全肿瘤直方图分析：多扩散参数在胶质瘤分子分型中的应用

楚山之石

于 2025-05-19 19:52:11 发布

阅读量688

点赞数 21

文章标签： python 机器学习图像处理

本文链接：https://blog.csdn.net/u010688061/article/details/148058905

版权

全肿瘤直方图分析：多扩散参数在胶质瘤分子分型中的应用

一、研究背景与目的

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

图一研究概述

（一）分子分型的临床意义

胶质瘤的精准诊疗依赖于分子特征，其中异柠檬酸脱氢酶（IDH）基因型和1p/19q 共缺失状态是 2016 年 WHO 中枢神经系统肿瘤分类的核心分子标志物。这两项指标将胶质瘤分为三大类：

IDH 野生型
IDH 突变型伴 1p/19q 非共缺失
IDH 突变型伴 1p/19q 共缺失
这种分子分型对低级别胶质瘤（LGG）的生物学特征阐明、预后预测和治疗方案制定至关重要。例如，IDH 突变型胶质瘤通常增殖活性较低，预后较好，而 1p/19q 共缺失状态与少突胶质细胞瘤的病理特征及治疗响应密切相关。

（二）影像学技术的发展

传统 MRI 是胶质瘤术前评估的核心手段，而扩散加权成像（DWI）因其无需对比剂、可量化全肿瘤微结构的优势，近年来在分子分型研究中备受关注。本研究聚焦于以下四种扩散模型：

扩散张量成像（DTI）：提供平均扩散系数（MD）、分数各向异性（FA）等参数，反映水分子扩散的方向性和随机性。
扩散峰度成像（DKI）：通过峰度参数（如平均峰度 MK）描述水分子扩散的非高斯特性，揭示细胞异质性。
神经突方向离散度和密度成像（NODDI）：量化细胞内体积分数（ICVF）和方向离散度指数（ODI），反映神经突密度和排列紊乱程度。
平均表观传播子成像（MAP）：通过非高斯参数（如径向非高斯性 NGRad）刻画复杂微环境中的扩散特性，对脱髓鞘和细胞结构破坏敏感。

（三）研究目标

本研究旨在比较上述四种扩散模型的直方图特征对 IDH 基因型和 1p/19q 共缺失状态的预测效能，探索全肿瘤直方图分析在无创分子分型中的应用价值。

二、研究方法与技术细节

（一）研究设计与样本

前瞻性队列：纳入 2018 年 12 月至 2020 年 12 月郑州大学第一附属医院经病理确诊的 215 例胶质瘤患者（男 115 例，女 100 例，平均年龄 48±13 岁），包括 WHO II 级（68 例）、III 级（35 例）和 IV 级（112 例）。
分子检测：IDH 突变采用 Sanger 测序检测 R132/R172 热点密码子，1p/19q 共缺失通过荧光原位杂交（FISH）判定（信号比 < 0.7），Ki-67 增殖指数通过免疫组化检测。

（二）MRI 扫描方案

使用 3.0T MRI 扫描仪（Siemens Magnetom Prisma），扩散加权成像参数如下：

序列：自旋回波平面回波成像（SE-EPI）
b 值：0, 500, 1000, 1500, 2000, 2500 s/mm²，每个 b 值含 30 个扩散方向
常规序列：T2WI、T2-FLAIR、3D-T1WI 用于肿瘤边界勾画

（三）图像后处理与参数提取

扩散模型计算：

基于开源工具 DIPY 和 AMICO 开发的 NeuDiLab 软件，计算 DTI、DKI、NODDI 和 MAP 参数。
关键参数列表：

模型	参数举例	生物学意义
DTI	FA（分数各向异性）、MD（平均扩散系数）	白质纤维完整性、细胞外间隙大小
DKI	RK（径向峰度）、MK（平均峰度）	非高斯扩散程度、细胞异质性
NODDI	ICVF（细胞内体积分数）、ODI（方向离散度）	神经突密度、纤维排列紊乱程度
MAP	NGRad（径向非高斯性）、RTAP（回轴概率）	复杂微环境中的扩散限制、脱髓鞘程度

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

图二多弥散参数图

全肿瘤感兴趣区（ROI）勾画：

由 2 名经验丰富的影像科医师（1 名 20 年神经影像经验，1 名 5 年神经肿瘤影像经验）在 T2-FLAIR 图像上手动勾画全肿瘤 + 瘤周水肿区，通过 Elastix 软件将 ROI 配准至扩散参数图。

直方图特征分析：

使用 PyRadiomics 工具提取直方图特征，包括均值、中位数、百分位数（P10/P90）、峰度、偏度等，共覆盖 4 种模型的 20 + 参数。

（四）统计分析

组间比较：

IDH 野生型 vs. IDH 突变型；IDH 突变型中 1p/19q 共缺失 vs. 非共缺失
采用 Mann-Whitney U 检验（两组）和 Kruskal-Wallis 检验（多组），筛选差异显著的直方图特征（P<0.001）。

诊断效能评估：

构建 logistic 回归模型，计算受试者工作特征曲线下面积（AUC）、准确率、灵敏度和特异度。
比较单一模型（DTI/DKI/NODDI/MAP）与联合模型的预测效能，采用 DeLong 检验和 McNemar 检验评估组间差异。

