弥漫性低级别胶质瘤（diffuse low⁃grade glioma， DLGG）通常指中枢神经系统（central nervous system， CNS）WHO 2~3级的胶质瘤^[1-2]。癫痫发作是DLGG 患者常见的首发症状之一，发生率为65%~90%^[3]。在大多数情况下，癫痫作为首发症状有助于患者及时诊断与治疗。DLGG患者的远期生存较好，10年疾病无进展生存率可达80%，良好的癫痫控制率对于改善预后和生活质量极为重要。然而，关于癫痫发作导致的 DLGG 患者远期生存差异的原因及促进 DLGG 癫痫发作的因素，目前仍知之甚少。一方面，出现癫痫的胶质瘤患者有可能早期发现疾病并及时干预；另一方面，也有几项研究表明，该生存差异背后的一个潜在机制可能是异柠檬酸脱氢酶 （isocitrate dehydrogenase，IDH）的突变或神经回路中突触和电的整合，而IDH的突变是已知的预后影响因素之一^[4-5]。此外，肿瘤的位置也会影响癫痫的发生，位于幕上和皮质的胶质瘤有更大的癫痫风险，额叶较枕叶胶质瘤癫痫发作风险较高^[6]。近年来，分子生物学和影像技术的发展促进了对胶质瘤的早期诊断和预后评估。已有一些基因组学研究确定了某些基因表达特征可预测DLGG患者的癫痫等临床症状及生存预后^[7-9]，但是这种预测方法是建立在取得组织标本并检测到特定基因表达的基础上的，经济代价较高，也不具有人群的普适性，因此寻找更经济、便捷、普适和无创的预测方法是临床亟待解决的任务。已有越来越多的影像组学研究表明患者影像资料中的影像特征有助于对癌症临床症状、病理分型、基因突变以及生存预后进行有效的评估^[10-11]。因此，基于 DLGG 患者术前 MRI 建立癫痫风险评分，并结合临床指标进行预后评估具有非常重要的临床价值。本研究在DLGG患者中构建了预测模型，帮助初步评估患者发生癫痫的概率以及远期生存情况，有助于采取更有效和个体化的治疗策略。

1 资料和方法

1.1 资料本研究

本研究纳入的患者临床资料来源于癌症基因组图谱（the cancer genome atlas，TCGA）数据库，影像资料来源于癌症影像数据库（the cancer imaging archive，TCIA）^[12]（https：//www.cancerimagingarchive.net/）。本研究筛选出低级别胶质瘤（low grade glioma，LGG） 研究队列中在 TCIA 共享术前多序列 MRI（T1、T1⁃ Gd、T2、T2⁃FLAIR）资料的患者组成研究队列，纳入标准：①病理诊断为 WHO 胶质瘤分级 CNS 2 级和 3 级；②具有完整的临床资料，如年龄、性别、肿瘤病理分级及手术、放化疗等治疗情况；③有完整的随访资料。其中，研究人群的基线临床资料从 TCGA数据库获取，研究队列按照7∶3随机划分训练集和验证集，训练集人群的数据用于模型构建，验证集人群的数据用于检验模型预测效能。

1.2 方法

1.2.1 建立并验证风险评分公式

本研究收集并使用TCIA影像数据库提供的影像数据集（BraTS⁃TCGA⁃LGG^[13]），该影像数据集包括部分 TCGA⁃LGG 队列人群的术前 MRI 影像及勾画完成的感兴趣区（region of interest，ROI）肿瘤标签，肿瘤分割ROI由自动混合生成⁃判别方法产生，并由影像科医生手动纠正。最终的ROI用于提取肿瘤靶区内丰富的影像特征，包括强度、体积、形态、直方图和纹理参数，以及从胶质瘤生长模型中提取的空间信息和扩散特性。该数据集提供的ROI标签可以进行定量计算和临床研究，而无需重复手动注释，同时允许跨研究进行比较。

本研究首先选用最小冗余及最大相关（minimum redundancy-maximum relevance，MRMR）算法进行特征与癫痫的相关性分析与排序^[14]，即最大化特征与癫痫事件之间的相关性，而最小化特征与特征之间的相关性。研究者通过排序后选择相关性排名前 10%的特征。最小冗余⁃最大相关算法使用 MATLAB软件实现。

随后，进一步使用最小绝对收缩和选择算子 （least absolute shrinkage and selection operator，LASSO） 方法进行候选预测特征的筛选。筛选出的预后影像特征用于如下建模：癫痫风险评分（radiomic score，Rad⁃score）=（β特征1×特征1的参数值）+（β特征 2×特征 2 的参数值）+（β特征 3×特征 3 的参数值）+ ···+intercept。β特征代表该特征的回归系数， intercept代表公式截断值。

