段夢瑾，張路，田齊，劉熙鵬*

腦膜瘤常通過MRI 檢查進行影像學(xué)診斷。MRI不僅能提供腫瘤的形態(tài)、大小、密度及增強情況等結(jié)構(gòu)信息，還能反映腫瘤的功能和代謝信息。隨著MRI 技術(shù)和影像組學(xué)的發(fā)展，基于MRI 的影像組學(xué)方法也逐漸用于挖掘腦膜瘤深層影像信息，使得對腦膜瘤的病理分型、腫瘤侵襲性以及預(yù)后預(yù)測等成為可能。本文就MRI 影像組學(xué)在腦膜瘤中的應(yīng)用進展進行綜述。

1 影像組學(xué)概述

影像組學(xué)的概念由Lambin 等[1]于2012 年首次提出，即高通量地從圖像中提取影像學(xué)特征進行定量分析。醫(yī)學(xué)影像并非簡單的圖像，還可以反映身體的各種物理特征。影像組學(xué)能夠?qū)⒂跋駥W(xué)特征轉(zhuǎn)化為有意義和可進行發(fā)掘的數(shù)據(jù)，從中分析提取定量特征以反映潛在的病理生理學(xué)機制。MRI 影像組學(xué)的工作流程主要由4 個部分組成，包括圖像采集、興趣區(qū)（ROI）分割、影像特征提取與篩選、預(yù)測模型建立。其中采集高質(zhì)量和標(biāo)準(zhǔn)化的圖像是MRI影像組學(xué)的基礎(chǔ)，然后通過手動或自動化方式完成ROI 分割并從中提取形狀特征和一階、二階及高階特征；再通過常規(guī)統(tǒng)計和機器學(xué)習(xí)的方法進行特征選擇，保留有價值的影像組學(xué)特征以減少維數(shù)與過擬合；最后使用學(xué)習(xí)機器對影像組學(xué)特征和已知信息進行訓(xùn)練，從而建立需要的預(yù)測和診斷模型。

2 MRI 影像組學(xué)在腦膜瘤中的臨床應(yīng)用

腦膜瘤術(shù)前準(zhǔn)確診斷對于治療方案選擇、預(yù)后評估等十分關(guān)鍵。病理學(xué)檢查是一種可靠的診斷方法，但術(shù)前穿刺結(jié)果的等待時間較長，并且獲取信息有限。而MRI 影像組學(xué)能夠無創(chuàng)且較全面地獲取腫瘤信息，對腫瘤進行評估并揭示其異質(zhì)性，有利于輔助臨床實現(xiàn)精準(zhǔn)治療。

2.1 術(shù)前分級與分型 在2021 年WHO 中樞神經(jīng)系統(tǒng)腫瘤分類（第5 版）中，根據(jù)病理學(xué)分類特征將腦膜瘤分為3 級共15 個亞型[2]。WHO 1 級腦膜瘤在手術(shù)完全切除后可以獲得較長的無進展生存期，但WHO 2、3 級腦膜瘤則表現(xiàn)出更積極的生物學(xué)行為和較差的臨床預(yù)后，即使手術(shù)完全切除腫瘤，5 年復(fù)發(fā)率仍高達50%～90%，故常建議在手術(shù)后輔以放療[3-4]。MRI 影像組學(xué)可以獲取影像信息并進行定量分析，通過表征腫瘤異質(zhì)性來預(yù)測腦膜瘤的分型分級，對腦膜瘤病人治療方案的制定至關(guān)重要。

