European Radiology：基于多参数MRI的机器学习模型预测脑膜瘤患者WHO分级

脑膜瘤是最常见的原发性颅内良性肿瘤，约占中枢神经系统肿瘤的36.1%。全世界每年的发病率为每100万人50.4至76.1例。脑膜瘤患者中女性比男性更常见，并且随着年龄的增长而增加。虽然脑膜瘤通常被认为是良性肿瘤，但有一部分脑膜瘤表现出侵袭性的生物学和临床行为。根据CBTRUS在2021年的报告，2014年至2018年期间，高级别脑膜瘤(WHO II级和III级)占所有新诊断脑膜瘤的19.9%。高级别脑膜瘤与高复发率和预后差有关，在10年随访中，其复发率比低级别脑膜瘤高30-50%。此外，高级别脑膜瘤和低级别脑膜瘤的手术方案和术后治疗有显著差异。因此，术前对脑膜瘤分级的了解在临床上十分重要。

迄今为止，影像学检查仍然是脑膜瘤术前诊断的重要方法。特别是磁共振成像(MRI)具有组织造影剂好、无骨伪影、多面成像[等优点，是目前术前诊断和高级别、低级别脑膜瘤鉴别诊断的首选影像学方案。研究显示，高级别和低级别脑膜瘤在肿瘤位置、形状、大小、脑肿瘤界面(BTI)、肿瘤坏死、非均匀性肿瘤强化、瘤周水肿体积(PEV)等常规MRI影像学特征上存在不同程度的差异。先进的成像技术，包括弥散加权MRI成像和正电子发射断层扫描，也很有临床前景。然而在这些研究中，评估的特征是主观和定性的，高度依赖于神经外科医生或神经放射学家的经验和专业知识，因此限制了在临床实践中的应用。

放射组学是一种新兴的成像分析方法，可以克服这些局限性。放射组学利用强大的计算机图像处理能力和多种大数据挖掘方法提取多维特征，尽管这些特征很难从视觉上获得，但保留了与研究相关的信息，如数字加密医学图像(CT、MRI和PET)中的一阶、形状、纹理和滤波变换特征。这些客观特征可以准确地量化表型，并提供图像中感兴趣区域(ROI)的潜在病理生理信息，同时避免了人工阅读造成的主观差异。

近日，发表在European Radiology杂志的一项研究建立并验证了一种结合多参数MRI和临床指标的脑膜瘤WHO分级图，为临床进行早期的脑膜瘤分级诊断提供了技术支持。

本研究纳入了568例经病理诊断为脑膜瘤的患者。首先，从CE-T1、T2和1 cm厚的肿瘤-脑界面(BTI)图像中提取放射组学特征。然后，依次使用差异分析、最小绝对收缩和选择算子，选出最具代表性的特征。接下来，采用支持向量机算法预测脑膜瘤WHO分级。通过logistic回归构建放射组学特征和有价值临床指标的列线图模型。通过校准和临床有效性以及内部验证来评估列线图模型的性能。

瘤周水肿体积和性别是预测脑膜瘤分级的独立危险因素。结合CE-T1、T2和BTI特征的多参数MRI特征对脑膜瘤分级的预测效果更好，训练组和试验组的合并AUC分别为0.885 (95% CI, 0.821-0.946)和0.860 (95% CI, 0.788-0.923)。然后，与放射组学模型或临床模型相比，合并AUC = 0.912 (95% CI, 0.876-0.961)的列线图模型、联合放射组学评分、肿瘤周围水肿体积和性别提高了诊断效能，并显示出良好的校准性。此外，决策曲线分析表明，所提出的列线图模型临床效果令人满意。 

表 不同放射组学模型在训练组和试验组的诊断性能

本项研究表明，研究所提出的新的脑膜造影图可简单而有效地鉴别WHO脑膜瘤分级，可用于脑膜瘤患者的术前诊断及分级。

原文出处：

Zhen Zhao,Chuansheng Nie,Lei Zhao,et al.Multi-parametric MRI-based machine learning model for prediction of WHO grading in patients with meningiomas.DOI:10.1007/s00330-023-10252-8