文献速递神经MR

融合多模态扩散MRI特征的影像组学模型:用于预测成人型弥漫性胶质瘤分级的开发与验证

Model incorporating multiple diffusion MRI features: development and validation of a radiomics-based model to predict adult-type diffuse gliomas grade.
PubMed 文献 · Eur Radiol · 2023-07-13

前瞻性纳入103例成人型弥漫性胶质瘤患者,基于多模态扩散MRI影像组学特征联合临床和影像形态特征构建ADGGIP模型。ADGGIP在训练组、内部验证组和前瞻性验证组的AUC分别为0.958、0.942和0.880,前瞻性验证组中优于单模态模型和临床影像形态模型(均p < .01)。

要点

  • ADGGIP融合扩散影像组学、临床及影像形态特征,前瞻性验证组AUC为0.880。
  • 前瞻性验证组中ADGGIP优于单模态模型(AUC 0.860)和临床影像形态模型(0.841)(均p < .01)。
  • 阈值概率大于5%时ADGGIP净获益最大,校准曲线Brier评分0.084。

核心结论

  • ADGGIP基于先进扩散模态构建,能以高准确度和稳健性预测成人型弥漫性胶质瘤分级,可能有助于改善临床决策。
  • 整合多模态预测建模有利于成人型弥漫性胶质瘤的早期发现和治疗规划,以及探究生物标志物的真实临床意义。

研究设计与样本

  • 前瞻性单中心研究,2018年6月至2022年2月连续纳入103例疑似成人型弥漫性胶质瘤患者,平均年龄52岁(范围21–77),男性54例(52%)。
  • 所有患者术前接受常规MRI(T2、T1、T2-FLAIR、增强T1)和扩散成像(DWI及扩散谱磁共振成像DSI),扫描后3个月内手术获取病理组织,按2021年WHO中枢神经系统肿瘤分类诊断。
  • 按入组时间划分:2018年6月至2021年5月72例为训练组(低级别38例、高级别34例);2021年6月至2022年2月31例为前瞻性验证组(低级别8例、高级别23例)。
  • 从3种先进技术(扩散峰度成像DKI、神经突方向离散度和密度成像NODDI、平均表观传播扩散MRI MAP-MRI)、1种简单技术(扩散张量成像DTI)及B0图提取2782个影像组学特征,另提取性别、年龄及9个影像形态特征。
  • 采用240种流程组合(3种归一化、2种降维、4种特征选择、10种分类器)构建模型,最终建立9个诊断模型,以支持向量机构建ADGGIP,通过时间独立验证队列验证,以ROC曲线评价性能、决策曲线分析确定临床获益。

关键影像表现/征象

  • ADGGIP由4个特征组成:1个影像组学特征(rMRI的预测概率)及3个临床特征(钙化、肿瘤位置、水肿),贡献度分别为1.41、0.94、0.82和0.41。
  • rMRI由4个影像组学特征组成,均为一阶特征,包括DTI各向异性分数的能量和中值以及MAP非高斯轴向的能量和中值。
  • ADGGIP输出0至1的ADG分级概率预测,低级别胶质瘤概率与预期概率输出值呈负相关,按最大约登指数将结果二分为低级别或高级别。
  • 训练组中仅性别(p = 0.637)、囊变(p = 0.592)、肿瘤边界(p = 0.979)和肿瘤侧别(p = 0.083)在低级别与高级别组间无显著差异;前瞻性验证组中除坏死(p = 0.027)、肿瘤位置(p = 0.034)和强化方式(p = 0.034)外基线特征无显著差异。

诊断标准与关键数值

  • ADGGIP在训练组AUC为0.958(95% CI 0.907–0.992),内部验证组AUC为0.942(95% CI 0.885–0.982),前瞻性验证组AUC为0.880(95% CI 0.685–1)。
  • 前瞻性验证组中ADGGIP预测的8例低级别患者中7例(87.5%)经病理证实为低级别,预测的23例高级别患者中19例(82.6%)经病理证实为高级别。
  • 前瞻性验证组中ADGGIP优于单模态预测模型(AUC 0.860)和临床影像形态模型(AUC 0.841)(均p < .01)。
  • 单模态模型中DTI模型(简单模型)在所有队列中诊断性能最高(AUC范围0.821–0.851);rMRI模型表现劣于DTI模型(integrated discrimination improvement < 0)。
  • ADGGIP的精确率-召回率AUC范围为0.942–0.963,训练组Brier评分为0.084(所有模型中最小的)。

