脑膜瘤的MRI 影像组学应用进展

段梦瑾，张路，田齐，刘熙鹏*

脑膜瘤常通过MRI 检查进行影像学诊断。MRI不仅能提供肿瘤的形态、大小、密度及增强情况等结构信息，还能反映肿瘤的功能和代谢信息。随着MRI 技术和影像组学的发展，基于MRI 的影像组学方法也逐渐用于挖掘脑膜瘤深层影像信息，使得对脑膜瘤的病理分型、肿瘤侵袭性以及预后预测等成为可能。本文就MRI 影像组学在脑膜瘤中的应用进展进行综述。

1 影像组学概述

影像组学的概念由Lambin 等[1]于2012 年首次提出，即高通量地从图像中提取影像学特征进行定量分析。医学影像并非简单的图像，还可以反映身体的各种物理特征。影像组学能够将影像学特征转化为有意义和可进行发掘的数据，从中分析提取定量特征以反映潜在的病理生理学机制。MRI 影像组学的工作流程主要由4 个部分组成，包括图像采集、兴趣区（ROI）分割、影像特征提取与筛选、预测模型建立。其中采集高质量和标准化的图像是MRI影像组学的基础，然后通过手动或自动化方式完成ROI 分割并从中提取形状特征和一阶、二阶及高阶特征；再通过常规统计和机器学习的方法进行特征选择，保留有价值的影像组学特征以减少维数与过拟合；最后使用学习机器对影像组学特征和已知信息进行训练，从而建立需要的预测和诊断模型。

2 MRI 影像组学在脑膜瘤中的临床应用

脑膜瘤术前准确诊断对于治疗方案选择、预后评估等十分关键。病理学检查是一种可靠的诊断方法，但术前穿刺结果的等待时间较长，并且获取信息有限。而MRI 影像组学能够无创且较全面地获取肿瘤信息，对肿瘤进行评估并揭示其异质性，有利于辅助临床实现精准治疗。

2.1 术前分级与分型 在2021 年WHO 中枢神经系统肿瘤分类（第5 版）中，根据病理学分类特征将脑膜瘤分为3 级共15 个亚型[2]。WHO 1 级脑膜瘤在手术完全切除后可以获得较长的无进展生存期，但WHO 2、3 级脑膜瘤则表现出更积极的生物学行为和较差的临床预后，即使手术完全切除肿瘤，5 年复发率仍高达50%～90%，故常建议在手术后辅以放疗[3-4]。MRI 影像组学可以获取影像信息并进行定量分析，通过表征肿瘤异质性来预测脑膜瘤的分型分级，对脑膜瘤病人治疗方案的制定至关重要。

Park 等[5]从136 例脑膜瘤的增强T1WI、表观扩散系数（ADC）图以及部分各向异性图中提取影像组学特征，使用支持向量机（support vector machine,SVM）和递归特征消除（recursive feature elimination,RFE）算法进行特征选择，同时结合随机过采样技术的模型具有最佳分级效能，受试者操作特征曲线下面积（AUC）、准确度、敏感度和特异度分别为0.86、89.7%、75%和93.5%。Duan 等[6]评价188 例脑膜瘤病人的增强T1WI 和临床特征对脑膜瘤分级的预测价值，采用单因素分析选择临床风险因素构建临床模型，通过最小绝对值收敛和选择算子（least absolute shrinkage and selection operator, LASSO）回归算法筛选出9 个影像组学特征构建影像组学模型，结合临床风险因素及影像组学评分构建影像组学列线图，结果显示影像组学列线图（AUC 为0.952）预测脑膜瘤分级优于临床模型及影像组学特征（0.87、0.885），决策曲线分析显示影像组学列线图具有更大的净收益，提示MRI 影像组学对脑膜瘤分级具有较高的预测价值；其结合临床特征则能够进一步提高预测效能。Hu 等[7]在常规MRI（包括T1WI、T2WI、增强T1WI）、ADC 图以及磁敏感加权成像（susceptibility weighted imaging,SWI）影像上勾画ROI 并提取影像组学特征，采用随机森林（random forest,RF）算法共建立7 个影像组学模型，应用留一交叉验证法对模型进行评估。结果显示基于常规MRI、ADC、SWI 联合模型的预测价值最高（AUC 为0.84），提示多序列组合的MRI 影像组学相较于单序列在预测脑膜瘤分级方面具有更佳的效能。

