤組織后進行；耗時長、腫瘤異質性高等都是現有檢測技術的缺點，在術前診斷的應用中具有一定局限性。隨著影像檢查技術的快速發(fā)展，術前利用影像特征無創(chuàng)預測分子標志物是一個可行的辦法。有研究探討形態(tài)學特征與TERT突變狀態(tài)之間的關系，結果表明預測效能有限[7]。影像組學的發(fā)展，能夠從常規(guī)MRI圖像中高通量獲取腫瘤特征并建立預測模型進行預測，既往在實體腫瘤分級分期中已經呈現出預測價值[8,9]，在膠質瘤IDH、1p/19q和Ki-67等分子標志物預測中也體現出術前預測價值[10-12]。隨著TRET的診斷、治療和預后價值被發(fā)現，亟需探討影像組學特征與TERT突變狀態(tài)之間的關系。故本研究旨在探討術前MRI圖像影像組學特征預測TERT啟動子突變狀態(tài)的價值。

材料與方法

1.病例資料

回顧性分析2019年1月至2021年3月在本院就診的LGG患者的臨床和影像學資料。病例納入標準：①術后病理證實為彌漫性低級別膠質瘤；②術前2周行MRI檢查；③具有完整的ADC和對比增強T1WI(T1CE)圖像；④經Sanger測序獲得TERT突變狀態(tài)(包括C228T和C250T兩個位點)。病例排除標準：①復發(fā)性腫瘤；②檢查前接受過活檢、放療或化療；③圖像偽影嚴重或病理結果不全。最終，109例患者納入本研究，按7:3的比例將其隨機分為訓練集(n=76)和驗證集(n=33)。

2.MRI檢查方法

MRI檢查采用3.0T MRI 掃描儀(Skyra,Siemens,Germany)和8通道相控陣線圈。檢查時患者取仰臥位頭先進掃描模式。常規(guī)MRI掃描序列及參數：①軸面FSE T1WI：TR 2200 ms，TE 13 ms，矩陣320×320，層厚/層間距6/0.6 mm，激勵次數1；②軸面FSE T2WI：TR 4940 ms，TE 125 ms，矩陣384×384，層厚/層間距6/0.6 mm，激勵次數2；③軸面磁化準備快速梯度回波對比增強T1WI：TR 1700 ms,TE 2.5 ms,層厚/層間距1/0 mm,矩陣288×288,視野256 mm×256 mm，對比劑為釓噴酸葡胺，劑量0.1 mmol/kg，流率2.0～3.0 mL/s；④DWI采用單次激發(fā)SE-EPI序列，b值取0、 1000 s/mm2，TR 2610 ms，TE 55 ms，層厚/層間距6/0.6 mm，矩陣160×160，激勵次數1，ADC圖在工作站上由DWI自動生成。

3.圖像后處理和特征提取

將ADC和T1CE圖像以DICOM格式保存，將病灶最大且顯示清晰的層面分別導入MaZda軟件(4.6版，http://www.eletel.p.lodz.pl/mazda/)。然后將圖像進行灰階度標準化，使圖像灰度在[μ-3σ，μ+3σ](μ和σ分別為平均灰度值和標準差)范圍內。然后由兩位分別具有5年和10年MRI診斷經驗的放射科醫(yī)生參考其他常規(guī)MRI圖像，共同商量確定ROI后，在ADC和T1CE圖像上選取病灶最大截面所在層面，沿腫瘤邊緣手動勾畫ROI(圖1)。考慮到腫瘤異質性，應包含腫瘤全域，即包含囊變、壞死、鈣化、出血等區(qū)域，但應避開正常的解剖結構。最終，每例患者提取到558個紋理特征，包括18個一階特征：灰度直方圖，490個二階特征：灰度共生矩陣、游程矩陣、絕對梯度以及50個高階特征：自回歸模型、小波轉換。

圖1 星形細胞瘤患者，男，48歲，WHO Ⅲ級，TERT野生型。a)ADC圖像中病灶最大徑所在層面；b)紅色區(qū)域為沿腫瘤邊緣勾畫的ROI；c)T1CE圖像中病灶最大徑所在層面；d)紅色區(qū)域為沿腫瘤邊緣勾畫的ROI；e)ADC直方圖；f)T1CE直方圖。