临床应用与阅片要点

  • 阈值概率大于5%时,ADGGIP提供的净获益大于其他8个模型及不采用预测模型的情形。
  • ADGGIP校准曲线显示训练组预测值与观察值一致性最高,Brier评分0.084为所有模型最小。
  • 作者认为一阶特征可能是与分级预测更相关的生物标志物,各向异性分数的能量作为独立因素被纳入DTI和rMRI模型。
  • 作者指出先进非高斯扩散技术理论上比简单高斯扩散技术(DTI)更准确反映水分子扩散真实情况,但本研究中DTI预测模型比其他单模态预测模型更准确。

局限性

  • 本研究为单中心研究,采用时间验证方法验证模型。
  • 前瞻性验证队列表现略差,可能由于样本量小(n = 31)。
  • 作者指出先进扩散模型的优势目前可能仅为理论上的,需要点对点研究分析预测整合扩散模型与病理特征之间的内在关联。
  • 作者指出联合多层切片技术可显著缩短扫描时间,但可能影响扩散参数的确定。
全文中译11 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2023 Jul 13;33(12):8809–20. doi: 10.1007/s00330-023-09861-0

引言

成人型弥漫性胶质瘤(ADG)是胶质瘤最常见的亚型[1]。由于肿瘤细胞核异质性大,ADG的生物学行为以侵袭性生长为特征,临床上,该类肿瘤以高伤残调整生命年为特点。肿瘤患者的结局取决于多种遗传特征以及组织学分级[2]。此外,遗传特征可能在疾病的整体发展中发挥更大作用。然而,2021年世界卫生组织(WHO)中枢神经系统(CNS)肿瘤分类成功地将两者结合起来,由此得出的WHO分级可能比早期研究中的独立预测因子(如异柠檬酸脱氢酶)是更优的临床生物学指标[3]。随着对肿瘤生长机制和新型遗传生物标志物的不断探索和发现,一些新的治疗方法已显示出巨大潜力,如免疫治疗[4]。这些进展有望改善无法手术治疗的那部分患者(如脑干或多发病灶患者)的长期生存和生活质量。因此,迫切需要一种可靠且无创的方法来预测ADG分级,以帮助制定精准医学方案。

MRI长期以来一直是脑肿瘤诊断的主要方法。此外,随着各种先进成像技术的发展,MRI技术的临床应用前景广阔[5]。然而,由于此类生物标志物理论构成复杂且缺乏有效的前瞻性验证,尚未在临床实践中广泛应用。既往研究[6–9]表明,先进扩散技术有助于识别肿瘤生物学标志物、评估纤维束损伤或显示脑内微观结构。我们认为,多种扩散技术可以提供反映病理特征的信息,从而补充肿瘤异质性及现有临床应用。

影像组学在医学领域的应用已取得快速进展[10],尤其是在支持决策以实现机器辅助诊断和预后评估方面[11]。既往研究[12]表明,基于影像组学的方法可用于分析胶质瘤的遗传特征,且性能有所提高。然而,这些研究通常局限于常规MRI,未涉及先进成像模态[13](如平均表观传播扩散-MRI(MAP-MRI)),或由于缺乏前瞻性验证而可重复性较低。因此,我们假设先进扩散技术可用于ADG分级预测。据我们所知,尚无类似研究发表。

在本研究中,我们旨在通过结合影像组学、临床和影像形态学特征,开发并验证一种用于预测ADG分级的新整合模型(成人型弥漫性胶质瘤分级整合预测模型(ADGGIP))。此外,比较了先进扩散技术与简单技术之间的差异。