在脑膜瘤分型方面，Zhang 等[8]基于增强T1WI和T2WI 鉴别移行性及非典型脑膜瘤，采用LASSO回归算法及逻辑回归进行特征选择，结合临床特征（性别）以及影像特征（肿瘤性状和局部脑侵犯）建立临床-影像组学模型，该模型的AUC 和敏感度在训练集和验证集中分别为0.809 和74%、0.795 和71.4%。Niu 等[9]基于术前增强T1WI 鉴别上皮型、纤维型及过渡型脑膜瘤，Fisher 判别模型的准确度为100%，验证模型的准确度为94.2%。由此可见，MRI影像组学有助于在术前对脑膜瘤亚型进行预测，有利于辅助临床治疗，但分型诊断主要集中于几种常见亚型，仍需增加对少见分型的研究。

2.2 鉴别诊断 颅内血管外皮细胞瘤（intracranial hemangiopericytoma,IHPC）与血管瘤型脑膜瘤在影像学上存在鉴别困难，并具有不同的生物学行为，IHPC 侵袭性和全身转移风险更高[10-11]。Fan 等[12]利用影像组学对IHPC 和血管瘤型脑膜瘤进行术前鉴别，应用弹性网络和RFE 算法得到6 个影像组学特征并构建影像组学模型，该模型在训练集和验证集中的效能均较高（AUC 均为0.900）；而进一步结合临床特征构建的临床-影像组学模型的效能则更高（AUC 为0.920 和0.910）。Wei 等[13]开发了一种鉴别IHPC 和脑膜瘤的诊断工具，即采用Akaike 信息准则选择最佳合并因子并应用逻辑回归（logistic regression，LR）算法，结合临床影像信息与影像组学特征构建了相应诊断模型，其在验证集与训练集中AUC 为0.985 和0.917。由此可见，MRI 影像组学能够鉴别IHPC，结合临床和影像组学特征的模型对脑膜瘤鉴别诊断的效能更高。

鞍旁海绵状血管瘤与血管瘤型脑膜瘤的影像学表现相似，但治疗策略的选择截然不同。Wang 等[14]分析3 个中心96 例鞍旁肿瘤病人，采用术前MRI鉴别鞍旁海绵状血管瘤与血管瘤型脑膜瘤，结果表明T2WI 和DWI 信号强度是两者鉴别诊断的独立预测因子，采用SVM 和K 邻近算法并基于T2WI 和DWI 特征构建的影像组学模型具有良好的预测效能（AUC＞0.9），且优于2 位神经影像学专家（AUC分别为0.756 和0.545）。鞍区的颅咽管瘤和脑膜瘤发病位置相同且具有相似的症状常需要进行鉴别，Tian 等[15]发现3 个影像组学特征对这2 种肿瘤具有较好的鉴别能力，这3 个特征与囊性改变明显相关，且囊性改变可以作为鉴别颅咽管瘤与脑膜瘤的独立预测因素。Maki 等[16]为鉴别脊髓神经鞘瘤和脑膜瘤，采用基于卷积神经网络的深度学习方法建立诊断模型，结果显示该模型鉴别诊断的准确性与影像专家的相当。综上所述，一些与脑膜瘤影像学表现相似但常规MRI 技术难以鉴别的疾病，MRI 影像组学方法可以进行鉴别诊断，有利于为脑膜瘤的治疗提供依据，制定适合的治疗策略。