使用 R 软件中的“Optimal Cutpoints”包通过约登指数寻找 Rad⁃score 的风险阈值，使用阈值将人群分为癫痫发生高低风险群组。使用“pPOC”包对训练集和验证集进行模型的内部及外部验证，并计算 AUC 指标评估模型的预测效能。通过 Kaplan⁃Meier 生存分析法比较高低风险组间的5年 OS差异。

1.2.2 构建及评估癫痫预测列线图

将总人群队列的 Rad⁃score 结合临床特征（年龄、性别、肿瘤分化级别）使用R软件中的“rms”包通过 Logistic 回归分析法建立癫痫发生概率列线图。进一步使用决策曲线分析法（decision curve analysis， DCA）比较“影像⁃临床模型”、“影像模型”、“临床模型”在预测癫痫发生中的净获益率。

1.2.3 构建及评估远期生存列线图

将总人群队列的 Rad⁃score 结合临床特征（年龄、性别、肿瘤分化级别）使用R软件中的“rms”包通过Cox回归分析法建立3年、5年OS列线图，并绘制矫正曲线验证列线图评估效果。将总人群按照列线图得分的中位数分为高危组和低危组，对高、低危组人群进行生存差异分析评估列线图危险分层作用。

1.3 统计学方法

本研究所有的统计学分析均在 R 软件（version 4.0.3）上进行，非正态分布的数据以中位数（四分位数）[M（P₂₅，P₇₅）]表示，两组间比较使用非参数检验。定性资料用例数（百分率）[n（%）]表示，两组间比较采用卡方检验或Fisher确切概率法，P <0.05为差异有统计学意义。

2 结果

2.1 训练集及验证集患者基线特征比较

将64例DLGG患者按照7∶3随机抽取组成训练集（n=44）和验证集（n=20）队列。表1总结了两个队列中的患者人口统计学和临床特征。对于年龄、性别、肿瘤分化级别、肿瘤位置、肿瘤病理分型、治疗方式以及临床症状等基线资料在训练集和验证集的患者之间均无统计学差异。

2.2 Rad⁃score的建立与验证

从 MRMR 算法中按大小排名筛选出与癫痫交互信息前10%的26个影像特征。进一步使用Lasso 回归分析进行特征降维，并通过5次交叉验证最终保留10个特征构建预测模型如下：（-177.372 7）× TEXTURE_GLCM_NET_FLAIR_Energy+（-0.019 314 03） ×SPATIAL_Temporal+（-0.020 116 91）×SPATIAL_ Cere +（0.198 603 7）× TGM_p1+（-9.113 503）×TEX⁃ TURE_GLCM_NET_T1Gd_Homogeneity+（-0.206 468 6） × SPATIAL_CC_Forni ×+（-0.000 012 640 65）× VOL⁃ UME_ET+（-0.000 006 021 123）×VOLUME_TC+ （-0.000 012 640 65）×VOLUME_ET+（-0.032 929 46） ×VOLUME_ET_OVER_NET+4.166 355（图1A、B）。

通过约登指数确定 Rad⁃score 风险阈值为-1.098 0，将 64 例 DLGG 患者按癫痫发作风险分为高风险组（n=31）及低风险组（n=33）。瀑布图（图1C）中显示了高低风险组人群中的癫痫阳性率情况，高风险组中癫痫阳性率为 80.6%（25/31），低风险组中癫痫阳性率为 27.3%（9/33）。使用 pROC 软件包计算模型在训练集及验证集中受试者工作特征（receiver operating characteristic，ROC）曲线下面积（area under curve，AUC）指标分别为 0.900 和 0.636。Kaplan⁃Meier分析显示（图1D），与低风险组患者相比，高风险组患者的 5 年总生存率（overall survival，OS）较差（P=0.029）。其中，低风险组患者 5 年生存率达 80%且未达中位生存时间。高风险组患者5年生存率低于50%，中位总生存时间约为 44个月。

2.3 建立及评估“影像⁃临床”预测癫痫列线图

结合临床特征（年龄、性别及肿瘤分级）和放射组学模型开发了“影像⁃临床”癫痫列线图以预测患者癫痫发作的概率（图2A）。在决策曲线分析中 （图2B），“影像⁃临床模型”及“影像模型”在阈风险值0~1之间净获益率方面均没有明显差异，而这两个预测模型在阈风险值为0.2~0.6之间的净获益率明显高于单纯的“临床模型”。