材料与方法

我们按照《赫尔辛基宣言》开展了一项前瞻性研究。我院伦理委员会批准了研究方案(编号2022038),所有参与者在入组队列前均签署了知情同意书。

参与者与临床数据

在本研究中,我们前瞻性连续纳入了2018年6月至2022年2月期间就诊于我院的参与者。所有参与者均因临床症状或既往影像学报告而被怀疑患有ADG。随后,所有参与者均接受了术前常规MRI(T2、T1、T2-FLAIR和增强T1)及弥散成像(DWI和弥散谱磁共振成像[DSI]),并在扫描后3个月内进行手术,以获得足够的病理组织用于ADG的诊断(依据2021年WHO中枢神经系统肿瘤分类)。大多数参与者在MRI扫描与手术之间仅接受了一般对症治疗,如降低颅内压。详细的扫描设备、扫描参数及病理诊断信息见附录第1–2页和补充表S1。部分参与者根据排除标准被排除(图1)。最终,共纳入103例ADG参与者(平均年龄52岁;范围21–77岁;男性54例[52%])。由于本研究为单中心研究,采用时间验证方法对模型进行验证[14],参与者根据入组时间被分配至训练队列和前瞻性验证队列。2018年6月至2021年5月期间的72例参与者被分配至训练队列,包括38例低级别胶质瘤(LGG,CNS WHO 2–3级)参与者和34例高级别胶质瘤(HGG,CNS WHO 4级)参与者。2021年6月至2022年2月期间的31例参与者被分配至前瞻性验证队列,包括8例LGG参与者和23例HGG参与者。

图1 研究参与者的招募流程。根据入组日期,参与者被分为不同数据集。ADGGIP在形成之前经过开发和验证。DSI,弥散谱磁共振成像 查看原图 ↗

模型开发与验证

我们开发并比较了多种模型的性能和稳定性,旨在比较先进弥散技术与简单技术在识别ADG分级方面的能力,并建立一个临床上适用且更完整的预测模型。

经过图像预处理和感兴趣区域选择(附录,第3-4页)后,使用FeAture Explorer(FAE v0.5.2,https://github.com/salan668/FAE)[15]进行特征提取和模型构建。从3种先进技术(包括扩散峰度成像(DKI)、神经突方向离散度和密度成像(NODDI)以及MAP-MRI)、1种简单技术(扩散张量成像(DTI))和B0图的MRI数据中共提取了2782个影像组学特征(附录第4-5页、补充图S1和表S2)。此外,提取性别和年龄作为临床特征,并从影像报告中提取9个形态学特征(坏死、囊变、钙化、出血、肿瘤强化模式、位置、侧别、实性肿瘤边界清晰度和水肿)(附录第5-6页)。然后,在模型开发过程中考虑了多种流程组合,包括3种特征归一化方法(均值归一化、最小-最大归一化和Z分数归一化)、2种数据降维方法(主成分分析和Pearson相关系数)(补充图S2和S3)、4种特征选择方法(方差分析、递归特征消除、Kruskal-Wallis检验和Relief)以及10种分类器(线性分类器[逻辑回归、通过最小绝对收缩和选择算子实现的逻辑回归、线性判别分析和支持向量机]和非线性分类器[自编码器、决策树、随机森林、AdaBoost、高斯过程和朴素贝叶斯]),共计240种流程组合(附录第7-9页)。模型评估使用内部验证队列(通过留一交叉验证)和独立验证队列进行。本研究的流程图见图2。

最终,共建立了9个诊断模型,包括5个基于单一扩散技术的单模态预测模型(B0、DTI、DKI、NODDI和MAP-MRI模型)、1个融合所有扩散技术的融合预测模型(影像组学MRI(rMRI))、1个结合临床和影像形态学特征的预测模型(ClinicRad),以及2个多模态预测模型(选择在前瞻性验证队列中诊断性能最高的单模态模型和纳入多种扩散特征的更具理论相关性的预测模型)(结合临床因素、放射科医师判读以及DTI或rMRI数据[CliRadDTI/ADGGIP]来预测ADG分级)(补充图S4)。

图2 研究流程图。收集并分析研究队列的预处理多层扩散模型、原始常规MRI扫描和临床特征信息,以总结可用于构建机器学习模型的基础特征矩阵。模型构建使用FeAture Explorer(V0.5.2)进行,其中尝试了多种建模方法。使用平均受试者工作特征(ROC)曲线、决策分析曲线和校准曲线构建综合诊断模型(ADGGID)。DTI,弥散张量成像;DKI,弥散峰度成像;NODDI,神经突方向离散度和密度成像;MAP-MRI,平均表观传播弥散MRI;ROI,感兴趣区;GLCM,灰度共生矩阵;GLRLM,灰度游程长度矩阵;GLSZM,灰度区域大小矩阵;GLDM,灰度依赖矩阵;NGTDM,邻域灰度差矩阵;PCC,皮尔逊相关系数;PCA,主成分分析;ANOVA,方差分析;KW,Kruskal-Wallis检验;RFE,递归特征消除;SVM,支持向量机;AE,自编码器;LDA,线性判别分析;RF,随机森林;Lasso,通过最小绝对收缩和选择算子的逻辑回归;LR,逻辑回归;Ab,自适应提升;DT,决策树;GP,高斯过程;NB,朴素贝叶斯;ADGGIP,成人型弥漫性胶质瘤分级综合预测模型 查看原图 ↗