采用三聯(lián)法(Fisher：Fisher相關系數，POE+ACC：分類錯誤概率聯(lián)合平均相關系數，MI：交互信息)對提取的特征進行降維，初步篩選具有預測價值的組學特征。

4.模型建立和模型評估

應用兩種特征選擇方法，即三聯(lián)法(Fisher，POE+ACC，MI)和最小絕對收縮選擇算子(least absolute shrinkage selection operator，LASSO)進行特征篩選。首先，采用三聯(lián)法消除冗余特征；然后，采用LASSO回歸分析并通過5折交叉驗證篩選LASSO回歸模型得到最優(yōu)超參數λ值，在最優(yōu)λ值時將系數非零的特征納入模型；最后，行多因素logistic回歸分析，構建影像組學預測模型。

本研究分別基于ADC、T1CE、聯(lián)合序列(ADC+T1CE)的影像組學特征來建立3個影像組學預測模型，模型的預測能力采用受試者工作特征(receiver operating characteristic，ROC)曲線來評估。

5.統(tǒng)計學分析

使用R語言(Version 4.1.0，www.R-project.org)、SPSS 22.0和MedCalc 19.6軟件進行統(tǒng)計分析。計數資料的組間比較采用卡方檢驗或Fisher確切概率法。計量資料的組間比較根據正態(tài)性和方差齊性分析結果分別采用獨立t檢驗或Mann-WhitneyU檢驗。ROC曲線用于評估模型的預測效能，應用Delong檢驗來比較3個預測模型之間的差異。以P<0.05為差異有統(tǒng)計學意義。

結 果

1.一般資料

訓練組(n=76)與驗證組(n=33)患者的一般資料見表1，兩組間性別、年齡、TERT突變狀態(tài)、IDH突變狀態(tài)、病理組織學類型差異均無統(tǒng)計學意義(P值均>0.05)。

表1 2組低級別膠質瘤患者的臨床病理特征比較 (n，%)

2.構建影像組學預測模型

從ADC、T1CE和聯(lián)合序列(ADC+T1CE)中分別提取出279、279和558個影像組學特征。經三聯(lián)法分別篩選出30、25和55個特征。應用5折交叉驗證篩選LASSO回歸模型得到最優(yōu)超參數λ值，最終分別選出5、3和6個影像組學特征建立3個影像組學預測模型(表2)。

表2 影像組學預測模型中的影像組學特征

3.模型驗證和比較

應用ROC曲線評估3個模型的預測效能，聯(lián)合分析模型在訓練集(0.928)和驗證集(0.878)中的曲線下面積(area under curve,AUC)均最大，預測效能最高(表3)。Delong檢驗結果顯示，基于T1CE的預測模型與聯(lián)合分析模型之間的AUC差異有統(tǒng)計學意義(P=0.007)，提示聯(lián)合分析模型的預測效能明顯優(yōu)于T1CE模型；而基于ADC圖像的預測模型與聯(lián)合分析模型之間的AUC差異無統(tǒng)計學意義(P=0.396)，但ADC模型的敏感度欠佳。所以，本研究中聯(lián)合分析模型(ADC+T1CE)的預測效能最佳(最優(yōu)超參數λ見圖2，ROC曲線見圖3)。

圖2 a) 聯(lián)合分析模型：5折交叉驗證篩選LASSO回歸模型得到最優(yōu)超參數λ值，即第一個虛線所對應的位置(最小均方差)； b) 通過圖2a得到的λ值(紅線所在位置)來尋找系數非零的特征，縱坐標為系數，下橫坐標為log(λ)，上橫坐標為模型中非零系數的個數。 圖3 三個影像組學模型預測TERT突變狀態(tài)的ROC曲線，聯(lián)合分析(ADC+T1CE)模型預測效能最佳。a)訓練集的ROC曲線；b)驗證集的ROC曲線。

