磁共振影像組學預測腦膠質瘤MGMT啟動子甲基化狀態的研究進展

李鼎，王效春

作者單位：1.山西醫科大學醫學影像學院，太原 030001；2.山西醫科大學第一醫院影像科，太原 030001

0 前言

腦膠質瘤是最常見的原發惡性中樞神經系統（central nervous system, CNS）腫瘤，約占CNS 原發惡性腫瘤的75%[1]。盡管手術、放療和化療等醫療方案不斷進步，但是腦膠質瘤患者的預后仍然較差[2]。替莫唑胺（temozolomide, TMZ）是膠質瘤標準治療方案的一部分，其治療敏感性很大程度上與O6-甲基鳥嘌呤-DNA 甲基轉移酶（O6-methylguanine-DNA methyltransferase, MGMT）甲 基 化 狀 態 有 關[3-4]。MGMT是修復DNA的酶，當MGMT啟動子甲基化時，其DNA修復活性被抑制，從而使腫瘤細胞對TMZ的細胞毒性作用更加敏感[5]。因此，MGMT 成為腦膠質瘤重要的強預后和預測分子標志物之一[6]，除此之外，MGMT啟動子甲基化狀態與膠質瘤假性進展（pseudoprogression,PSP）之間的相關性也被多項研究報道[7-8]，MGMT 啟動子甲基化的腦膠質瘤患者可能更易發生PSP。由此可見，確定MGMT 啟動子甲基化狀態對于膠質瘤患者的診療及預后都有著重要的臨床價值。

目前，確定MGMT 啟動子甲基化狀態的主要方式仍是手術取樣并進行焦磷酸測序[9]，但其耗時長，會受到腫瘤異質性的限制，并且在活檢時可能損害神經功能。而影像組學是在近些年被廣泛研究的一種非侵入性的影像方法，包括圖像處理、圖像分割、特征提取、模型建立及驗證，通過高通量的特征提取，將醫學圖像轉化為可挖掘的高維數據[10]，這也在一定程度上克服了腫瘤異質性的影響?；谝幌盗蠱RI序列的影像組學在預測腦膠質瘤MGMT啟動子甲基化狀態中極具潛力，MRI 影像組學以及深度學習（deep learning, DL）的研究方法得到了大量研究的嘗試，本文將從MRI 影像組學和基于DL 的MRI 影像組學研究現狀展開綜述，旨在為后續的相關研究拓展思路。

1 MRI 影像組學預測腦膠質瘤MGMT 啟動子甲基化狀態的研究現狀

1.1 常規MRI序列研究現狀

1.1.1 對比增強T1WI 是影像組學預測MGMT 啟動子甲基化的強預測序列

對于CNS 而言，最常用的成像方式是MRI。常規MRI（conventional MRI, cMRI）序列的特征可以反映腦膠質瘤MGMT 啟動子甲基化狀態[11]，各種機器學習（machine learning, ML）分類器也被廣泛應用于腦膠質瘤MGMT 啟動子甲基化狀態的預測研究中[12-14]。如XI 等[15]納入98 例已知MGMT 啟動子甲基化狀態的膠質母細胞瘤（glioblastoma, GBM）患者，手動分割T1WI、T2WI、對比增強T1WI（contrast enhanced T1-weighted, CE-T1WI）序列的整個腫瘤部分，高通量提取、量化并使用最小絕對收縮和選擇算法（least absolute shrinkage and selection operator, LASSO）正則化最終保留了36 個特征同時輸入支持向量機（support vector machine, SVM）分類器。研究發現SVM通過單一MRI序列及組合序列模型均可區分MGMT啟動子甲基化狀態，但各單一MRI序列相比，CE-T1WI明顯具有更高的準確度（82.01%）、敏感度（84.27%）和特異度（79.19%），僅次于三者的組合模型。由此可見CE-T1WI可能是一種強預測序列，其特征可能是影像組學預測MGMT啟動子甲基化的重要特征。HUANG 等[16]也進一步證實了CE-T1WI 特征的重要性，該研究分別提取了T1WI、CE-T1WI、T2WI 及T2- 液體衰減反轉恢復（T2-fluid attenuated inversion recovery, T2-FLAIR）成像序列中的前五個最強大的紋理特征，并將其線性組合成影像組學評分（Radscore），然后使用多因素邏輯回歸分析建立基于每個Radscore 的組合模型，其中CE-T1WI 被加權并且貢獻最大。另外，沙永建等[17]引入CE-T1WI和T2-FLAIR 構建影像組學模型預測較低級別膠質瘤（lower-grade gliomas, LGGs）異檸檬酸脫氫酶突變（isocitrate dehydrogenase mutation, IDHmut）合并MGMT 啟動子甲基化（O6-methylguanine-DNA methyltransferase promoter methylation, MGMTmet），經過單因素分析發現T2-FLAIR并沒有特征被保留下來，而CE-T1WI 卻保留了21 個特征。最終通過多因素邏輯回歸建立的影像組學模型在訓練集和測試集的曲線下面積（area under the curve, AUC）分別為0.842和0.935。