统计分析

采用受试者工作特征曲线评估模型预测ADG分级的性能。曲线下面积(AUC)的95%置信区间通过1000次样本的 bootstrap 法生成。我们使用DeLong检验、净重分类改善度和综合判别改善度来比较不同模型的性能。模型与真实结果之间的偏差通过校准曲线可视化,并通过Brier评分进行量化。采用决策曲线分析比较不同模型在不同阈值概率下的净获益,以提高在临床实践中实际应用的可能性。

定量数据以均值 ± 标准差表示。采用Student t检验比较年龄,采用χ2检验、Fisher检验或Mann-Whitney U检验比较分类变量。所有统计分析均为双侧检验,p < 0.05被认为具有统计学意义。所有统计分析使用SPSS(版本24.0);安装irr、pROC和PredictABEL包的R软件(版本4.1.2);或Python(版本3.9.12)和Scikit-Learn(版本0.24.2)进行。样本量和把握度计算见附加材料(附录第9–10页)。

结果

参与者特征

所有参与者的基线特征总结于表1和补充表S3。除WHO分级(p = 0.012)、肿瘤位置(0.011)和肿瘤侧别(0.046)外,训练队列与前瞻性验证队列之间的基线特征无显著差异。我们将此归因于胶质母细胞瘤发病率的增加以及新的WHO标准基于遗传特征上调了一些组织学分级。然而,分类的不平衡仍然反映了真实世界中胶质瘤的严重程度(2/3的ADG为HGG)。

在训练队列中,仅性别(p = 0.637)、囊性变(0.592)、肿瘤边界(0.979)和肿瘤侧别(0.083)在低级别胶质瘤(LGG)与高级别胶质瘤(HGG)组间无显著差异。在前瞻性验证队列中,除坏死(p = 0.027)、肿瘤位置(0.034)和强化方式(0.034)外,LGG与HGG组间的基线特征无显著差异。

表1 参与者特征 查看原表 ↗

特征选择与流程

ADGGIP采用支持向量机建立。与单模态影像组学模型不同,多模态模型整合了临床和影像形态学特征。ADGGIP由四个特征组成,包括一个影像组学特征和三个临床特征,其中影像组学特征为rMRI上的预测概率,三个临床特征为钙化、肿瘤位置和水肿;四个特征的贡献度分别为1.41、0.94、0.82和0.41。影像组学特征与肿瘤分级的相关性最高。水肿与肿瘤分级的相关性最低(补充图S5)。rMRI由四个影像组学特征组成,均为一阶特征。分别包括DTI各向异性分数和MAP非高斯轴向的能量值和中位数。特征分布见补充图S6。所有模型的详细构成因素和流程见表2。

简言之,ADGGIP通过整合训练队列的影像组学、临床和影像形态学特征构建为综合预测模型,并被认为是本研究中的最优模型。ADGGIP提供ADG分级的概率预测(范围为0至1),LGG的概率与预期概率输出值呈负相关。随后,结果被人工转换为二分类预测,即LGG或HGG,其阈值依赖于最大约登指数。

