多参数神经突方向离散度和密度成像(NODDI)影像组学术前高性能鉴别胶质母细胞瘤与孤立性脑转移瘤
回顾性纳入109例胶质母细胞瘤(57例)或孤立性脑转移瘤(52例)患者,基于NODDI三个参数图在坏死区、实性肿瘤区和瘤周水肿区提取影像组学特征建模。验证集显示联合NODDI模型在实性肿瘤区鉴别性能最佳(AUC=0.904),优于其他感兴趣区,NODDI模型优于DWI和DTI模型,与形态学MRI模型相近。
要点
- 联合NODDI影像组学模型在实性肿瘤区鉴别胶质母细胞瘤与孤立性脑转移瘤的AUC达0.904。
- 瘤周水肿区联合NODDI模型鉴别能力中等(AUC=0.820),坏死区欠佳(AUC=0.701)。
- 单参数NODDI模型性能低于联合参数NODDI模型,NODDI模型优于DWI和DTI模型。
核心结论
- NODDI影像组学模型在术前鉴别胶质母细胞瘤与孤立性脑转移瘤方面表现出良好性能。
- 基于实性肿瘤区的NODDI影像组学模型鉴别两类肿瘤的性能优于其他感兴趣区。
- 单参数NODDI模型性能低于联合参数NODDI模型。
研究设计与样本
- 回顾性研究,纳入2015年11月至2021年9月组织学证实的胶质母细胞瘤或孤立性脑转移瘤患者109例(胶质母细胞瘤57例、孤立性脑转移瘤52例)。
- 分为训练集76例(2015年12月23日至2019年10月9日)和时间独立验证集33例(2019年10月18日至2021年9月26日)。
- 使用3.0-T MRI扫描仪(MAGNETOM Prisma,Siemens Healthcare)及64通道头颈联合线圈采集形态学MRI和多b值扩散MRI。
- 扩散MRI采用6个b值(0、500、1000、1500、2000、2500 s/mm²),每个非零b值30个编码方向。
- 以组织病理学为参考标准,基于NODDI参数图(ICVF、ISOVF、ODI)在坏死区、实性肿瘤区和瘤周水肿区自动分割并提取影像组学特征建模。
关键影像表现/征象
- 实性肿瘤区联合NODDI模型鉴别性能最佳,AUC为0.904(95%CI 0.789–1.000)。
- 瘤周水肿区联合NODDI模型鉴别能力中等,AUC为0.820(95%CI 0.664–0.976)。
- 坏死区联合NODDI模型鉴别能力欠佳,AUC为0.701(95%CI 0.541–0.860)。
- 实性肿瘤区单参数NODDI模型AUC范围为0.790至0.901,坏死区为0.621至0.676,瘤周水肿区为0.713至0.812。
诊断标准与关键数值
- 验证集实性肿瘤区联合NODDI模型AUC为0.904(95%CI 0.789–1.000)。
- 验证集瘤周水肿区联合NODDI模型AUC为0.820(95%CI 0.664–0.976)。
- 验证集坏死区联合NODDI模型AUC为0.701(95%CI 0.541–0.860)。
- 实性肿瘤区联合形态学MRI、ADC和联合DTI模型AUC分别为0.864、0.820和0.776。
- 坏死区联合形态学MRI、ADC和联合DTI模型AUC范围为0.669至0.706,瘤周水肿区联合形态学MRI模型AUC为0.824、ADC模型为0.794。
临床应用与阅片要点
- 作者强烈推荐将NODDI与影像组学联合应用。
- 作者认为DWI和DTI区分胶质母细胞瘤与孤立性脑转移瘤的能力有限,适合作为多参数MRI方案的一部分而非单独序列与影像组学联合。
- 作者指出应更多关注主要肿瘤区域的生物学特征及其影像特征。
局限性
- 模型使用来自单一机构的回顾性小样本数据训练和验证。
- 应纳入更多序列或成像方式,如灌注加权成像。
全文中译16 节 · 点击展开
引言
胶质母细胞瘤(Gb)和孤立性脑转移瘤(SBM)是成人中最常见的脑肿瘤 [1–6]。术前鉴别Gb与SBM对于辅助个体化治疗决策具有重要临床意义。组织病理学是诊断Gb和SBM的金标准,通常通过活检或开颅手术切除进行 [7]。然而,活检或开颅手术切除可能增加高龄或体弱患者的发病率和死亡率风险。因此,优选准确的无创诊断。