上述研究表明，cMRI 序列影像組學模型可以較好反映腦膠質瘤MGMT 啟動子甲基化狀態，而無論是單序列模型還是多序列聯合模型，CE-T1WI 都有著更高的預測價值，并且表現出了更大的預測潛力，在未來的相關研究中值得獲得更多的關注。

1.1.2 cMRI 影像組學聯合臨床因素或有助于提高MGMT甲基化的預測效能

之前的多項研究[16,18-19]已經表明加入臨床特征（如年齡等）不會提高模型的預測效能，反而會增加模型的復雜性。然而，ZHANG 等[20]的研究卻發現了年齡及膠質瘤分級的重要性。由于IDHmut也是膠質瘤的重要預后分子標記物之一[21-23]，所以ZHANG 等[20]不再僅僅局限于膠質瘤MGMT 啟動子甲基化狀態的預測，而是基于機器學習方法預測MGMTmet 與IDHmut共現的狀態。該研究發現MGMTmet 與IDHmut 共現組和其他狀態組別在年齡及膠質瘤分級方面有著顯著的差異。一項近期的研究[24]同樣構建MRI 影像組學模型去預測MGMTmet 與IDHmut 共現狀態，并得到了相同的結論。這項研究構建了影像組學模型、臨床模型及影像組學-臨床聯合模型，發現聯合模型表現最佳，納入臨床因素（年齡、腫瘤分級）在一定程度上改善了模型的預測效能，AUC 從單純影像組學模型的0.866 增加到了聯合模型的0.930。由此可見，臨床特征的作用或許不再是增加模型復雜性這樣的副作用，將其與cMRI 影像組學聯合或許有助于提高MGMT啟動子甲基化的預測效能。但需要注意的是，IDHmut與年齡相關，很少出現于65歲以上的患者，而且在2～3 級的膠質瘤中更常見[25-27]。所以上述研究中的年齡及分級等臨床因素可能會受到IDHmut的影響，其對于腦膠質瘤MGMT 啟動子甲基化狀態的影響可能還需要進一步研究的證實。

