Page 110 - 南京医科大学学报自然科学版
P. 110
第43卷第4期
·548 · 南 京 医 科 大 学 学 报 2023年4月
桥、延髓)很少引起癫痫发作。同时难治性癫痫在 研究队列在TCGA数据库中提供的分子诊断指标上
累及中颞叶和岛叶(边缘叶)结构的肿瘤中尤为常 并不全面,因此本研究所建立的风险模型并未纳入
见 [24] 。这与颞叶和岛叶皮层的高致痫性有关。本 相关指标,在今后的研究中有必要将该方面的指标
研究所构建的风险模型筛选出了 3 个空间特征,包 纳入模型分析。此外,本研究纳入样本量偏少,在
括肿瘤分别占小脑、颞叶、胼胝体、穹窿、扣带回的 多中心进行模型的普适性验证是必要的,同时一些
比例。虽然回归系数显示均与癫痫发生呈现负相 结果如肿瘤的异质性与癫痫风险的相关性等有待
关,究其原因,可能是由于与TGM参数相比,肿瘤空 后续前瞻性临床研究验证。尽管有这些缺点,本研
间参数对癫痫的促进影响并不显著。另一方面,小 究结果仍然表明,通过影像组学建立的癫痫风险模
脑侵犯比例较颞叶侵犯所起的负贡献值相对更大, 型可以有效地帮助肿瘤医生无创预测DLGG相关癫
因此,小脑肿瘤较颞叶肿瘤更不易发生癫痫。这与 痫的发生。
以往研究所得出的结果一致。本研究发现特殊结 [参考文献]
构如胼胝体及扣带回侵犯对癫痫发生也有贡献。
[1] 王 康,靳 峰. 弥漫性低级别胶质瘤的临床影像学及
其中,胼胝体调节两个大脑半球之间的功能连接和
分子病理分型的相关研究进展[J]. 中华神经医学杂
整合,其遭受侵犯时导致的神经损伤可能促进了癫
志,2020,19(6):562-565
痫的发生 [25] 。扣带回作为额叶的一部分,该部位的 [2] 杨学军,陈 宏,李佳博,等. 2021 年世界卫生组织中
[26]
胶质瘤通常以额叶癫痫作为首发症状 。 枢神经系统肿瘤分类(第五版)整合及分层诊断解读
本研究模型中呈现负相关最大的2个影像特征 [J]. 中国现代神经疾病杂志,2021,21(9):764-768
均为灰度共生矩阵(grey⁃level co⁃occurrence matrix, [3] SOLOMONS M R,JAUNMUKTANE Z,WEIL R S,et al.
Seizure outcomes and survival in adult low⁃grade glioma
GLCM)类的纹理特征(GLCM⁃energy、GLCM⁃homoge⁃
over 11 years:living longer and better[J]. Neuro Oncol
neity),GLCM⁃energy显示肿瘤能量的均匀性,GLCM⁃
Pract,2020,7(2):196-201
homogeneity 显示肿瘤组织的同质性 [27] ,肿瘤同质性
[4] CHEN H,JUDKINS J,THOMAS C,et al. Mutant IDH1
的大小通常与肿瘤的恶性程度呈现负相关,由此,
and seizures in patients with glioma[J]. Neurology,2017,
本研究认为异质性越大的脑胶质瘤发生癫痫的风
88(19):1805-1813
险越高。然而,有研究却表明,更高的肿瘤均匀性 [5] VENKATESH H S,MORISHITA W,GERAGHTY A C,
表明更高的癫痫风险 [28] 。这与本研究所得结果产 et al. Electrical and synaptic integration of glioma into
生了分歧,关于脑瘤异质性和癫痫风险的关系尚未 neural circuits[J]. Nature,2019,573(7775):539-545
有研究阐明,其中机制还亟待今后的深入探索。 [6] ZHANG J,YAO L,PENG S P,et al. Correlation between
本研究开发的放射组学特征模型成功地根据 glioma location and preoperative seizures:a systematic re⁃
view and meta⁃analysis[J]. Neurosurg Rev,2019,42(3):
癫痫风险对患者进行了分层,将放射组学特征和临
603-618
床特征纳入列线图,进一步促进了癫痫发作及远期
[7] ZHOU Z G,HUANG R Y,CHAI R C,et al. Identification
生存情况的预测。此前,Liu 等 [28] 基于低级别胶质
of an energy metabolism⁃related signature associated with
瘤患者的术前 MRI 影像也建立了相关癫痫风险模
clinical prognosis in diffuse glioma[J]. Aging,2018,10
型。本研究在其基础上,进一步将影像风险评分 (11):3185-3209
结合临床指标构建了 3 年、5 年列线图,与单纯的 [8] JANG B S,KIM I A. A radiosensitivity gene signature and
临床特征相比,在预后方面呈现了更好的预测能 PD⁃L1 predict the clinical outcomes of patients with lower
力。总之,模型结合了放射组学特征和临床特征, grade glioma in TCGA[J]. Radiother Oncol,2018,128
可以对DLGG相关癫痫的风险进行无创性及个体化 (2):245-253
的评估。 [9] AHLUWALIA P,MONDAL A K,BLOOMER C,et al.
Identification and clinical validation of a novel 4 gene ⁃
本研究仍有一些局限性,根据2021年最新发布
signature with prognostic utility in colorectal cancer[J].
的第五版 WHO 中枢神经系统肿瘤分类,将组织病
Int J Mol Sci,2019,20(15). 3818
理学与分子分型相结合对胶质瘤进行诊断,无疑是
[10] CHEN H,LIN F,ZHANG J,et al. Deep learning ra⁃
提高了分子诊断在中枢神经系统肿瘤分类及危险 diomics to predict PTEN mutation status from magnetic
[2]
分层中的地位 。这一新增诊断方式使得今后弥漫 resonance imaging in patients with glioma[J]. Front On⁃
性胶质瘤的诊断和治疗更加精准化。然而由于本 col,2021,11:734433