磁共振成像(MRI)是诊断脑肿瘤的主要成像方式,可获取多视角信息以帮助神经放射科医生鉴别各种病理。然而,由于Gb和SBM常呈现相似的解剖MRI表现,形态学MRI在鉴别这两类肿瘤时有时难以明确 [8]。此外,高达40%的病例仅通过形态学MRI会被错误分类 [9]。弥散加权成像(DWI)可用于评估脑肿瘤的扩散和增殖,并可鉴别Gb与SBM [10, 11]。先进的神经突方向弥散与密度成像(NODDI)是DWI的扩展,包括各向同性体积分数(ISOVF)、细胞内体积分数(ICVF)和方向离散指数(ODI)[12–16]。这些参数可评估活体脑微结构的复杂性和异质性,也可进行定量分析以阐明其他疾病病理。在一项NODDI的开创性研究中,瘤周信号改变区的细胞外体积分数(VEC)在区分Gb与SBM方面比细胞内和各向同性体积分数更有用 [17]。目前,通过ISOVF和ICVF计算得到的VEC可由ODI替代。另一项研究评估了NODDI直方图分析在区分两种肿瘤类型中的作用,并比较了放置感兴趣区(ROI)的诊断性能 [18]。传统的弥散数据分析方法包括通过像素/体素比较来识别病灶差异,或依赖平均信号进行基于ROI的研究。这些传统研究通常无假设驱动,仅揭示Gb与SBM在稀疏成像特征上的差异,提供的证据不足以阐明所识别弥散信号差异背后的复杂生物学机制。
影像组学可以高通量获取定量影像特征,并将影像特征与靶向临床结局相关联 [19–25]。在肿瘤和病灶的亚区域上勾画感兴趣区(ROI)和感兴趣体积(VOI)[18, 26, 27]。因此,影像组学提供多样的影像信息,并通过分析明确界定的亚区域特征更精确地描述肿瘤异质性,有助于探索肿瘤微环境。基于多个ROI/VOI的影像组学可有助于为影像与肿瘤异质性之间的相关性提供潜在证据,促进先进成像技术和分析方法融入临床实践。此外,它也被用于识别Gb的生存分层 [28]。
据我们所知,尚无基于NODDI的影像组学研究用于区分Gb与SBM。在本研究中,我们评估了基于多个VOI的NODDI影像组学分析在识别SBM和Gb中的效用,将其判别性能与形态学MRI和扩散MRI进行比较,并尝试分析NODDI影像组学模型的生物学意义。
材料与方法
伦理考虑
本回顾性研究经我院机构伦理委员会批准,并豁免获取患者知情同意的要求。
患者
回顾性查阅2015年11月至2021年9月期间在我院经组织学证实为Gb或SBM的患者的病历,根据纳入和排除标准确定入组资格。所有入组患者均依据世界卫生组织2016年指南进行分类。纳入和排除标准见补充图1。总体而言,109例患者符合研究标准,并被分为训练数据集(2015年12月23日至2019年10月9日[n = 76])和时间独立验证数据集(2019年10月18日至2021年9月26日[n = 33])。人口学和临床数据总结于表1。
样本量和影像组学特征数量估计
根据每个预测变量的事件数和经验法则,每个预测变量需要10–15个样本才能获得稳定估计[26, 29]。对于验证数据集的功效计算,需要> 11例患者才能获得80%功效和5%的I类错误率[30]。我们的数据集包括109例患者,其中76例和33例分别被分入训练数据集和验证数据集,满足样本量要求。具体而言,在训练数据集中,一种肿瘤类型的最小样本量为36;因此,影像组学模型构建中纳入的最大特征数为4。
图像采集
MR采集使用3.0-T MRI扫描仪(MAGNETOM Prisma;Siemens Healthcare,Erlangen,Germany)和64通道头颈联合线圈进行。MR数据包括形态学MRI序列(T2加权成像[T2WI]、液体衰减反转恢复[FLAIR]、T1加权成像[T1WI]、三维对比增强T1磁化准备快速梯度回波[CE-T1 MPRAGE])和扩散MRI。扩散MRI使用6个不同的b值(0、500、1000、1500、2000和2500 s/mm2)以及每个非零b值的30个编码方向进行[31]。CE-T1 MPRAGE在静脉注射0.2 mL/kg钆喷酸葡胺(Magnevist,Bayer Schering Pharma AG,Berlin,Germany)后使用高压注射器采集,随后以相同注射速率推注20 mL生理盐水。CE-T1 MPRAGE图像在对比剂给药后获得,并在使用前重建为20层轴位切片。所有MRI序列参数列于补充表1。NODDI参数图(包括ICVF、ISOVF和ODI)、表观扩散系数(ADC)和扩散张量成像(DTI)参数图(包括AD、FA、MD和RD)使用自主开发的后处理软件NeuDiLab基于开放资源工具DIPY Toolbox(http://dipy.org)从多b值扩散MRI数据计算得出。
影像组学分析流程
基于多个VOI的NODDI影像组学分析简要分为三个部分:处理、建模和验证(图1)。
图像配准与分割
所有形态学MR图像、NODDI参数图以及ADC和DTI参数图均使用开源软件ITK-SNAP(版本3.8.0,http://www.itksnap.org)配准至FLAIR图像。详细描述见补充材料E1。多个VOI被定义为主要肿瘤区域,包括坏死区、实性肿瘤区和瘤周水肿区。主要肿瘤区域的VOI通过自动分割进行勾画。具体而言,使用由BraTs 2020 Challenge数据训练的nnU-Net自动分割病灶[32]。随后,分割结果由两名放射科医师(J.B.和X.M.,分别具有5年和10年经验)进行讨论和修正,共识结果作为分割的金标准。基于自动分割的两例最终分割案例示例见图2。