1.2 功能MRI序列研究現狀

1.2.1 擴散加權成像及表觀擴散系數

擴散MRI序列可以提供細胞外空間彎曲度、組織細胞結構和細胞膜完整性的信息[28],并且與多種基因的狀態密切相關[29-31]。WEI 等[32]在CE-T1WI 和T2-FLAIR的基礎上進一步納入了功能MRI（functional MRI,fMRI）序列圖像中的表觀擴散系數（apparent diffusion coefficient, ADC）圖，基于腫瘤區及瘤周水腫區提取特征并建立影像組學特征模型。遺憾的是，取自ADC 圖的特征未能較好區分MGMT 啟動子甲基化狀態，最終由CE-T1WI 和T2-FLAIR 特征建立融合模型并取得最佳AUC 值（0.902），該研究將水腫程度和ADC值融合到影像組學特征模型中，發現預測效能下降。但是之后KIHIRA等[33]發現，在CE-T1WI和T2-FLAIR 中添加擴散數據如ADC 和擴散加權成像（diffusion weighted imaging, DWI）可以顯著提高IDH1、MGMT等的預測效能，其中MGMT預測效能的增量值最高，在加入擴散MRI 特征后，聯合模型的預測效能顯著提高，最終AUC 為0.79。由此可見，DWI 與ADC圖的影像組學特征或許可以在一定程度上提高膠質瘤MGMT 啟動子甲基化的預測效能。HE 等[34]也證明了加入擴散序列特征的多序列融合模型的AUC顯著高于各單序列模型。陳思璇等[35]基于T1WI、T2WI、CE-T1WI及ADC 圖構建的邏輯回歸模型也取得了較好的預測效能，其AUC 值和準確度分別達到了0.90 和91%。因此，DWI 及ADC 圖在反映MGMT 啟動子甲基化狀態方面有著不可忽視的作用。

1.2.2 擴散張量成像及擴散峰度成像

擴散張量成像（diffusion tensor imaging,DTI）可以通過腦內水分子在各個方向的擴散信號來反映腦組織的微觀結構信息，從而對腦白質纖維束進行無創分析[36]。擴散峰度成像（diffusion kurtosis imaging, DKI）作為一種非高斯擴散成像技術，可以用來探測非高斯擴散特性組織的復雜成分和微觀結構[37-38]。TAN 等[39]探索了這兩項fMRI 技術對腦膠質瘤MGMT 啟動子甲基化狀態的預測效能，從平均峰度（mean kurtosis, MK）和平均擴散系數（mean diffusivity, MD）參數圖中分別提取了整個腫瘤的364 個影像組學特征，然后選擇最有意義的影像組學特征并通過邏輯回歸建立影像組學模型，其AUC值為0.835（95%CI：0.686～0.951）。DTI及DKI可以提供常規序列無法提示的重要信息，使用其進行腦膠質瘤MGMT 啟動子甲基化狀態的預測具有很大的潛力。不過到目前為止，相關的研究還較少，未來需要更多的研究進一步探索，從而避免該結果的偶然性與片面性。

1.2.3 灌注加權成像

灌注加權成像（perfusion-weighted imaging,PWI）可以評估腫瘤內的血管增生情況，對于判斷腫瘤的惡性程度以及病理分級有著一定的價值[40-41]。已經有研究[42]通過動態磁敏感對比（dynamic susceptibility contrast, DSC）增強成像的影像組學預測GBM 中MGMT 啟動子甲基化狀態。該研究回顧性分析了59例GBM患者的DSC-MRI圖像，從相對腦血容量（relative cerebral blood volume, rCBV）和相對腦血流量（relative cerebral blood flow,rCBF）圖中共獲得92 個定量圖像特征（image features, IFs）。研究者將GBM 中MGMT 啟動子甲基化狀態分成三組：未甲基化（unmethylated, UM）、中間甲基化（intermediate-methylated, IM）、甲基化（methylated, M）[43]，并用Mann-WhitneyU檢驗評估患者組之間IFs差異是否存在統計學差異，其中有顯著差異的IFs 被稱為相關IFs（relevant IFs,rIFs）。在UM-M、IM-M 和（UM+IM）-M 組中發現了14 個rIFs，所以該研究將患者進一步分為（UM+IM）組和M組，建立了機器學習模型，并得到了75%的敏感度和85%的特異度，AUC 值為0.84。有趣的是，在14 個rIFs 中，有10 個來自rCBV 圖，相比rCBF 圖，rCBV 圖似乎在MGMT 啟動子甲基化狀態確定方面提供了更多可能性。所以PWI 對于預測腦膠質瘤MGMT 啟動子甲基化狀態有著一定的價值。

