Page 83 - 南京医科大学学报自然科学版

第44卷第3期 刘志鹏，降建新，吴琪炜，等. 基于多序列MRI影像组学与深度迁移学习特征的脑胶质瘤分级
2024年3月 预测研究［J］. 南京医科大学学报（自然科学版），2024，44（3）：372-379 ·373 ·

learning radiomics（DLR），to evaluate the efficiency of the models in predicting HGG and LGG. The SHAP method was subsequently
employed to quantify and attribute the importance of features though analysis after selecting the best model. Results：The ML model
constructed by DLR features based on combination of HCR and DTL exhibited the most superior predictive performance. Specifically，
when features were filtered using the support vector machine⁃recursive feature elimination（SVM⁃RFE）method，the support vector
machine（SVM）classifier model integrating T2，T1c and Flair sequences emerged as the best，achieving an area under receiver
operating characteristic curve（AUC）of 0.996（95% CI：0.991-1.000）on the validation set，with a Youden index，accuracy，sensitivity
and specificity of 0.920，0.976，0.988 and 0.932，respectively. On the test set，the model also displayed a great predictive capacity.
SHAP analysis highlighted that the Flair sequence had the greatest feature contribution，followed by the T2 and T1c sequences. Both
HCR and DTL teatures make significant contributions. Conclusion：The ML model，based on DLR features of multi⁃sequence MRI，is
effective in glioma grade prediction. The optimal model is the SVM classifier using T2，T1c and Flair sequences after SVM ⁃ RFE
selection.
［Key words］ gliomas；magnetic resonance imaging；hand⁃crafted radiomic；deep transfer learning；deep learning radiomics；predic⁃
tion model
［J Nanjing Med Univ，2024，44（03）：372⁃379］

脑胶质瘤是一类脑部常见的恶性肿瘤，年发病 统的影像组学需要人工提取图像特征，深度学习
［1］
率为 6/10 万~10/10 万 ，约占成人中枢神经系统 （deep learning，DL）可以通过卷积神经网络（convo⁃
［2］
（central nervous system，CNS）恶性肿瘤的 75% ，严 lutional neural network，CNN）进行特征提取，但这需
［7］
重危害人类的身体健康。根据脑胶质瘤组织学检 要许多数据集来理解数据之间的潜在关系 。深度
查的增殖程度、有丝分裂指数和坏死水平，可将其 迁移学习（deep transfer learning，DTL）是一种采用预
分为Ⅰ~Ⅳ级，其中Ⅰ、Ⅱ级为低级别胶质瘤（low⁃ 训练的 DL 网络，并对其进行微调以学习新任务的
grade glioma，LGG），手术易切除，Ⅲ、Ⅳ级为高级别 过程，便于深度学习影像组学（deep learning ra⁃
胶质瘤（high⁃grade glioma，HGG），多预后不良 ［3-4］ 。 diomics，DLR）在小型数据集中应用 ，这一策略近
［8］
LGG 占成人 CNS 原发恶性肿瘤的 6%，总生存期约 年来已成为研究热点 ［9-10］ 。目前，胶质瘤术前分级
7 年，但Ⅱ级LGG经常复发并最终发展为HGG 。因 预测方面应用手工影像组学（hand⁃crafted radiomic，
［5］
此，术前无创准确地预测胶质瘤分级，对脑胶质瘤 HCR）技术的研究较多，但这类研究多集中在单独
患者手术方案的制定和后续治疗计划的实施具有 或两个序列的 MRI 图像 ［11］ ，且基于多序列 MRI 的
重要意义。目前用于诊断胶质瘤的成像技术主要 DLR 模型预测脑胶质瘤分级的研究少有报道。因
为磁共振成像（magnetic resonance imaging，MRI），常 此，本研究旨在结合 DTL 和影像组学技术，提出一
见的 MRI 序列包括 T1、T2、T1c 和 Flair，这些序列分 种基于多序列MRI的DLR特征的辅助诊断策略，实
别从不同维度检测脑部肿瘤和其他神经系统疾 现脑胶质瘤的术前分级预测。
病。然而单一序列图像无法全面展现脑胶质瘤的
1 资料和方法
全部区域，可能会导致脑胶质瘤信息的丢失。因
此，临床医生通常需要结合不同序列图像来综合分 1.1 资料
析脑胶质瘤的位置和形状，以更好地诊断和治疗。 本 研 究 的 影 像 数 据 均 来 自 MICCAI 网 站 上
目前脑胶质瘤的术前分级主要依赖影像科医 BraTS2019数据集 ［12］ ，本研究使用了其中332例患者
生的主观判断，缺乏客观性。此外，在常规影像检 的影像数据，包括有 258 例 HGG 数据，74 例 LGG 数
查中，有些细节人工难以识别，因此寻找一种客观、 据。随机抽取 30 例 HGG 和 8 例 LGG 作为测试集使
稳定、可靠的分类方法至关重要 。在此形势下，影 用，其余 294 例数据作为训练集和验证集使用。
［6］
像组学应运而生。影像组学可以深入分析影像图 构建及验证分级预测模型的流程图见图1。每位患
片中肉眼无法识别的肿瘤特征以获取更多信息，结合 者均接受了 4 种 MRI 序列扫描，即 T1、T2、T1c 和
临床信息通过统计学或机器学习（machine learning， Flair 序列。4 个序列的原始图像和感兴趣区域（re⁃
ML）的方法进行分析，可以揭露更多关于肿瘤的组 gion of interest，ROI）的图像显示如图2所示。
织学特征、进展、甚至总生存率等方面的信息。传 将所有数据集内的胶质瘤图像去除颅骨，由经