Park 等[5]從136 例腦膜瘤的增強T1WI、表觀擴散系數(shù)（ADC）圖以及部分各向異性圖中提取影像組學(xué)特征，使用支持向量機（support vector machine,SVM）和遞歸特征消除（recursive feature elimination,RFE）算法進行特征選擇，同時結(jié)合隨機過采樣技術(shù)的模型具有最佳分級效能，受試者操作特征曲線下面積（AUC）、準(zhǔn)確度、敏感度和特異度分別為0.86、89.7%、75%和93.5%。Duan 等[6]評價188 例腦膜瘤病人的增強T1WI 和臨床特征對腦膜瘤分級的預(yù)測價值，采用單因素分析選擇臨床風(fēng)險因素構(gòu)建臨床模型，通過最小絕對值收斂和選擇算子（least absolute shrinkage and selection operator, LASSO）回歸算法篩選出9 個影像組學(xué)特征構(gòu)建影像組學(xué)模型，結(jié)合臨床風(fēng)險因素及影像組學(xué)評分構(gòu)建影像組學(xué)列線圖，結(jié)果顯示影像組學(xué)列線圖（AUC 為0.952）預(yù)測腦膜瘤分級優(yōu)于臨床模型及影像組學(xué)特征（0.87、0.885），決策曲線分析顯示影像組學(xué)列線圖具有更大的凈收益，提示MRI 影像組學(xué)對腦膜瘤分級具有較高的預(yù)測價值；其結(jié)合臨床特征則能夠進一步提高預(yù)測效能。Hu 等[7]在常規(guī)MRI（包括T1WI、T2WI、增強T1WI）、ADC 圖以及磁敏感加權(quán)成像（susceptibility weighted imaging,SWI）影像上勾畫ROI 并提取影像組學(xué)特征，采用隨機森林（random forest,RF）算法共建立7 個影像組學(xué)模型，應(yīng)用留一交叉驗證法對模型進行評估。結(jié)果顯示基于常規(guī)MRI、ADC、SWI 聯(lián)合模型的預(yù)測價值最高（AUC 為0.84），提示多序列組合的MRI 影像組學(xué)相較于單序列在預(yù)測腦膜瘤分級方面具有更佳的效能。

在腦膜瘤分型方面，Zhang 等[8]基于增強T1WI和T2WI 鑒別移行性及非典型腦膜瘤，采用LASSO回歸算法及邏輯回歸進行特征選擇，結(jié)合臨床特征（性別）以及影像特征（腫瘤性狀和局部腦侵犯）建立臨床-影像組學(xué)模型，該模型的AUC 和敏感度在訓(xùn)練集和驗證集中分別為0.809 和74%、0.795 和71.4%。Niu 等[9]基于術(shù)前增強T1WI 鑒別上皮型、纖維型及過渡型腦膜瘤，F(xiàn)isher 判別模型的準(zhǔn)確度為100%，驗證模型的準(zhǔn)確度為94.2%。由此可見，MRI影像組學(xué)有助于在術(shù)前對腦膜瘤亞型進行預(yù)測，有利于輔助臨床治療，但分型診斷主要集中于幾種常見亞型，仍需增加對少見分型的研究。

2.2 鑒別診斷 顱內(nèi)血管外皮細胞瘤（intracranial hemangiopericytoma,IHPC）與血管瘤型腦膜瘤在影像學(xué)上存在鑒別困難，并具有不同的生物學(xué)行為，IHPC 侵襲性和全身轉(zhuǎn)移風(fēng)險更高[10-11]。Fan 等[12]利用影像組學(xué)對IHPC 和血管瘤型腦膜瘤進行術(shù)前鑒別，應(yīng)用彈性網(wǎng)絡(luò)和RFE 算法得到6 個影像組學(xué)特征并構(gòu)建影像組學(xué)模型，該模型在訓(xùn)練集和驗證集中的效能均較高（AUC 均為0.900）；而進一步結(jié)合臨床特征構(gòu)建的臨床-影像組學(xué)模型的效能則更高（AUC 為0.920 和0.910）。Wei 等[13]開發(fā)了一種鑒別IHPC 和腦膜瘤的診斷工具，即采用Akaike 信息準(zhǔn)則選擇最佳合并因子并應(yīng)用邏輯回歸（logistic regression，LR）算法，結(jié)合臨床影像信息與影像組學(xué)特征構(gòu)建了相應(yīng)診斷模型，其在驗證集與訓(xùn)練集中AUC 為0.985 和0.917。由此可見，MRI 影像組學(xué)能夠鑒別IHPC，結(jié)合臨床和影像組學(xué)特征的模型對腦膜瘤鑒別診斷的效能更高。