由此可見，fMRI 序列在腦膠質瘤MGMT 啟動子甲基化狀態的預測方面有著不可忽視的潛力，其與cMRI 序列的融合或許可以起到信息互補的作用，從而進一步提高預測效能。但是到目前為止，相關影像組學的研究還比較少，未來的研究空間還很大。

2 基于DL 的MRI 影像組學預測MGMT 啟動子甲基化狀態的研究現狀

DL 作為一項重要的新興技術，已經在許多不同的領域嶄露頭角。對于腦膠質瘤MGMT啟動子甲基化的預測，深度神經網絡也表現出了較高的準確性，而且在一定程度上減少了人工干預的影響。

2.1 單一MRI序列DL的研究現狀

DL 網絡構架結合單一MRI 序列可以預測腦膠質瘤MGMT 啟動子甲基化狀態。KORFIATIS 等[44]基于T2WI 比較了三種深度殘差學習網絡（residual deep neural network, ResNet）模型，無須進行獨特的腫瘤分割步驟即可評估它們預測MGMT甲基化狀態的能力。研究表明ResNet50（50 層）體系結構優于其他模型（ResNet18、ResNet34），并在155 例GBM 患者的預測中達到了94.90%的準確度。這一結果說明ResNet的精度可能隨著層數的增加而增加。但層數超過50層會增加計算難度和過擬合，也因此ResNet50被研究人員視為最流行、穩定且適應良好的DL體系構架之一[45-46]。同樣僅基于T2WI，YOGANANDA 等[47]的研究隊列包括247 例高、低級別膠質瘤患者，該研究開發了僅基于T2WI 的網絡（MGMT-net），該網絡能夠單獨從T2WI確定腦膠質瘤MGMT啟動子甲基化狀態，準確度、敏感度和特異度分別為94.7%、96.3%和91.6%，其性能優于先前報道的算法[44,48]?？梢奃L 結合單一MRI序列確實可以區分膠質瘤MGMT 啟動子甲基化的狀態。還有研究比較了CE-T1WI 模型與T2-FLAIR 模型在DL 中的表現，如CHEN 等[49]提出了一種基于MRI 的DL 管道，以端到端方式進行膠質瘤自動分割和MGMT啟動子甲基化分類，并發現T2-FLAIR 訓練的模型在膠質瘤分割和MGMT啟動子甲基化狀態預測中取得了最佳的效果，準確度達到了0.827。以上研究均將DL與MRI序列結合在了一起，并且證實了其在預測腦膠質瘤MGMT啟動子甲基化狀態中的作用。但這些研究僅僅局限于單一序列，未能探索多序列聯合應用在腫瘤分割和分類中的價值。

污泥熱解反應特征參數見表2，不同升溫速率下的 DTG、TG曲線具有較好的一致性。在較低的升溫速率下，由于升高到相同溫度所需的時間長，污泥在第二反應階段的失重率相對較高升溫速率下的失重率變大。由圖1可見，不同升溫速率下的TG曲線相交于334 ℃～361 ℃，而且在高溫區域，較低升溫速率下的污泥失重率小于較高升溫速率下的污泥失重率。這可能是由于低升溫速率下的污泥熱解時間延長，導致縮聚等二次反應加強，揮發分析出量減少[5]。隨著溫度的升高，二次反應減弱，污泥的失重率又略有增大。但在熱解反應終溫階段，不同升溫速率過程下的總失重率基本接近。

