基因表型评估及其与低级别胶质瘤LGG生存及进展的关系

　　基因表型评估及其与低级别胶质瘤LGG生存及进展的关系，基因表型是LGG的重要病理学特征，与预后和治疗决策直接相关。影像组学方法对于LGG基因表型评估具有较高价值，目前研究主要采用T2WI、FLAIR以及包括上述序列及扩散成像的多模态成像，涉及的基因主要包括IDH、1p19q、O6-甲基鸟嘌呤-DNA甲基转移酶（oxygen6-methylguanine-DNA methyltransferase，MGMT）。

　　1IDH基因表型

　　IDH是三羧酸循环的关键酶，其突变后瘤细胞产生2-羟戊二酸，而非α-酮戊二酸，间接下调血管内皮因子表达，从而控制肿瘤细胞增殖，因此IDH突变型胶质瘤病人生存预后优于IDH野生型，无创性评估IDH基因状态具有重要临床意义。基于常规单一MRI序列的影像组学特征模型可用于评估IDH基因表型，这些序列包括T2WI、FLAIR。Liu等对260例LGG病人术前T2WI序列的影像数据进行影像组学分析，定量提取一阶统计量、形状和大小特征、纹理特征、小波特征等146个肿瘤异质性指标，使用86个组学特征的分类模型评估IDH基因表型的AUC高达1.00；此外，利用IDH特异性影像组学特征能够将LGG病人进行高、低风险组分层。

　　Jakola等研究发现，基于FLAIR序列的纹理参数同质性（即Haralick组学特征）能够鉴别突变型与野生型IDH（AUC为0.905），其中IDH野生型者异质性明显、预后较差；将Haralick组学特征与肿瘤体积结合分析时，区分突变型与野生型IDH的AUC达到0.940，说明基于单一常规序列的组学特征模型结合其他形态特征时能够好转评估IDH表型的效能。与单一序列影像提取的组学特征相比，基于多序列的组学特征模型可进一步好转IDH表型的评估准确度，并可用于评估预后及肿瘤进展。

　　Chaddad等的研究中，基于多序列即多模态MRI（T1WI、T2WI、FLAIR、CE-T1WI）的联合强度矩阵（joint intensity matrix，JIM）组学特征评估IDH表型的效能（AUC为0.769）优于基于单一序列的灰度共生矩阵（grey-level co-occurrence matrix，GLCM）（AUC为0.732），研究还发现基于IDH基因表型的组学特征能够评估LGG病人的生存状态。

　　Zhou等对165例LGG病人的研究进一步验证了多模态MRI影像组学的优势，采用随机森林（random forest，RF）模型对临床因素、多模态MRI（T1WI、T2WI、CE-T1WI、FLAIR）提取的42个纹理特征、伦勃朗视觉感受影像特征进行分析，结果显示基于多模态MRI的影像组学较优特征集评估能力较高（AUC为0.86±0.01），纹理特征评估IDH表型的准确度与精确度分别为0.88、0.70，且较优特征集能够评估LGG进展（AUC为0.80±0.01），明显优于基于临床因素的评估模型（AUC为0.58±0.02）。同时较优特征集能够评估LGG进展（AUC为0.80±0.01）。

　　基于功能MR成像的影像组学方法鉴别突变型与野生型IDH的效能相应地优于基于常规序列的影像组学。Ren等对57例LGG的多序列MRI数据进行影像组学分析，采用深度学习方法（基于多序列）评估LGG基因IDH分型诊断的准确度达94.74%，其中ADC及指数化表观扩散系数（exponential apparent diffusion coefficient，eADC）影像组学特征评估精确度较高为80.7%，而FLAIR序列则为77.19%。

　　Kim等采用2种机器学习方法[支持向量机（support vector machine，SVM）和RF]进行分析，发现基于常规MRI序列的组学模型（AUC=0.729）中增加ADC、CBV组学特征后，评估LGGIDH基因型能力提高（AUC=0.795）。DTI能反映肿瘤行为、生存结果与白质完整性，因而基于DTI参数图的组学特征模型能较好地评估LGG的IDH基因表型。Eichinger等从79例LGG病人的术前扩散张量成像提取二元模式纹理特征，训练组与验证组的评估AUC值分别为0.921、0.952。