鞍旁海綿狀血管瘤與血管瘤型腦膜瘤的影像學(xué)表現(xiàn)相似，但治療策略的選擇截然不同。Wang 等[14]分析3 個中心96 例鞍旁腫瘤病人，采用術(shù)前MRI鑒別鞍旁海綿狀血管瘤與血管瘤型腦膜瘤，結(jié)果表明T2WI 和DWI 信號強度是兩者鑒別診斷的獨立預(yù)測因子，采用SVM 和K 鄰近算法并基于T2WI 和DWI 特征構(gòu)建的影像組學(xué)模型具有良好的預(yù)測效能（AUC＞0.9），且優(yōu)于2 位神經(jīng)影像學(xué)專家（AUC分別為0.756 和0.545）。鞍區(qū)的顱咽管瘤和腦膜瘤發(fā)病位置相同且具有相似的癥狀常需要進行鑒別，Tian 等[15]發(fā)現(xiàn)3 個影像組學(xué)特征對這2 種腫瘤具有較好的鑒別能力，這3 個特征與囊性改變明顯相關(guān)，且囊性改變可以作為鑒別顱咽管瘤與腦膜瘤的獨立預(yù)測因素。Maki 等[16]為鑒別脊髓神經(jīng)鞘瘤和腦膜瘤，采用基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法建立診斷模型，結(jié)果顯示該模型鑒別診斷的準(zhǔn)確性與影像專家的相當(dāng)。綜上所述，一些與腦膜瘤影像學(xué)表現(xiàn)相似但常規(guī)MRI 技術(shù)難以鑒別的疾病，MRI 影像組學(xué)方法可以進行鑒別診斷，有利于為腦膜瘤的治療提供依據(jù)，制定適合的治療策略。

2.3 術(shù)前預(yù)測腫瘤侵襲性腫瘤的腦侵襲與復(fù)發(fā)和不良預(yù)后獨立相關(guān)[17-18]，是腦膜瘤重要的臨床特性之一，同時也是非典型腦膜瘤診斷的獨立標(biāo)準(zhǔn)[11]。Zhang 等[19]對瘤體分析，采用LASSO 回歸算法篩選出16 個影像組學(xué)特征，并結(jié)合臨床特征構(gòu)建出對腦膜瘤腦侵襲鑒別能力最佳的模型，該模型在訓(xùn)練集中的AUC 和敏感度分別為0.857、72.83%，在外部驗證集中為0.819、90.12%。Joo 等[20]對瘤周界面進行分析，認為瘤周水腫體積是腦侵犯的獨立預(yù)測因子，在厚約1 cm 的瘤周界面中獲得6 個影像組學(xué)特征，結(jié)合瘤周水腫體積建立的模型具有最佳的預(yù)測效能。而Li 等[21]通過獲取語義特征、瘤體和瘤周界面中的影像組學(xué)特征，應(yīng)用LR 算法建立不同的模型，發(fā)現(xiàn)基于瘤周界面影像組學(xué)特征所構(gòu)建的模型優(yōu)于基于瘤體影像組學(xué)特征構(gòu)建的模型，前者在訓(xùn)練與驗證集中的AUC 為0.829 和0.769，顯著高于腫瘤影像組學(xué)模型的AUC（0.762 和0.701）；而基于語義特征、瘤體和瘤周界面的影像組學(xué)特征建立的聯(lián)合模型具有最優(yōu)診斷效能，在驗證集和訓(xùn)練集中AUC 為0.905 和0.895。由此可見，瘤周界面對于預(yù)測腦侵犯十分重要，但目前仍需更多研究結(jié)果進一步驗證其診斷效能，也提示了瘤周水腫在預(yù)測腦侵犯中的重要性，這與先前的研究[22]結(jié)果相似。