2.3 术前预测肿瘤侵袭性肿瘤的脑侵袭与复发和不良预后独立相关[17-18]，是脑膜瘤重要的临床特性之一，同时也是非典型脑膜瘤诊断的独立标准[11]。Zhang 等[19]对瘤体分析，采用LASSO 回归算法筛选出16 个影像组学特征，并结合临床特征构建出对脑膜瘤脑侵袭鉴别能力最佳的模型，该模型在训练集中的AUC 和敏感度分别为0.857、72.83%，在外部验证集中为0.819、90.12%。Joo 等[20]对瘤周界面进行分析，认为瘤周水肿体积是脑侵犯的独立预测因子，在厚约1 cm 的瘤周界面中获得6 个影像组学特征，结合瘤周水肿体积建立的模型具有最佳的预测效能。而Li 等[21]通过获取语义特征、瘤体和瘤周界面中的影像组学特征，应用LR 算法建立不同的模型，发现基于瘤周界面影像组学特征所构建的模型优于基于瘤体影像组学特征构建的模型，前者在训练与验证集中的AUC 为0.829 和0.769，显著高于肿瘤影像组学模型的AUC（0.762 和0.701）；而基于语义特征、瘤体和瘤周界面的影像组学特征建立的联合模型具有最优诊断效能，在验证集和训练集中AUC 为0.905 和0.895。由此可见，瘤周界面对于预测脑侵犯十分重要，但目前仍需更多研究结果进一步验证其诊断效能，也提示了瘤周水肿在预测脑侵犯中的重要性，这与先前的研究[22]结果相似。

此外，目前的研究还聚焦于脑膜瘤骨侵犯与静脉窦侵犯。一项研究[23]纳入了1 469 个脑膜瘤病例，结果显示肿瘤的骨侵犯与肿瘤不完全切除相关，术前预测骨侵犯可以辅助手术策略的选择，有助于脑膜瘤Simpson 1 级切除。Zhang 等[24]从增强T1WI 和T2WI 中筛选出8 个影像组学特征，应用LR 算法建立了3 个影像组学模型，结果显示基于2 个序列的联合影像组学模型预测脑膜瘤骨侵犯效能最高（AUC 为0.722）。目前手术治疗对于静脉窦侵犯的脑膜瘤仍是一个挑战[25]。根据静脉窦浸润的程度需要选择不同的手术策略，但常规MRI 及腔内成像对静脉壁成像欠清，鉴别静脉血管结构和脑膜瘤仍存在困难。Sun 等[26]评价了深度学习预测静脉窦侵犯的效能，回顾性分析1 048 例脑膜瘤病人的增强T1WI 和T2WI 表现，结合肿瘤和肿瘤周围的多模态影像组学模型可以有效预测静脉窦侵犯，准确度达78.1%。脑膜瘤是否侵犯周围组织是影响治疗效果以及术后复发的重要因素，因此术前预测脑膜瘤对周围组织侵犯有助于指导术中决策，利于病人获取更长的无进展生存期，但目前相关研究不够完善，需前瞻性、多中心的研究进一步证实。

2.4 预后评估 尽管大多数脑膜瘤归为WHO 1 级，但这些肿瘤在手术切除后仍显示出早期进展复发的特征[27]；此外，位于颅底的脑膜瘤难以实现Simpson 1 级切除，进展复发的发生率也非常高[28]。Zhang 等[29]从60 例颅底脑膜瘤病人的T2WI、DWI、增强T1WI 中共提取99 个影像组学特征，利用RF算法筛选3 个组学特征，包括T1最大概率、T1集群阴影和ADC 相关性，应用决策树构建模型预测颅底脑膜瘤进展及复发的准确度为90%。Park 等[30]纳入155 例WHO 2 级脑膜瘤病人，中位随访时间63.8 个月，通过LASSO 回归算法筛选增强T1WI 和T2WI 特征，建立临床病理模型和临床病理-影像组学模型，组合模型预测进展复发的效能最佳，该模型的AUC、准确度、敏感度与特异度为0.78、75%、76.8%和73.1%；该研究还发现接受辅助放疗的病人表现出更长的无进展生存期和延迟复发。在另一项研究[31]中纳入303 例脑膜瘤病人，显示低球形度这一纹理特征与局部复发增加以及整体生存率下降有关，结合临床特征、影像学特征以及影像组学特征建立的模型具有良好预测效能，在预测局部复发和总体生存率方面的AUC 为0.73 和0.77。手术治疗是脑膜瘤的一线治疗方法，放射治疗则用于无法切除或无法完全切除的病人，Speckter 等[32]研究T1WI、增强T1WI、T2WI 及扩散张量成像（diffusion tensor imaging，DTI）预测伽马刀放射治疗后脑膜瘤的体积变化，对32 例脑膜瘤病人伽马刀术前MRI进行纹理分析得到78 个参数，结果显示DTI 参数与治疗后脑膜瘤体积减少相关性更强，T2WI 的标准差也可用于预测治疗成功。以上研究表明MRI 影像组学在术前可预测肿瘤进展复发及治疗效果，在脑膜瘤预后评估中具有重要意义，有助于选择治疗及随访的最佳方案。