表2 用于模型构建的所选特征 查看原表 ↗

预测模型的开发、性能与验证

ADGGIP在训练队列(AUC 0.958 [95% CI 0.907–0.992])和内部验证队列(0.942 [95% CI 0.885–0.982])中显示出最强的肿瘤分级判别能力(表3和图3)。ADGGIP在前瞻性验证队列中预测肿瘤分级也表现出优越的性能。在ADGGIP预测为低级别胶质瘤(LGG)的8名参与者中,7名(87.5%)经病理学确认为LGG。此外,在ADGGIP预测为高级别胶质瘤(HGG)的23名参与者中,19名参与者(82.6%)经病理学确认为HGG(补充图S7)。总体而言,ADGGIP在前瞻性验证队列中取得了良好的AUC,为0.880(95% CI 0.685–1)。前瞻性验证队列的表现略差,可能是由于样本量较小(n = 31)。此外,ADGGIP还具有最高的精确率-召回率AUC,范围为0.942至0.963。单模态模型和ClinicRad模型的AUC略低于ADGGIP(AUC范围:0.721–0.860)。对于基于单一扩散技术的诊断模型,DTI模型(简单模型)在所有队列中显示出最高的诊断性能(AUC范围:0.821–0.851)(补充表S4)。在训练队列中,rMRI、ClinicRad、CliRadDTI和ADGGIP中包含的每个预测因子均被用于独立预测肿瘤分级,AUC值范围为0.502至0.821(补充图S5)。

采用DeLong检验、综合判别改善指数和净重分类改善指数比较各模型的诊断效能。由于净重分类改善指数需要人工预设截断点,且DeLong检验对小样本不敏感,当结果不一致时以综合判别改善指数作为金标准。结果表明,ADGGIP优于所有其他模型(p < 0.05;DTI模型的前瞻性验证组除外),而DTI模型是五种单模态模型中最佳的。rMRI模型的表现劣于DTI模型(综合判别改善指数 < 0)(补充表S5-7)。

校准曲线显示,与其他所有模型相比,ADGGIP在训练队列中生成的数据的预测值与观察值之间具有最高的一致性(图4和补充图S8)。在进一步的定量分析中,ADGGIP具有最小的Brier评分(0.084),这也验证了校准曲线的结果(补充表S8),表明由多模态特征组成的ADGGIP与真实情况更为一致,从而提高了预测性能。

表3 ADGGIP与其他综合预测模型的预测性能比较 查看原表 ↗
图3 ADGGIP及其他综合预测模型在训练队列和验证队列中的ROC曲线(a)和PR曲线(b)。ClinicRad,整合临床因素和放射科医师判读的模型;rMRI,影像组学MRI;CliRadDTI,整合临床因素、放射科医师判读和DTI数据的模型;ADGGIP,成人型弥漫性胶质瘤分级综合预测模型 查看原图 ↗
图4 训练队列中ADGGIP与其他综合预测模型的决策曲线分析(a)和校准曲线(b)。决策曲线显示,当阈值高于5%时,ADGGIP对成人型弥漫性胶质瘤分级的预测优于全部干预、无干预和其他单一模型。ADGGIP的预测更接近真实情况,且Brier评分最低(b)。ClinicRad,纳入临床因素和放射科医师判读的模型;rMRI,影像组学MRI;CliRadDTI,纳入临床因素、放射科医师判读和DTI数据的模型;ADGGIP,成人型弥漫性胶质瘤分级综合预测模型 查看原图 ↗

临床价值

对九种诊断模型进行了决策曲线分析,结果见图4和补充图S8。在阈值概率大于5%时,与不使用预测模型的情况(即全部或全不)相比,ADGGIP在预测ADG分级方面提供了比其他八种模型更大的净获益。

讨论

在本研究中,我们开发并验证了一种基于影像组学的模型,该模型通过结合定量扩散影像组学特征以及临床和影像学形态学特征,可在治疗前评估ADG分级。用于预测ADG分级的综合模型(ADGGIP)能够准确预测ADG分级,与其他组合模型相比具有最佳的诊断效能和稳定性,并在决策曲线分析中显示出良好的净获益。一阶特征可能是与分级预测相关性更强的生物标志物。

既往一项研究[16]确定了术前DWI和DTI结合机器学习在识别多种遗传特征方面的潜在应用,旨在改善胶质瘤患者尤其是原发性胶质母细胞瘤患者的治疗。他们比较了多种预测模型,并得出结论:基于影像组学和深度学习的综合模型可用于预测遗传生物标志物。然而,深度学习的应用降低了模型的可解释性,且在没有额外验证的情况下,存在过拟合的潜在风险。在一项平行研究中,多位学者开展了类似工作,建立了四个能够提供与不同单一遗传特征相关信息的模型[13]。然而,应用于该队列的分类标准并不完全符合临床实际情况[17],导致临床适用性不明确。在本研究中,与既往研究相比,应用了更准确的胶质瘤亚组分类方法,且基于单一扩散技术的模型表现出优于DWI的性能(AUC范围:0.721–0.851 vs. 0.631–0.725)。这提示先进的扩散技术可能是更好的临床选择。ADC与组织病理学特征之间相关性较差可作为这一现象的一种解释[18]。