2.4 建立及评估“影像⁃临床”生存列线图

结合临床特征（年龄、性别及肿瘤分级）和放射组学特征开发了“影像⁃临床”生存列线图以评估患者3年、5年生存概率（图3A）。该列线图的校准曲线显示，在总体人群中预测结果与实际结果表现出良好的一致性（图3B）。列线图的 C 指数在总人群队列中为0.812。将列线图生存评分中位数（118.9） 作为风险阈值，将总人群分为生存高危组和生存低危组，两组间的 Kaplan⁃Meier 生存分析显示 5 年的 OS存在显著差异（P=0.008，图3C）。

3 讨论

癫痫通常是胶质瘤患者，尤其是DLGG患者的首发症状。Scott等^[15] 首次在1 980例脑胶质瘤患者中证实了癫痫发作与预后之间的关系。进一步的研究表明，患者的性别、年龄、肿瘤分级、肿瘤定位、诊断时机和 IDH 突变状态都可能会影响出现癫痫发作的胶质瘤患者的生存结果^[15]。因此结合临床指标与癫痫发生风险模型预测远期生存对DLGG的诊疗具有显著的临床指导意义。Li 等^[16] 通过筛选有无癫痫发作人群的差异基因建立了癫痫相关基因风险模型，但基因检测由于方便性和经济原因，在临床工作存在局限性。已有影像组学研究开发了多种临床特征的预测模型，包括生存结果，肿瘤突变符合和 IDH 突变状态。本研究利用影像工程方法基于DLGG患者术前MRI中的肿瘤影像特征建立了癫痫预测模型，对DLGG患者进行癫痫风险及预后的无创性预测与评估。本研究所使用的影像特征提取方法在2015年国际多模型脑肿瘤图像分割挑战比赛曾中被评为最佳表现方式。研究者基于术前MRI影像（T1、T1⁃Gd、T2、T2⁃FLAIR）提取了若干种影像特征，包括强度、体积、形态学、直方图、纹理参数、空间信息以及从肿瘤生长模型（tumor growth model，TGM）^[17-19] 提取了胶质瘤扩散特性。这些特征已被报道在脑胶质瘤病理诊断、分子分型、生存预后、复发与转移等多方面中具有较好的预测价值^[20-22]。考虑到包含不相关的特征可能会导致预测模型中的过度拟合或偏差，因此，我们使用了最小冗余⁃最大相关算法计算特征与癫痫的交互信息并进行特征排序^[14]。选择前 10%的特征进一步使用 Lasso 回归，最后保留了优先有助于癫痫预测并实现相对较好的预测性能的 10 个关键特征。其中包括 4 个体积特征、3 个空间特征、2 个纹理特征以及1个脑胶质瘤生长模型参数（TGM_p1）。本研究发现，除了肿瘤生长模型参数TGM_p1与癫痫发生呈现正相关外，其余9个特征均与癫痫发作呈负相关。

A：26个影像特征的相关性系数与lnλ的变化关系；B：5次交叉检验基于Lasso方法的偏似然偏差映射；C：预测模型可视化瀑布图，x轴代表按照Rad⁃score从低到高患者的排序，y轴代表患者的Rad⁃score，x轴上方为高风险组，x轴下方为低风险组；D：不同癫痫发生风险患者5年OS差异。

A：“影像⁃临床”癫痫预测列线图，坐标轴代表各指标赋予的分值，概率坐标轴代表癫痫发作的概率；B：3个预测模型比较的决策分析曲线， x轴代表所用诊断模型的风险阈值，y轴代表达到该风险阈值并采取某种干预措施时，患者的净获益率：真阳性患者×干预措施对真阳性患者的获益值-假阳性患者×干预措施对假阳性患者的损害值。

A：影像-临床列线图，坐标轴代表各指标赋予的分值，生存坐标轴代表3年、5年的生存概率；B：3年、5年生存列线图矫正曲线，x轴为预测生存情况，y轴为实际生存情况；C：列线图高低危风险组的5年OS曲线图。

近年来，肿瘤生长模型的开发使预测肿瘤的潜在侵袭能力成为可能，肿瘤生长模型将MRI与基于肿瘤反应扩散模型的时间序列相结合，定量化地描述了脑胶质瘤中胶质细胞的增殖⁃侵袭能力和肿瘤在发展过程中不同时间的稳定性，并可预测肿瘤的演变。本研究发现肿瘤的动态生长和侵袭能力增加了癫痫发作的风险，将TGM用于脑胶质瘤的病理分型、治疗疗效和复发转移等在今后的临床研究中有潜在的应用价值。

