胶质瘤的疗效预测和预后分析

　　术前分级及脑肿瘤鉴别诊断。应用影像组学方法对胶质瘤进行术前分级，筛选出114个影像组学特征，其中T1增强序列灰度共生矩阵的熵和GLCM的均匀性对于鉴别高低级胶质瘤具有很大潜力，最后提取8个相关性特征值，结果表明，受试者工作特征的曲线下面积为0.943。

　　多模态MRI影像组学特征可以区分胶质瘤亚型，在区分高、低级别胶质瘤中，AUC的最佳值为0.911。在某些影像学鉴别诊断中，MRI影像组学也有很大的临床应用价值。对143例术前MR多模式影像学表现进行分析，并结合逻辑回归分类器对中枢神经系统胶质瘤和原发性中枢神经系统淋巴瘤进行鉴别，结果AUC值为0.979,AUC值为0.938,AUC值为0.944。另外，Fetit等发现的图像组织学特征可用于儿童幕下脑肿瘤的鉴别分类，包括髓母细胞瘤、毛细胞星形细胞瘤和室管膜瘤。还有学者根据氟代脱氧葡萄糖摄取量和PET相关纹理特征来判断病灶的良恶性。

　　需要指出的是，虽然影像组学在帮助医生对成人或儿童的脑胶质瘤进行分级、同影不同瘤的鉴别和判断其良恶性等方面提供了诊断依据，但多以单中心或少模态的回顾性研究为主，很少以与磁共振灌注成像和弥散张量成像等相关组学研究为主。

　　胶质瘤基因表达状况判断。

　　由于脑胶质瘤手术活检获取基因数据的方法存在局限性，有学者认为影像组学与基因相关，无创地量化肿瘤基因异质性。例如Han等对Ⅱ、Ⅲ级胶质瘤染色体1p/19q共缺失状态的单中心回顾性术前预测研究，通过使用支持向量机进行分类，发现MRI影像组学特征可以有效地识别低级别胶质瘤的1p/19q状态。

　　它还可用于胶质母细胞瘤的基因预测。例如，利用卷积神经网络对多个机构胶质母细胞瘤患者术前MRI影像中的4个区(坏死区、水肿区、强化区域及非强化区)进行分析，最终筛选出6个与MGMT甲基化状态有关的影像组学特征，并建立预测模型，AUC值及准确率分别为0.88,80%。Chang等从TCIA数据库中获得256例胶质瘤患者的MRI图像数据，基于CNN算法提取ROI中与基因相关的影像组学特征，结果发现IDH预测的精确度达94%,1p/19q共同缺失状态达92%,MGMT启动子甲基化状态达83%。图像组学的所有特征都可以直接由深层神经网络算法提取，避免了由于特征分析带来的误差。

　　胶质瘤的疗效预测和预后分析。

　　以前的研究主要是根据病人的年龄、肿瘤的部位、大小、切除范围和传统影像学检查等因素来判断预后，尤其是根据病变的大小和是否加强来评价神经胶质瘤的治疗效果，但这些方法都存在局限性。利用影像组学方法挖掘肉眼无法识别的深部纹理特征，更有利于评估病变疗效和预测预后。对经替莫唑胺化疗的MGMT甲基化胶质母细胞瘤进行高通量提取，降维后建立了SVM分类模型，分类特异性和敏感性分别为88.80%和83.84%，与MGMT甲基化胶质母细胞瘤的检测结果基本一致。

　　放化疗前后的ADC图谱进行纹理分析，以评估放化疗后肿瘤的反应性，发现ADC图谱可作为高别胶质瘤治疗后进展情况的影像学标志，具有较高的临床疗效。Sanghani等根据肿瘤的形态、体积和纹理特征预测多形性胶质母细胞瘤的总生存期的研究表明，在患者组(生存期≤400d和>400d)中，SVM分类器的预测准确率为98.7%。Macyszyn等也报告了MRI纹理特征可以预测胶质母细胞瘤的生存期，发现SVM模型可以把病人的生存期划分为短期、中期和长期，准确率高达80%。

　　神经胶质瘤术后进展的真性与假性区别。

　　真、假两方面进展是脑胶质瘤后期治疗的关键。当前唯一准确的鉴别方法是组织活检术和短期临床影像学随访，这会导致患者再次受伤或延迟治疗。普通RANO标准又不能完全准确地鉴别假进展病例。可定量的MRI成像为两者的鉴别提供了一种新的方法。对31例患者的多参数MRI资料进行分析后，采用传统的SVM方法建立了真假性进展分类器，灵敏度为89.9%，特异性为93.7%,ROC曲线下面积为0.944。

　　而深度神经网络学习法也被认为有助于提高影像组学分析结果的准确性。例如Jang等人首次用长短时记忆模型和卷积神经网络相结合的方法研究胶质瘤手术后的真假性进展，并建立了包含MRI影像组学特征和临床资料的预测模型，结果发现在验证集中，预测模型的AUC值为0.83。研究表明，CNN相关模型的预测性能优于传统的随机森林模型。在鉴别胶质瘤的真假进展方面，可见影像组学具有一定的潜力。