相关性分析：

扩散参数与 Ki-67 增殖指数的相关性采用 Pearson 系数，构建多元线性回归模型（R²=0.84）分析微结构与增殖活性的关联。

三、核心研究结果

（一）分子分型与扩散参数的关联

IDH 基因型预测：

关键参数：
- DTI 的 FA 均方根（RMS FA）、DKI 的径向峰度第 10 百分位数（RK P10）、NODDI 的 ICVF 第 10 百分位数（ICVF P10）、MAP 的径向非高斯性第 10 百分位数（NGRad P10）。
- 趋势：IDH 突变型肿瘤的 FA RMS、RK P10、ICVF P10、NGRad P10 显著高于野生型（P<0.001），反映突变型肿瘤中白质纤维破坏较轻、细胞内结构更丰富或扩散限制更强。

图三不同胶质瘤分子分型的多弥散参数组间差异

诊断效能：

模型	AUC	准确率（%）	灵敏度（%）	特异度（%）
DTI	0.76 (0.64-0.88)	82	97	24
DKI	0.82 (0.73-0.92)	80	96	24
NODDI	0.78 (0.67-0.91)	78	99	16
MAP	0.81 (0.70-0.91)	81	97	32
联合模型	0.82 (0.73-0.92)	81	-	-

结论：各模型诊断效能无显著差异（P>0.05），DTI 作为传统方法已具备中等至良好的预测能力，高级扩散模型（DKI/NODDI/MAP）未显著提升效能。

1p/19q 共缺失预测（IDH 突变型中）：

关键参数：
- DTI 的径向扩散系数中位数（RD Median）、NODDI 的 ICVF 第 10 百分位数（ICVF P10）、ODI 的稳健平均绝对偏差（ODI rMAD）。
- 趋势：1p/19q 共缺失型肿瘤的 RD Median 显著更高（提示细胞外间隙更大），而 ICVF P10 和 ODI rMAD 更低（提示神经突密度更低或排列更紊乱）。
诊断效能：

模型	AUC	准确率（%）	灵敏度（%）	特异度（%）
DTI	0.83 (0.74-0.93)	77	63	81
DKI	0.81 (0.71-0.91)	70	-	-
NODDI	0.82 (0.73-0.92)	77	74	78
MAP	0.83 (0.74-0.93)	77	66	71
联合模型	0.88 (0.80-0.96)	80	-	-

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

图四多弥散参数用于胶质瘤分子分型的诊断性能

结论：联合模型诊断效能最高（AUC=0.88），但单一模型（如 DTI/MAP）已具备较高准确性，提示多参数联合可能提升性能，但临床应用中单一模型或可满足需求。

（二）扩散参数与肿瘤分级及增殖活性的关联

肿瘤分级（WHO II vs. III vs. IV）：

多项参数（如 DTI 的 MD、DKI 的 MK、NODDI 的 ODI）在 WHO II 级与 IV 级间差异显著（P<0.001），但 III 级与 IV 级间无明显差异，提示扩散参数对低级别与高级别肿瘤的鉴别更有效，而对中间级别区分能力有限。

Ki-67 增殖指数：

扩散参数与 Ki-67 呈弱至中等相关性（|R|<0.4），但多元线性回归模型整合多参数后，R² 达 0.84，表明全肿瘤微结构特征可综合反映肿瘤增殖活性。

（三）模型间相关性与优势分析

参数冗余性：DTI/DKI 的扩散系数（MD/RD）与 NODDI/MAP 的部分参数高度相关（|R|>0.75），如 MAP 的 RTAP 与 DTI 的 MD 呈正相关，提示不同模型可能反映相似的微结构特征。
独特价值：NODDI 的 ODI 与其他参数相关性低（|R|<0.75），独立反映纤维方向紊乱程度，可能为分子分型提供补充信息。

四、讨论与临床启示

（一）传统与高级扩散模型的等价性

本研究发现，DTI 与高级扩散模型（DKI/NODDI/MAP）在 IDH 和 1p/19q 分型中效能相当，可能原因包括：

微结构改变的共性：IDH 突变和 1p/19q 共缺失主要影响细胞增殖和白质浸润，这些变化可通过传统扩散参数（如 FA/MD）间接反映。
技术复杂性与临床可及性：DTI 无需多 b 值扫描，临床普及率更高，而高级模型需复杂后处理，目前多用于研究场景。

（二）直方图分析的优势

传统 ROI 平均参数仅反映局部特征，而全肿瘤直方图分析整合了肿瘤内异质性信息，例如：

百分位数参数（如 P10/P90）对肿瘤边缘或坏死区的微结构敏感，可捕捉局灶性分子特征。
非高斯参数（如 DKI 的 MK、MAP 的 NGRad）对细胞密集区或脱髓鞘更敏感，补充了高斯模型的不足。

（三）局限性与未来方向

样本局限性：1p/19q 共缺失组样本量较小（尤其是 WHO III 级），需更大队列验证联合模型效能。
影像特征未整合：未纳入钙化、T2-FLAIR 不匹配等传统影像特征，未来可探索多模态融合模型。
病理相关性不足：缺乏扩散参数与组织病理（如细胞密度、血管生成）的逐点对照，需进一步开展影像 - 病理组学研究。

五、结论

本研究证实，全肿瘤直方图分析可通过多扩散模型无创预测胶质瘤 IDH 基因型和 1p/19q 共缺失状态，且 DTI 等传统方法已具备与高级模型相当的诊断效能。该技术为临床分子分型提供了新工具，尤其适用于无法获取活检样本或需治疗前快速评估的患者。未来研究可聚焦于多模态影像融合和人工智能算法开发，进一步提升预测准确性。

六、参考文献

Gao A, Zhang H, Yan X, et al. Whole-Tumor Histogram Analysis of Multiple Diffusion Metrics for Glioma Genotyping[J]. Radiology, 2022, 302(3):652-661. DOI: 10.1148/radiol.210820.