此外，4 个影像体积特征对癫痫发生影响均为负相关，按照回归系数绝对值大小排序，从大到小依此为强化区与非强化区比值、强化区、瘤床、瘤床+水肿区。因此，本研究认为T1Gd增强序列中肿瘤强化区域越小，癫痫发生风险越大。同时，有研究分析胶质瘤T1加权成像与分子病理的关系，发现胶质瘤的强化区体积与血管内皮生长因子（vascular endothelial growth factor，VEGF）的表达呈正相关，与 IDH⁃1突变呈负相关。因此，T1增强序列可能对胶质瘤的临床及病理诊断方面存在很大指导意义。 Van Breemen等^[23] 发现肿瘤的位置也会影响癫痫发生的风险。肿瘤累及额叶、颞叶和顶叶后出现癫痫发作的风险高于枕叶，而幕下肿瘤（包括小脑、脑桥、延髓）很少引起癫痫发作。同时难治性癫痫在累及中颞叶和岛叶（边缘叶）结构的肿瘤中尤为常见^[24]。这与颞叶和岛叶皮层的高致痫性有关。本研究所构建的风险模型筛选出了3个空间特征，包括肿瘤分别占小脑、颞叶、胼胝体、穹窿、扣带回的比例。虽然回归系数显示均与癫痫发生呈现负相关，究其原因，可能是由于与TGM参数相比，肿瘤空间参数对癫痫的促进影响并不显著。另一方面，小脑侵犯比例较颞叶侵犯所起的负贡献值相对更大，因此，小脑肿瘤较颞叶肿瘤更不易发生癫痫。这与以往研究所得出的结果一致。本研究发现特殊结构如胼胝体及扣带回侵犯对癫痫发生也有贡献。其中，胼胝体调节两个大脑半球之间的功能连接和整合，其遭受侵犯时导致的神经损伤可能促进了癫痫的发生^[25]。扣带回作为额叶的一部分，该部位的胶质瘤通常以额叶癫痫作为首发症状^[26]。

本研究模型中呈现负相关最大的2个影像特征均为灰度共生矩阵（grey⁃level co⁃occurrence matrix， GLCM）类的纹理特征（GLCM⁃energy、GLCM⁃homoge⁃ neity），GLCM⁃energy显示肿瘤能量的均匀性，GLCM⁃ homogeneity显示肿瘤组织的同质性^[27]，肿瘤同质性的大小通常与肿瘤的恶性程度呈现负相关，由此，本研究认为异质性越大的脑胶质瘤发生癫痫的风险越高。然而，有研究却表明，更高的肿瘤均匀性表明更高的癫痫风险^[28]。这与本研究所得结果产生了分歧，关于脑瘤异质性和癫痫风险的关系尚未有研究阐明，其中机制还亟待今后的深入探索。

本研究开发的放射组学特征模型成功地根据癫痫风险对患者进行了分层，将放射组学特征和临床特征纳入列线图，进一步促进了癫痫发作及远期生存情况的预测。此前，Liu 等^[28] 基于低级别胶质瘤患者的术前 MRI 影像也建立了相关癫痫风险模型。本研究在其基础上，进一步将影像风险评分结合临床指标构建了 3 年、5 年列线图，与单纯的临床特征相比，在预后方面呈现了更好的预测能力。总之，模型结合了放射组学特征和临床特征，可以对DLGG相关癫痫的风险进行无创性及个体化的评估。

本研究仍有一些局限性，根据2021年最新发布的第五版 WHO 中枢神经系统肿瘤分类，将组织病理学与分子分型相结合对胶质瘤进行诊断，无疑是提高了分子诊断在中枢神经系统肿瘤分类及危险分层中的地位^[2]。这一新增诊断方式使得今后弥漫性胶质瘤的诊断和治疗更加精准化。然而由于本研究队列在TCGA数据库中提供的分子诊断指标上并不全面，因此本研究所建立的风险模型并未纳入相关指标，在今后的研究中有必要将该方面的指标纳入模型分析。此外，本研究纳入样本量偏少，在多中心进行模型的普适性验证是必要的，同时一些结果如肿瘤的异质性与癫痫风险的相关性等有待后续前瞻性临床研究验证。尽管有这些缺点，本研究结果仍然表明，通过影像组学建立的癫痫风险模型可以有效地帮助肿瘤医生无创预测DLGG相关癫痫的发生。

参考文献