此外，目前的研究還聚焦于腦膜瘤骨侵犯與靜脈竇侵犯。一項研究[23]納入了1 469 個腦膜瘤病例，結(jié)果顯示腫瘤的骨侵犯與腫瘤不完全切除相關(guān)，術(shù)前預(yù)測骨侵犯可以輔助手術(shù)策略的選擇，有助于腦膜瘤Simpson 1 級切除。Zhang 等[24]從增強T1WI 和T2WI 中篩選出8 個影像組學(xué)特征，應(yīng)用LR 算法建立了3 個影像組學(xué)模型，結(jié)果顯示基于2 個序列的聯(lián)合影像組學(xué)模型預(yù)測腦膜瘤骨侵犯效能最高（AUC 為0.722）。目前手術(shù)治療對于靜脈竇侵犯的腦膜瘤仍是一個挑戰(zhàn)[25]。根據(jù)靜脈竇浸潤的程度需要選擇不同的手術(shù)策略，但常規(guī)MRI 及腔內(nèi)成像對靜脈壁成像欠清，鑒別靜脈血管結(jié)構(gòu)和腦膜瘤仍存在困難。Sun 等[26]評價了深度學(xué)習(xí)預(yù)測靜脈竇侵犯的效能，回顧性分析1 048 例腦膜瘤病人的增強T1WI 和T2WI 表現(xiàn)，結(jié)合腫瘤和腫瘤周圍的多模態(tài)影像組學(xué)模型可以有效預(yù)測靜脈竇侵犯，準(zhǔn)確度達78.1%。腦膜瘤是否侵犯周圍組織是影響治療效果以及術(shù)后復(fù)發(fā)的重要因素，因此術(shù)前預(yù)測腦膜瘤對周圍組織侵犯有助于指導(dǎo)術(shù)中決策，利于病人獲取更長的無進展生存期，但目前相關(guān)研究不夠完善，需前瞻性、多中心的研究進一步證實。

2.4 預(yù)后評估 盡管大多數(shù)腦膜瘤歸為WHO 1 級，但這些腫瘤在手術(shù)切除后仍顯示出早期進展復(fù)發(fā)的特征[27]；此外，位于顱底的腦膜瘤難以實現(xiàn)Simpson 1 級切除，進展復(fù)發(fā)的發(fā)生率也非常高[28]。Zhang 等[29]從60 例顱底腦膜瘤病人的T2WI、DWI、增強T1WI 中共提取99 個影像組學(xué)特征，利用RF算法篩選3 個組學(xué)特征，包括T1最大概率、T1集群陰影和ADC 相關(guān)性，應(yīng)用決策樹構(gòu)建模型預(yù)測顱底腦膜瘤進展及復(fù)發(fā)的準(zhǔn)確度為90%。Park 等[30]納入155 例WHO 2 級腦膜瘤病人，中位隨訪時間63.8 個月，通過LASSO 回歸算法篩選增強T1WI 和T2WI 特征，建立臨床病理模型和臨床病理-影像組學(xué)模型，組合模型預(yù)測進展復(fù)發(fā)的效能最佳，該模型的AUC、準(zhǔn)確度、敏感度與特異度為0.78、75%、76.8%和73.1%；該研究還發(fā)現(xiàn)接受輔助放療的病人表現(xiàn)出更長的無進展生存期和延遲復(fù)發(fā)。在另一項研究[31]中納入303 例腦膜瘤病人，顯示低球形度這一紋理特征與局部復(fù)發(fā)增加以及整體生存率下降有關(guān)，結(jié)合臨床特征、影像學(xué)特征以及影像組學(xué)特征建立的模型具有良好預(yù)測效能，在預(yù)測局部復(fù)發(fā)和總體生存率方面的AUC 為0.73 和0.77。手術(shù)治療是腦膜瘤的一線治療方法，放射治療則用于無法切除或無法完全切除的病人，Speckter 等[32]研究T1WI、增強T1WI、T2WI 及擴散張量成像（diffusion tensor imaging，DTI）預(yù)測伽馬刀放射治療后腦膜瘤的體積變化，對32 例腦膜瘤病人伽馬刀術(shù)前MRI進行紋理分析得到78 個參數(shù)，結(jié)果顯示DTI 參數(shù)與治療后腦膜瘤體積減少相關(guān)性更強，T2WI 的標(biāo)準(zhǔn)差也可用于預(yù)測治療成功。以上研究表明MRI 影像組學(xué)在術(shù)前可預(yù)測腫瘤進展復(fù)發(fā)及治療效果，在腦膜瘤預(yù)后評估中具有重要意義，有助于選擇治療及隨訪的最佳方案。