ADGGIP的优异预测性能可能归因于综合纳入了肿瘤的大体结构特征和微观结构特征,而非仅限于异质性影像组学特征。Gao等[7]应用四种扩散技术研究胶质瘤的主要遗传信息。他们发现,单模态模型之间的诊断性能相似,而整合多种扩散模态特征的诊断模型并未显示出更好的应用价值。然而,他们并未进行额外的临床特征或高阶特征提取。本研究对此进行了改进,显著提升了治疗应用潜力。即便如此,他们的整合预测模型仍显示了DTI和MAP-MRI的贡献,这与我们的结果相似。此外,在本研究中,我们使用了多种流程来选择最优模型,而非局限于某种方法或模型,即“没有免费的午餐定理”[19]。最后,模型间的校准曲线和Brier评分证实,ADGGIP更高的诊断性能更符合真实情况。

作为先进的非高斯扩散技术,MAP-MRI、NODDI和DKI在理论上应比简单的高斯扩散技术(DTI)更准确地反映水分子扩散的真实情况,并更好地表征组织微环境的复杂性和不均匀性[20]。然而,DTI预测模型比其他单模态预测模型更准确。这一发现意味着整合扩散模型的优势目前可能仅停留在理论层面,需要开展点对点研究来分析预测性整合扩散模型与病理特征之间的内在关联。有趣的是,ADGGIP在结合临床和形态学特征时表现出最高的诊断效能和稳定性,并优于最佳单模态模型(DTI)结合临床和形态学特征的表现。该结果表明了多模态特征的重要性,甚至省略一类特征都可能降低预测性能[21]。

一些学者认为,一阶特征与肿瘤特征之间的关联比高阶特征更为显著[18],而能量通常显示出最强的影像-组织关联。在本研究中,各向异性分数的能量作为独立因素被纳入DTI和rMRI模型,这证明了上述观点。能量在LGG和HGG组之间的分布不同,这可能被解释为残余白质纤维束[6, 22],并代表一种更具侵袭性的病理特征[23]。

可重复性和再现性是机器学习模型构建所必需的[10, 24]。一些学者发现同步多层技术对扩散特征的提取有影响[25]。场强也会产生一些影响[26],特征与实际 Situation 的相关性越高,场强的影响越小[18]。在数据采集过程中,我们并未额外采用同步多层技术来缩短扫描时间,而是为了获得更准确的扩散信息。尽管如此,基于DSI的先进预处理技术通过单次序列扫描拟合四种扩散模型,确保了临床应用的可行性。同步多层技术未来可用于显著缩短扫描时间,尽管它可能影响扩散参数的确定[25]。当然,一些中心很可能无法满足模型的某些要求,例如扫描DSI。在现阶段,DTI可能是一种替代方案。基于DTI的综合预测模型的诊断效能仍然相当不错。

尽管结果令人鼓舞,但我们的研究存在一些局限性。首先,综合诊断模型基于单中心数据。然而,全面有效的统计分析方法确保了模型的准确性和稳定性。其次,手动勾画肿瘤感兴趣区是目前的金标准,但耗时且费力。未来,基于机器学习的全自动肿瘤分割将纳入实际应用,例如神经网络。第三,缺乏足够的预后数据来支持模型的可用性,这需要在未来研究中进一步探索和验证。

总之,我们提出了ADGGIP,一种无创且准确的影像组学模型,它结合了影像组学、临床和影像形态学特征,以促进成人型弥漫性胶质瘤患者WHO分级的术前评估。ADGGIP的性能和稳定性凸显了先进扩散模型在成人型弥漫性胶质瘤患者精准治疗中的潜力。

补充信息

以下是电子补充材料的链接。补充文件1(PDF 3.40 MB)

引用

  1. Wang P, Xie S, Wu Q, et al. Model incorporating multiple diffusion MRI features: development and validation of a radiomics-based model to predict adult-type diffuse gliomas grade. Eur Radiol. 2023. PMID: 37439936. doi:10.1007/s00330-023-09861-0
  2. 全文:PMC10667393(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10667393/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。