2.2 多MRI序列DL的研究現狀

相比單一MRI序列，多序列聯合預測或許能夠提供更加全面的信息。CHEN 等[50]提取了T1WI、T2WI、ADC 圖和CE-T1WI 4 個序列的影像組學特征，并聯合輸入ResNet，研究發現基于腫瘤核心區的ADC 與CE-T1WI 聯合模型表現最好，準確度（91%）和AUC（0.90）均為該研究所有模型中最高。與之前的DL研究方法不同，該研究將提取的特征作為DL 網絡的輸入項，而且該研究不再僅僅使用單一的MRI 序列，而是納入了多個序列，進一步探索并證實了多序列間的聯合預測價值。除此之外，還有研究[48]也證實了多MRI 序列DL 模型對于預測腦膠質瘤MGMT 啟動子甲基化 狀 態 的 能 力。如CHANG 等[48]結 合T1WI、T2WI 及T2-FLAIR 序列，使用DL 網絡模型的預測準確度達到了83%。由此可見，多MRI 序列DL 模型可以更好地預測腦膠質瘤MGMT啟動子甲基化狀態。

總之，基于DL 的MRI 影像組學對于腦膠質瘤MGMT 啟動子甲基化狀態的預測具有很大的潛力，而多序列聯合可能會進一步提高其預測效能。

3 MRI影像組學聯合DL預測MGMT啟動子甲基化狀態的研究現狀

利用MRI 影像組學聯合DL 網絡構架來預測腦膠質瘤MGMT 啟動子甲基化也得到了很多嘗試[50-52]。CALABRESE 等[51]評估了一種人工智能架構，該架構將MRI 影像組學和卷積神經網絡（convolutional neural network, CNN）圖像特征結合到一個單一模型中，用于預測GBM 的MGMT 啟動子甲基化狀態。研究結果表明，結合影像組學和CNN特征可能有助于提高GBM 基因生物標志物預測的準確性。SAXENA 等[52]研究了各種ML 和DL 的方法，如SVM、隨機森林（random forest, RF）及ResNet 等，最后分析了一種融合深度學習框架。該框架結合了DL框架和ML框架的特點，優于單獨的ML框架15%，優于單獨DL框架7%。ZHONG 等[46]比較了ResNet50 和卷 積3D（convolutional 3D, C3D）兩種DL的性能，發現后者具有更高的準確度（91.11%），并基于后者、MRI 影像組學特征及語義特征建立多模態模型。值得注意的是，該研究發現語義特征的加入可以為MGMT 啟動子甲基化模型帶來8%～10%的增益。上述研究均表明，DL 網絡構架與MRI 影像組學的結合會提高腦膠質瘤MGMT 啟動子甲基化狀態的預測效能。

綜上所述，MRI 影像組學與DL 聯合或許可以使二者優勢互補，從而使模型獲得更高的預測效能，這一點需要未來更多的研究進一步證實。

4 局限性與前景展望

對于腦膠質瘤MGMT 啟動子甲基化狀態的預測，MRI 影像組學已經表現出了較好的預測效能，但仍然存在著一些局限性。大多數研究均表明，將一些臨床因素（年齡、膠質瘤分級等）納入預測模型并不會提高腦膠質瘤MGMT 啟動子甲基化狀態的預測效能，反而會增加其復雜性，這一點還需要后續更多研究并納入更多臨床因素進一步證實；大多數研究都存在樣本量過小、缺乏獨立驗證隊列等局限性，這可能會降低研究結果的準確度；基于DL 的MRI 影像組學可以在一定程度上排除人工勾畫感興趣區的主觀性差異，但是到目前為止，DL 的研究主要基于cMRI 序列。fMRI序列在腦膠質瘤MGMT啟動子甲基化狀態的預測方面有著不可忽視的潛力，所以將其納入研究并聯合cMRI序列或將成為未來研究趨勢。

5 小結

作者利益沖突聲明：全體作者均聲明無利益沖突。

作者貢獻聲明：王效春設計本綜述的方案，并對稿件重要的智力內容進行了修改，獲得了國家自然科學基金項目的資助；李鼎起草和撰寫稿件，獲取、分析并解釋本綜述的參考文獻；全體作者都同意最后的修改稿發表，都同意對本研究的所有方面負責，確保本綜述的準確性和誠信。