基于ADC和增强MRI的影像组学模型预测低级别胶质瘤TERT启动子突变状态

卢俊， 李祥， 黎海亮

胶质瘤是颅内常见原发性肿瘤，2016年世界卫生组织(WHO)将分子标志物纳入胶质瘤的诊断中，进一步阐明了分子特征在诊断、治疗和预后评估中的价值[1,2]。如异柠檬酸脱氢酶(isocitrate dehydrogenase，IDH)突变型胶质瘤较野生型预后更好(突变型和野生型分别为31个月和15个月)[3]；端粒酶逆转录酶基因(telomerase reverse transcriptase,TERT)启动子突变是成人胶质瘤中最常见的单基因突变。有研究表明，TERT突变对低级别胶质瘤和胶质母细胞瘤的预后影响不同，TERT突变的低级别胶质瘤患者预后较好，而TERT突变的胶质母细胞瘤患者预后较差[4]。最新癌症基因组图谱将WHO Ⅱ级和Ⅲ级胶质瘤归入弥漫性低级别胶质瘤[5](low-grade gliomas，LGGs)，TERT突变多发生于IDH突变和1p19q共缺失的少突胶质瘤中，TERT突变在星形细胞瘤中的发生率低于少突胶质瘤。在少突胶质瘤和星形细胞瘤患者中，TERT突变均为患者预后较好的预测因子。TERT突变在低级别胶质瘤患者的发展中发挥了关键作用，对预后评估具有重要价值。近年来，随着精准治疗的研究深入，TERT启动子突变被证实参与下游细胞信号转导，其突变位点有望成为新的治疗靶点[6]。

然而，由于目前TERT突变的检出主要在活检或手术切除取得肿瘤组织后进行；耗时长、肿瘤异质性高等都是现有检测技术的缺点，在术前诊断的应用中具有一定局限性。随着影像检查技术的快速发展，术前利用影像特征无创预测分子标志物是一个可行的办法。有研究探讨形态学特征与TERT突变状态之间的关系，结果表明预测效能有限[7]。影像组学的发展，能够从常规MRI图像中高通量获取肿瘤特征并建立预测模型进行预测，既往在实体肿瘤分级分期中已经呈现出预测价值[8,9]，在胶质瘤IDH、1p/19q和Ki-67等分子标志物预测中也体现出术前预测价值[10-12]。随着TRET的诊断、治疗和预后价值被发现，亟需探讨影像组学特征与TERT突变状态之间的关系。故本研究旨在探讨术前MRI图像影像组学特征预测TERT启动子突变状态的价值。

材料与方法

1.病例资料

回顾性分析2019年1月至2021年3月在本院就诊的LGG患者的临床和影像学资料。病例纳入标准：①术后病理证实为弥漫性低级别胶质瘤；②术前2周行MRI检查；③具有完整的ADC和对比增强T1WI(T1CE)图像；④经Sanger测序获得TERT突变状态(包括C228T和C250T两个位点)。病例排除标准：①复发性肿瘤；②检查前接受过活检、放疗或化疗；③图像伪影严重或病理结果不全。最终，109例患者纳入本研究，按7:3的比例将其随机分为训练集(n=76)和验证集(n=33)。

2.MRI检查方法

MRI检查采用3.0T MRI 扫描仪(Skyra,Siemens,Germany)和8通道相控阵线圈。检查时患者取仰卧位头先进扫描模式。常规MRI扫描序列及参数：①轴面FSE T1WI：TR 2200 ms，TE 13 ms，矩阵320×320，层厚/层间距6/0.6 mm，激励次数1；②轴面FSE T2WI：TR 4940 ms，TE 125 ms，矩阵384×384，层厚/层间距6/0.6 mm，激励次数2；③轴面磁化准备快速梯度回波对比增强T1WI：TR 1700 ms,TE 2.5 ms,层厚/层间距1/0 mm,矩阵288×288,视野256 mm×256 mm，对比剂为钆喷酸葡胺，剂量0.1 mmol/kg，流率2.0～3.0 mL/s；④DWI采用单次激发SE-EPI序列，b值取0、 1000 s/mm2，TR 2610 ms，TE 55 ms，层厚/层间距6/0.6 mm，矩阵160×160，激励次数1，ADC图在工作站上由DWI自动生成。