2.5 Ki-67 的術(shù)前預(yù)測 Ki-67 是一種與增殖相關(guān)的核抗原，存在于細胞周期的所有活躍期和有絲分裂期，但在靜止細胞中不存在[33]。因此，Ki-67 高表達通常提示不受控制的細胞增殖，與腫瘤的分型、分級以及手術(shù)后復(fù)發(fā)有關(guān)[34]。在Zhao 等[35]分析了來自2 個中心共371 例病人的影像資料，以5%為Ki-67 指數(shù)閾值分為高、低表達組，LR 多因素分析表明腫瘤內(nèi)壞死和最大直徑與Ki-67 的高表達獨立相關(guān)，通過線性判別分析算法建立基于影像組學(xué)特征和臨床特征的聯(lián)合模型，預(yù)測性能較好，該模型的AUC、準(zhǔn)確度、敏感度和特異度分別為0.837、0.810、0.857 和0.0771。Khanna 等[36]研究MRI 影像組學(xué)預(yù)測WHO 1 級腦膜瘤的Ki-67 表達，以5%為Ki-67指數(shù)閾值進行分組，應(yīng)用LASSO 回歸算法建立模型，在訓(xùn)練集中AUC、敏感度和特異度為0.84、84.1%和73.3%，在驗證集中為0.83、82.6%和85.5%。在2021 年的歐洲神經(jīng)腫瘤學(xué)會（EANO）指南[4]中提出手術(shù)是生長快速腦膜瘤的主要治療方法，對于偶然發(fā)現(xiàn)生長緩慢的腦膜瘤建議隨訪觀察，因此術(shù)前預(yù)測腦膜瘤Ki-67 有利于指導(dǎo)治療策略的制定，進行個性化治療，并且能夠輔助制定科學(xué)的隨訪方案。

3 問題與展望

目前，MRI 影像組學(xué)在腦膜瘤方面的應(yīng)用仍處于初始階段，現(xiàn)有研究尚存在一些局限。（1）大部分研究中涉及的樣本量較少，導(dǎo)致部分數(shù)據(jù)源于成像數(shù)據(jù)隊列而非病變的異質(zhì)性特征，可能會導(dǎo)致模型過擬合。（2）一些研究設(shè)計為單中心研究，缺乏外部驗證，這可能會造成影像組學(xué)特征的可重復(fù)性低，研究結(jié)果表現(xiàn)得過于令人滿意等，在未來需進行更多前瞻性的多中心大型研究，以提高在不同人群中的適用性。（3）目前大部分腦膜瘤MRI 影像組學(xué)的研究主要集中于分型、分級，對于預(yù)后、分子標(biāo)志物等均較少，這可能是由于大部分腦膜瘤為良性且生長緩慢，腫瘤分型分級信息更易獲得，但分型分級并不能準(zhǔn)確預(yù)測預(yù)后。在2021 年WHO 中樞神經(jīng)系統(tǒng)腫瘤分類（第5 版）中增加高級別腦膜瘤的分子標(biāo)志物，這可能會促使腦膜瘤MRI 影像組學(xué)在分子標(biāo)志物方面研究趨于深入。（4）現(xiàn)在大部分研究均采用手動分割的方式，但手動分割主要是基于觀察者的經(jīng)驗，這可能會增大觀察者間的差異造成選擇偏倚；自動分割雖然具有自動化、人力成本低、可充分利用數(shù)據(jù)等優(yōu)點，但目前自動分割的高質(zhì)量精準(zhǔn)實現(xiàn)仍面臨很大的挑戰(zhàn)，如需要大量高質(zhì)量數(shù)據(jù)進行訓(xùn)練等。圖像生物標(biāo)志物標(biāo)準(zhǔn)計劃的提出有助于解決該問題，該計劃將推動實現(xiàn)提取圖像生物標(biāo)志物的標(biāo)準(zhǔn)化，獲取更高質(zhì)量的圖像數(shù)據(jù)也是臨床試驗中引入影像組學(xué)工具的可靠基礎(chǔ)[37]。

盡管MRI 影像組學(xué)仍存在諸多問題，但作為一種新興定量診斷的技術(shù)，可用于腦膜瘤的精確診斷、基因表達檢測、治療效果評價、生存期預(yù)測等方面。隨著MRI 影像組學(xué)研究方法的規(guī)范，提取影像生物標(biāo)志物的標(biāo)準(zhǔn)化，以及多中心大型研究的展開，MRI 影像組學(xué)將輔助腫瘤精準(zhǔn)醫(yī)療在臨床決策中的推進。