　　基于DTI参数的影像组学模型评估IDH表型的效能也高于其相应的直方图参数。IDH组学特征显示突变型肿瘤异质性程度较低且预后较好，而野生型则异质性较高及更易出现进展。Park等对168例LGG病人进行影像组学研究，从DTI序列获取的ADC图与FA图以及常规MRI序列（CE-T1WI、T2WI、FLAIR）中提取一阶统计量、GLCM、灰度运行长度矩阵、灰度大小区域矩阵等组学特征，采用RF模型评估基因表型，以分子病理学结果作为金标准，结果显示DTI结合常规MRI序列组学特征模型评估IDH基因表型的能力（AUC为0.90）优于常规MRI征象组学结合DTI直方图的模型（AUC为0.87）。

　　因此，基于常规MRI序列的影像组学可较好地评估LGG的IDH表型，而基于功能MRI的影像组学评估效能进一步提高，两者结合时效能更佳；但目前基于功能成像序列的研究较少且仅限于扩散成像技术，缺乏其他常用胶质瘤评估的功能成像技术如灌注成像、波谱分析，尚需进一步拓展纳入技术的范围和增加大研究样本。

　　21p19q表型染色体

　　1p19q杂合性缺失的LGG对环烷化剂化疗敏感，预后较好，因此术前无创性评估基因状态对于治疗决策重要。影像组学特征模型可实现基因表型评估，且效能优于常规MRI形态学特征模型。

　　Zhou等纳入165例LGG病人资料进行影像组学研究，基于多序列MRI（T1WI、T2WI、CE-T1WI、FLAIR）影像资料提取42个自动纹理特征（直方图纹理、GLCM、灰度运行长度矩阵、灰度大小区域矩阵、毗邻灰度差矩阵等），结果显示基于纹理特征模型评估1p19q表型的AUC为0.96±0.01，敏感度及特异度均为0.90；多序列影像组学特征模型对1p19q表型的评估也优于单序列影像组学，但两者对于病人的生存预后评估无差异。Chaddad等使用RF分类器研究105例LGG，结果显示FLAIR-T2WI的JIM特征评估1p19q表型效能（AUC为65.2%）优于单一序列（较优者为FLAIR序列）影像组学特征模型（AUC为60.46%），但基于1p19q基因表型的特征性影像组学特征无法进行生存预后的分层。

　　深度学习模型评估1p19q表型的效能比上述方法稳定，Kocak等提取了107例LGG术前T2WI及CE-T1WI影像中的84个组学特征，特征降维后总数减少到13个，采用多种深度学习方法（神经网络、朴素贝叶斯、支持向量机、随机森林和随机梯度下降）评估1p19q表型，对应的AUC值分别为0.869、0.829、0.838、0.840、0.769。上述研究均采用基于MRI的影像组学方法，但对1p19q表型评估的诊断效能不同，较可能的原因是纳入的MR序列不同，且样本量仍有待于扩大。

　　3MGMT甲基化状态

　　MGMT的作用是维持细胞基因组蛋白质稳定、修复损伤DNA，MGMT启动子甲基化则使拮抗化疗药物的瘤细胞活性降低，从而提高化疗药物，特别是提高对替莫唑胺的敏感性，评估MGMT甲基化状态有助于LGG治疗决策。影像组学有助于无创性评估MGMT甲基化状态，其中包括多个组学特征的联合模型价值较高。

　　Wei等对105例Ⅱ～Ⅳ级胶质瘤研究（其中包括LGG84例），提取肿瘤区与周围水肿区纹理与非纹理特征3051个，采用较小冗余及较大相关性算法进行特征筛选，Logistic回归分析显示，基于T1WI及FLAIR序列组学特征评估MGMT甲基化状态的AUC为0.706~0.916，临床模型AUC仅0.67，而联合模型评估能力较佳（AUC为0.925）；此外，联合模型还有助于评估替莫唑胺疗效。

　　Jiang等研究122例LGG，基于多模态MRI进行影像组学分析，提取形态、一阶统计量、纹理特征、小波特征，采用多个分类器构建模型，结果显示联合模型评估能力（AUC为0.970）优于单一序列组学模型（AUC为0.879）。

　　综上，影像组学有助于LGG的MGMT表型评估，且基于多序列和加入临床参数的联合模型能进一步好转这种评估能力；但不同研究之间这种评估效能的差异仍较明显，目前的研究也缺乏对MGMT启动子甲基化引起化疗药物治疗效果差异的评估，且仅采用MRI常规成像序列。因此，应进一步基于功能成像及治疗相关方面的影像组学进行研究。

• 文章标题：基因表型评估及其与低级别胶质瘤LGG生存及进展的关系
• 更新时间：2021-11-10 15:24:15