3.图像后处理和特征提取

将ADC和T1CE图像以DICOM格式保存，将病灶最大且显示清晰的层面分别导入MaZda软件(4.6版，http://www.eletel.p.lodz.pl/mazda/)。然后将图像进行灰阶度标准化，使图像灰度在[μ-3σ，μ+3σ](μ和σ分别为平均灰度值和标准差)范围内。然后由两位分别具有5年和10年MRI诊断经验的放射科医生参考其他常规MRI图像，共同商量确定ROI后，在ADC和T1CE图像上选取病灶最大截面所在层面，沿肿瘤边缘手动勾画ROI(图1)。考虑到肿瘤异质性，应包含肿瘤全域，即包含囊变、坏死、钙化、出血等区域，但应避开正常的解剖结构。最终，每例患者提取到558个纹理特征，包括18个一阶特征：灰度直方图，490个二阶特征：灰度共生矩阵、游程矩阵、绝对梯度以及50个高阶特征：自回归模型、小波转换。

图1 星形细胞瘤患者，男，48岁，WHO Ⅲ级，TERT野生型。a)ADC图像中病灶最大径所在层面；b)红色区域为沿肿瘤边缘勾画的ROI；c)T1CE图像中病灶最大径所在层面；d)红色区域为沿肿瘤边缘勾画的ROI；e)ADC直方图；f)T1CE直方图。

采用三联法(Fisher：Fisher相关系数，POE+ACC：分类错误概率联合平均相关系数，MI：交互信息)对提取的特征进行降维，初步筛选具有预测价值的组学特征。

4.模型建立和模型评估

应用两种特征选择方法，即三联法(Fisher，POE+ACC，MI)和最小绝对收缩选择算子(least absolute shrinkage selection operator，LASSO)进行特征筛选。首先，采用三联法消除冗余特征；然后，采用LASSO回归分析并通过5折交叉验证筛选LASSO回归模型得到最优超参数λ值，在最优λ值时将系数非零的特征纳入模型；最后，行多因素logistic回归分析，构建影像组学预测模型。

本研究分别基于ADC、T1CE、联合序列(ADC+T1CE)的影像组学特征来建立3个影像组学预测模型，模型的预测能力采用受试者工作特征(receiver operating characteristic，ROC)曲线来评估。

5.统计学分析

使用R语言(Version 4.1.0，www.R-project.org)、SPSS 22.0和MedCalc 19.6软件进行统计分析。计数资料的组间比较采用卡方检验或Fisher确切概率法。计量资料的组间比较根据正态性和方差齐性分析结果分别采用独立t检验或Mann-WhitneyU检验。ROC曲线用于评估模型的预测效能，应用Delong检验来比较3个预测模型之间的差异。以P<0.05为差异有统计学意义。

结 果

1.一般资料

训练组(n=76)与验证组(n=33)患者的一般资料见表1，两组间性别、年龄、TERT突变状态、IDH突变状态、病理组织学类型差异均无统计学意义(P值均>0.05)。

表1 2组低级别胶质瘤患者的临床病理特征比较 (n，%)

2.构建影像组学预测模型

从ADC、T1CE和联合序列(ADC+T1CE)中分别提取出279、279和558个影像组学特征。经三联法分别筛选出30、25和55个特征。应用5折交叉验证筛选LASSO回归模型得到最优超参数λ值，最终分别选出5、3和6个影像组学特征建立3个影像组学预测模型(表2)。

表2 影像组学预测模型中的影像组学特征

3.模型验证和比较

应用ROC曲线评估3个模型的预测效能，联合分析模型在训练集(0.928)和验证集(0.878)中的曲线下面积(area under curve,AUC)均最大，预测效能最高(表3)。Delong检验结果显示，基于T1CE的预测模型与联合分析模型之间的AUC差异有统计学意义(P=0.007)，提示联合分析模型的预测效能明显优于T1CE模型；而基于ADC图像的预测模型与联合分析模型之间的AUC差异无统计学意义(P=0.396)，但ADC模型的敏感度欠佳。所以，本研究中联合分析模型(ADC+T1CE)的预测效能最佳(最优超参数λ见图2，ROC曲线见图3)。