表3 三個影像組學模型在訓練集和驗證集中預測TERT突變狀態(tài)的效能

討 論

為了術前無創(chuàng)預測TERT啟動子突變狀態(tài)，本研究建立了基于ADC、T1CE和兩者聯(lián)合的影像組學模型并驗證了其預測效能。本研究結果顯示，3個影像組學模型均能有效預測TERT突變狀態(tài)，且多序列聯(lián)合分析能夠提高預測效能。

TERT突變發(fā)生在轉錄起始點的上游，分別命名為C228T和C250T。TERT啟動子突變會導致轉錄因子結合位點的揭開，調控端粒酶活性，與患者的預后密切相關，因此TERT突變位點有望成為新的治療靶點[6]。TERT突變的低級別膠質瘤患者預后較好，所以，在低級別膠質瘤患者就診初期，準確判斷TERT啟動子突變狀態(tài)對患者具有重要的臨床意義。

有研究嘗試尋找與TERT突變相關的形態(tài)學特征，如腫瘤位置、增強容積、壞死容積以及壞死容積百分比等，結果表明大部分形態(tài)學特征在TERT突變與TERT野生兩組間無顯著差異[7,13]。Tian等[14]證實了高級別膠質瘤影像組學特征預測TERT啟動子突變的可行性。隨后，有研究開始探索影像組學特征術前預測低級別膠質瘤TERT突變狀態(tài)的可能性[15]。本研究創(chuàng)新性地將ADC和T1CE圖像的影像組學特征結合預測低級別膠質瘤患者的TERT啟動子突變狀態(tài)，結果顯示多序列結合的聯(lián)合分析模型展現出很好的預測效能，與楊易等[16]的結論一致。聯(lián)合分析模型的預測效能高于單一影像組學模型，其預測效能較高可能得益于ADC圖像和T1CE圖像的結合。ADC圖像主要反映水分子受限程度，從而反映細胞增殖程度；T1CE圖像能夠反映腫瘤血管生成情況。而且由于釓對比劑的引入、1 mm層厚的選擇，相較于之前研究中選用的5.0 mm層厚[15]，可以更準確地反映腫瘤血管生成情況。ADC圖像能給模型提供很多必要的信息，但是缺乏邊界信息，剛好能與T1CE圖像補充，與臨床工作中的診斷經驗一致。

Tian等[14]認為腫瘤壞死、壞死容積百分比與TERT突變狀態(tài)有關。類似的，本研究將腫瘤囊變和壞死也納入分析。預測效能最佳的聯(lián)合分析模型(ADC+T1CE)包含了6個影像組學特征，包括2個一階直方圖特征和4個二階紋理特征(灰度共生矩陣和絕對梯度)。一階特征(灰度直方圖)能夠在像素水平上量化腫瘤的局部異質性，定量提供更多腫瘤相關特征[17]?；叶裙采仃囉没叶鹊目臻g分布表征紋理。由于粗紋理的灰度分布隨距離的變化比細紋理緩慢得多，因此兩者有完全不同的灰度共生矩陣。其中對比度、自相關、熵等紋理特征能夠反映圖像清晰度、相似程度和信息量的度量等紋理信息。膠質瘤由于基因突變狀態(tài)差異而導致的腫瘤異質性，可以體現在紋理變化上，而這些肉眼無法觀察的細節(jié)可以通過高通量提取影像組學特征來客觀描述。因此，MRI影像組學模型的客觀性和可行性在本研究中得到體現。然而，本研究預測模型中缺乏高階紋理特征，筆者初步推測是由于ROI采取二維分割所致，今后將采用三維分析提取腫瘤全域紋理特征來驗證。

本研究存在以下局限性：①樣本量相對較少，只說明了IDH在兩組中構成比沒有差異，沒有進一步分組分析不同IDH突變狀態(tài)下模型的預測效能，今后將進一步擴大樣本量進行分組研究，確保預測模型的普適性；②本研究采取二維分割，今后將對病灶進行三維分析，獲取更多有效特征。

綜上所述，常規(guī)MRI影像組學特征能夠有效預測低級別膠質瘤TERT啟動子突變狀態(tài)，多序列聯(lián)合能夠提高預測效能，為制定個體化治療方案提供參考依據。