脑胶质瘤的影像组学处理。

　　利用影像组学方法提取特征并建模分析，可对脑胶质瘤进行分级、鉴别、预测基因表达、患者生存期、治疗反应等方面的预测。

　　神经胶质瘤分级。

　　WHO根据胶质瘤的恶性程度将其分为Ⅰ~Ⅳ级，较高级别的则恶性程度较高，其中Ⅰ、Ⅱ级为较低级别的别胶质瘤，较高级别的则恶性程度较高。胶质瘤的治疗方案因级别而异，术前分级具有重要临床意义。利用影像组学特征，可获得医学图像定量信息，以表征肿瘤的异质性，有助于胶质瘤的分级。

　　Pyka等研究了PET纹理特征对Ⅲ、Ⅳ级胶质瘤分级的有效性，从113例经病理证实的高级别胶质瘤患者的PET图像中提取出不同类型的PET纹理特征(TBR、MTV等)和NGTDM纹理特征，结果表明MTV能对85%的肿瘤进行精确分级，实验对象操作特征曲线下积(AUC)为0.83。在将34例GBM及73例LGG患者的MRI局部纹理特征转化为局部二值模式特征后，Hsieh等建立了用于分类肿瘤的logistic回归分类器，将其在MRI上的局部纹理特征转化为局部二值模式特征，并在此基础上建立了logistic分类器，其结果表明，该模型比传统纹理特征预测模型的精度高出93%(84%)。该指数能较好地反映水分子扩散受限的特点，并能描述胶质瘤的生理和分子特征。

　　从66位胶质瘤患者的ADC图像中分别提取出107个纹理特征，并用特征降维后的logistic回归分析预测HGG的独立危险因素，结果表明，与胶质瘤分级最相关的特征是区域熵(基于GLSZM得到的区域熵衡量肿瘤大小和灰度级分布的不确定性，值越高，说明纹理差异越大，即异质性越大)，结合年龄和区域熵判断HGG的AUC为0.844，敏感性为75.6%，特异性为88.0%。

　　胶质瘤如何有效鉴别

　　颅内较常见的肿瘤有HGG、原发淋巴瘤、转移瘤等，其发生机制、恶性程度及治疗方法各不相同，影像组学特征可区分不同类型的脑肿瘤。基于影像组学，采用12种特征选择，7种机器学习方法对GBM和单发脑转移瘤进行鉴别，每个样本都提取了1303个影像组学特征，结果显示LASSO结合SVM分类器最好的AUC(0.9)，优于神经放射学专业医师的5年和10年的工作经验。

　　利用影像组学方法鉴别HGG与单发脑转移瘤的可行性，从43例单发脑转移瘤和43例HGG患者的236张MRI图像中，分别提取出629个影像组学特征，并利用ReliefF算法筛选出41个特征，建立了一个基于HGG的SVM诊断模型，结果表明，训练集中诊断模型的准确性、敏感性和特异度分别为85%、84.9%和84.0%。

　　与传统的影像组学研究方法不同，采用尺度不变特征变换提取影像组学特征，将原发中枢神经系统淋巴瘤与GBM进行分类，模型在训练集(验证集)上得到的分类结果分别为AUC0.991(0.982)，准确度93%(90.6%)，灵敏度85.0%(80.0%)，特异性100%(95.5%)。

　　胶质瘤基因表达预测。

　　显像组学认为，微观基因、蛋白质和分子的变化可以表现为宏观的显像特征。目前，已有一些研究确定了胶质瘤的定量影像特征与基因表达和分子亚型的关系。P53是一个抑癌基因，它的突变状态是一个重要的胶质瘤生物标志。在272例LGG患者术前MRI上，Li等分别提取了481个定量影像组学特征，结合每个患者p53基因的变异状态，采用LASSO算法筛选出15个LGG患者术前MRI的变异状态，通过SVM分类器对LGGGp53基因的变异状态进行预测，预测模型中训练集AUC为0.896，试验集0.763。

　　异柠檬酸脱氢酶基因突变对脑胶质瘤患者的预后判断有重要意义。对84例未经手术治疗的脑胶质瘤患者，提取了传统PET参数(TBR均值、TBR最大值、到达峰值时间等)和纹理特征，以神经病理学方法评估其诊断准确性，并用TBR均值和纹理特征联合建立模型预测IDH基因型，结果显示，传统PET和纹理特征联合可以为无创性预测IDH基因型提供重要的诊断信息。

　　从129例Ⅱ/Ⅲ级胶质瘤患者的169份MRI资料中，提取出109个影像组学特征和肿瘤位置信息，利用LASSO回归算法，建立了IDH1/2突变体、伴随TERT启动子突变的IDH1/2突变体及IDH野生型3个分子亚型的判别模型，结果表明，结合病变的位置信息，基于影像组学模型预测IDH突变的准确度为85%~87%。

　　胶质瘤预测生存期和治疗反应。

　　对肿瘤患者生存期(overallsurvival,OS)的预测可以为制定治疗方案提供重要信息。以MRI为基础，Kickingereder等利用119例GBM患者的12190份多区域肿瘤ROI图像组学特征，通过监测主成分分析法筛选出11个最主要的特征，再利用Cox比例风险模型预测患者OS和无进展生存期，结果表明SPC分析模型比现有的临床和放射风险模型具有更好的效果，该模型将患者分成高、低两类，在训练集中PFS的风险比为43,OS的HR为33，验证集中PFS的HR为28,OS的HR为45。

　　在预测GBM患者的OS时，Lao等除了提取传统的影像组学特征，还利用迁移学习方法从预训练的卷积神经网络中提取出98304个深度学习相关特征，并用LASSOCox回归模型对GBM患者的OS进行预测，在训练后的集中OS中，HR值为5.042，检测集中OS中的HR值为128，结果表明深度学习结合影像组学特征能取得较好的效果。对172例反复发作的GBM患者，Kickingereder等提取了4842个MRI影像组学特征，在贝伐珠单抗治疗前，采用SPC分析法选择特征，通过PFS和OS生成治疗结果分层预测模型，SPC预测变量将训练集中的患者分层为低或高风险PFS(HR=1.60)和OS(HR=14)，在验证集中成功地验证了PFS和OS中HR为1.85和2.60的HR。提示影像组学方法可用于预测复发性GBM患者的药物疗效。

　　胶质瘤其它。

　　根据影像组学模型对LGG相关癫痫进行预测，在286例LGG患者的MRI图像中提取肿瘤的位置特征和影像组学特征，并分析了两种特征之间的相互作用，采用多元logistic回归分析法建立了预测模型，在识别是否发生癫痫的任务中，训练集和验证集AUC分别为0.88和0.82，表明利用多元logistic回归分析法对LGG相关癫痫进行预测，能更准确、个性化地预测LGG相关癫痫。

　　基于影像组学方法研究年龄相关GBM，从MRI影像中提取的影像组学特征在不同年龄组之间有统计学差异，说明不同年龄组GBM的病理、蛋白质或基因来源不同。