2.5 Ki-67 的术前预测 Ki-67 是一种与增殖相关的核抗原，存在于细胞周期的所有活跃期和有丝分裂期，但在静止细胞中不存在[33]。因此，Ki-67 高表达通常提示不受控制的细胞增殖，与肿瘤的分型、分级以及手术后复发有关[34]。在Zhao 等[35]分析了来自2 个中心共371 例病人的影像资料，以5%为Ki-67 指数阈值分为高、低表达组，LR 多因素分析表明肿瘤内坏死和最大直径与Ki-67 的高表达独立相关，通过线性判别分析算法建立基于影像组学特征和临床特征的联合模型，预测性能较好，该模型的AUC、准确度、敏感度和特异度分别为0.837、0.810、0.857 和0.0771。Khanna 等[36]研究MRI 影像组学预测WHO 1 级脑膜瘤的Ki-67 表达，以5%为Ki-67指数阈值进行分组，应用LASSO 回归算法建立模型，在训练集中AUC、敏感度和特异度为0.84、84.1%和73.3%，在验证集中为0.83、82.6%和85.5%。在2021 年的欧洲神经肿瘤学会（EANO）指南[4]中提出手术是生长快速脑膜瘤的主要治疗方法，对于偶然发现生长缓慢的脑膜瘤建议随访观察，因此术前预测脑膜瘤Ki-67 有利于指导治疗策略的制定，进行个性化治疗，并且能够辅助制定科学的随访方案。

3 问题与展望

目前，MRI 影像组学在脑膜瘤方面的应用仍处于初始阶段，现有研究尚存在一些局限。（1）大部分研究中涉及的样本量较少，导致部分数据源于成像数据队列而非病变的异质性特征，可能会导致模型过拟合。（2）一些研究设计为单中心研究，缺乏外部验证，这可能会造成影像组学特征的可重复性低，研究结果表现得过于令人满意等，在未来需进行更多前瞻性的多中心大型研究，以提高在不同人群中的适用性。（3）目前大部分脑膜瘤MRI 影像组学的研究主要集中于分型、分级，对于预后、分子标志物等均较少，这可能是由于大部分脑膜瘤为良性且生长缓慢，肿瘤分型分级信息更易获得，但分型分级并不能准确预测预后。在2021 年WHO 中枢神经系统肿瘤分类（第5 版）中增加高级别脑膜瘤的分子标志物，这可能会促使脑膜瘤MRI 影像组学在分子标志物方面研究趋于深入。（4）现在大部分研究均采用手动分割的方式，但手动分割主要是基于观察者的经验，这可能会增大观察者间的差异造成选择偏倚；自动分割虽然具有自动化、人力成本低、可充分利用数据等优点，但目前自动分割的高质量精准实现仍面临很大的挑战，如需要大量高质量数据进行训练等。图像生物标志物标准计划的提出有助于解决该问题，该计划将推动实现提取图像生物标志物的标准化，获取更高质量的图像数据也是临床试验中引入影像组学工具的可靠基础[37]。

尽管MRI 影像组学仍存在诸多问题，但作为一种新兴定量诊断的技术，可用于脑膜瘤的精确诊断、基因表达检测、治疗效果评价、生存期预测等方面。随着MRI 影像组学研究方法的规范，提取影像生物标志物的标准化，以及多中心大型研究的展开，MRI 影像组学将辅助肿瘤精准医疗在临床决策中的推进。