图2 a) 联合分析模型：5折交叉验证筛选LASSO回归模型得到最优超参数λ值，即第一个虚线所对应的位置(最小均方差)； b) 通过图2a得到的λ值(红线所在位置)来寻找系数非零的特征，纵坐标为系数，下横坐标为log(λ)，上横坐标为模型中非零系数的个数。 图3 三个影像组学模型预测TERT突变状态的ROC曲线，联合分析(ADC+T1CE)模型预测效能最佳。a)训练集的ROC曲线；b)验证集的ROC曲线。

表3 三个影像组学模型在训练集和验证集中预测TERT突变状态的效能

讨 论

为了术前无创预测TERT启动子突变状态，本研究建立了基于ADC、T1CE和两者联合的影像组学模型并验证了其预测效能。本研究结果显示，3个影像组学模型均能有效预测TERT突变状态，且多序列联合分析能够提高预测效能。

TERT突变发生在转录起始点的上游，分别命名为C228T和C250T。TERT启动子突变会导致转录因子结合位点的揭开，调控端粒酶活性，与患者的预后密切相关，因此TERT突变位点有望成为新的治疗靶点[6]。TERT突变的低级别胶质瘤患者预后较好，所以，在低级别胶质瘤患者就诊初期，准确判断TERT启动子突变状态对患者具有重要的临床意义。

有研究尝试寻找与TERT突变相关的形态学特征，如肿瘤位置、增强容积、坏死容积以及坏死容积百分比等，结果表明大部分形态学特征在TERT突变与TERT野生两组间无显著差异[7,13]。Tian等[14]证实了高级别胶质瘤影像组学特征预测TERT启动子突变的可行性。随后，有研究开始探索影像组学特征术前预测低级别胶质瘤TERT突变状态的可能性[15]。本研究创新性地将ADC和T1CE图像的影像组学特征结合预测低级别胶质瘤患者的TERT启动子突变状态，结果显示多序列结合的联合分析模型展现出很好的预测效能，与杨易等[16]的结论一致。联合分析模型的预测效能高于单一影像组学模型，其预测效能较高可能得益于ADC图像和T1CE图像的结合。ADC图像主要反映水分子受限程度，从而反映细胞增殖程度；T1CE图像能够反映肿瘤血管生成情况。而且由于钆对比剂的引入、1 mm层厚的选择，相较于之前研究中选用的5.0 mm层厚[15]，可以更准确地反映肿瘤血管生成情况。ADC图像能给模型提供很多必要的信息，但是缺乏边界信息，刚好能与T1CE图像补充，与临床工作中的诊断经验一致。

Tian等[14]认为肿瘤坏死、坏死容积百分比与TERT突变状态有关。类似的，本研究将肿瘤囊变和坏死也纳入分析。预测效能最佳的联合分析模型(ADC+T1CE)包含了6个影像组学特征，包括2个一阶直方图特征和4个二阶纹理特征(灰度共生矩阵和绝对梯度)。一阶特征(灰度直方图)能够在像素水平上量化肿瘤的局部异质性，定量提供更多肿瘤相关特征[17]。灰度共生矩阵用灰度的空间分布表征纹理。由于粗纹理的灰度分布随距离的变化比细纹理缓慢得多，因此两者有完全不同的灰度共生矩阵。其中对比度、自相关、熵等纹理特征能够反映图像清晰度、相似程度和信息量的度量等纹理信息。胶质瘤由于基因突变状态差异而导致的肿瘤异质性，可以体现在纹理变化上，而这些肉眼无法观察的细节可以通过高通量提取影像组学特征来客观描述。因此，MRI影像组学模型的客观性和可行性在本研究中得到体现。然而，本研究预测模型中缺乏高阶纹理特征，笔者初步推测是由于ROI采取二维分割所致，今后将采用三维分析提取肿瘤全域纹理特征来验证。

本研究存在以下局限性：①样本量相对较少，只说明了IDH在两组中构成比没有差异，没有进一步分组分析不同IDH突变状态下模型的预测效能，今后将进一步扩大样本量进行分组研究，确保预测模型的普适性；②本研究采取二维分割，今后将对病灶进行三维分析，获取更多有效特征。

综上所述，常规MRI影像组学特征能够有效预测低级别胶质瘤TERT启动子突变状态，多序列联合能够提高预测效能，为制定个体化治疗方案提供参考依据。