利用多参数MRI放射组学模型预测胶质母细胞瘤瘤周水肿中的肿瘤微浸润区域

《Radiation Oncology》：Predicting the region of tumor micro-infiltration in glioblastoma peritumoral edema using a multiparametric mri radiomics model

　　

摘要

目的

利用MRI技术预测胶质母细胞瘤（GBM）肿瘤周围水肿（PTE）中的肿瘤微浸润（TMI），为术后放射治疗计划提供依据。

方法

研究队列包括一个训练组（TG），包含50例GBM病例和50例脑转移瘤病例；一个验证组（VG），包含25例GBM病例和19例脑膜瘤病例；还有一个基于图像与病理对照的验证组（IPVG），包含10例GBM病例。除了对对比增强T1加权成像（CE-T1WI）、T2流体衰减反转恢复成像（T2FLAIR）以及表观扩散系数（ADC）图像中肿瘤周围水肿的灰度直方图参数进行单变量分析外，还通过LASSO回归去除共线参数。随后，采用向前逐步逻辑回归、支持向量机以及随机森林等方法构建PTE中的TMI预测模型，并通过ROC曲线评估其性能。在IPVG中，还计算了基于Python的TMI预测结果与活检病理结果的符合率。

结果

在训练组中的单变量分析显示，在距离PTE 3厘米范围内的GBM与脑转移瘤对应的PTE区域，其灰度直方图参数存在显著差异。在去除共线参数后，基于ADC图像或CE-T1WI的预测模型效果优于基于T2FLAIR的模型。将1厘米范围的GBM PTE区域与2厘米范围的脑转移瘤PTE区域结合使用的模型具有更好的区分能力。当同时纳入ADC和CE-T1WI参数时，包含6个参数的随机森林模型（如最大增强T1值与平均增强T1值的比值、最小ADC值与平均ADC值的比值等）表现出最佳区分能力，其在训练组中的ROC曲线AUC值为0.836，在验证组中为0.844。在IPVG中，该TMI预测模型的整体准确率为81.25%。

结论

术前MRI的多参数随机森林模型能够有效预测GBM肿瘤周围水肿中的肿瘤微浸润情况。