特征提取
使用开源软件FeAture Explorer(FAE,版本0.5.2)[33]从主要肿瘤区域提取特征,其后端基于PyRadiomics(版本3.0)。总体而言,共有851个影像组学特征,包括从原始NODDI参数图及其小波变换的八个子带中分别提取的14个形状特征、18个一阶特征和75个纹理特征。提取的纹理特征包括基于以下矩阵的特征:(1)灰度共生矩阵,(2)灰度依赖矩阵,(3)灰度游程长度矩阵,(4)灰度尺寸区域矩阵,(5)邻域灰度差矩阵。
特征降维与选择
特征提取后,所有影像组学特征值根据最小-最大方法归一化至0到1之间。在特征降维中,计算每对特征的皮尔逊相关系数(PCC),若特征对的PCC高于0.90,则仅随机保留其中一个特征。进一步的特征选择基于方差分析、Relief和递归特征消除进行。
模型构建
最后,使用逻辑回归和线性核支持向量机构建影像组学模型。对于每个肿瘤区域,分别基于NODDI参数图(ICVF、ISOVF和ODI)及其联合应用单独构建不同的影像组学模型,以区分Gb和SBM。此外,使用ADC、四种形态学MRI序列(T2WI、T1WI、FLAIR和CE-T1 MPRAGE)的复合以及DTI(AD、FA、MD和RD)构建了一系列影像组学模型用于对比分析。为确定每个模型的超参数,对训练数据集应用五折交叉验证。确定超参数后,对所有训练数据进行再训练以获得最终模型。最终模型使用时间独立验证数据集进行评估,并以时间独立验证数据集上的最佳性能确定。FAE用于模型训练以及特征降维和选择的流程操作。
模型评估
采用受试者工作特征(ROC)分析展示模型性能、敏感度、特异度、准确度及受试者工作特征曲线下面积(AUC),并计算其95%置信区间(CI)以进行定量评价。
统计分析
采用SPSS(版本21.0)和MedCalc(版本20.015)进行统计分析。Gb与SBM之间临床特征的差异根据情况采用卡方检验和独立样本t检验进行评估。采用DeLong检验观察不同模型AUC之间的差异。所有统计检验均以双侧p < 0.05为显著性阈值。
结果
患者临床特征
研究数据集中患者的临床特征见表1。训练集与验证集之间在临床特征方面无显著差异(均p > 0.05)。
共纳入57例(52.2%)Gb和52例(47.8%)SBM。在训练集和验证集中,Gb比例分别为52.6%(40/76)和51.5%(17/33),差异无统计学意义(p = 0.915)。
基于多感兴趣区的神经突方向离散度和密度成像影像组学模型
利用NODDI参数图及其组合构建的预测模型在不同主要肿瘤区域的预测性能存在差异。总体而言,单参数NODDI模型的性能劣于联合NODDI模型。具体而言,在坏死区,三个NODDI参数图模型的AUC范围为0.621至0.676,而联合模型的判别能力略高,AUC为0.701(95% CI,0.541–0.860)。在实性肿瘤区,三个NODDI参数图模型的AUC范围为0.790至0.901,在所有模型中,联合模型表现出更优的判别能力,AUC为0.904(95% CI,0.789–1.000)。在瘤周水肿区,单个NODDI参数图模型的AUC范围为0.713至0.812;然而,即使整合为联合模型,也仅达到中等判别能力,AUC为0.820(95% CI,0.664–0.976)。
其他评价指标的结果见表2。图3显示了三个主要肿瘤区域中不同模型的ROC曲线。联合NODDI模型在训练集和验证集中的预测结果见图4。四种所选特征在Gb与SBM之间的差异评价见图5。此外,影像组学流程的细节,如特征选择方法与分类器的配对参数,见补充图2,而不同模型所选特征见补充表2。鉴于联合NODDI模型在实性肿瘤区表现出更优的判别能力,该模型与其他模型的DeLong检验结果见补充表3。然而,大多数结果中未观察到显著差异。
性能比较
横向比较涉及使用联合形态学MRI、ADC和联合DTI模型。在坏死区内,这些模型表现出与NODDI模型相当的判别能力,显示出总体判别能力,AUC值范围为0.669至0.706。在实性肿瘤区内,联合形态学MRI、ADC和联合DTI模型的AUC分别为0.864、0.820和0.776。尽管联合形态学MRI模型表现出可接受的判别能力,但与NODDI模型的表现相比存在一定差距;事实上,随着数据量或样本量的显著增加,NODDI模型在有效识别肿瘤方面显示出明显优势。在瘤周水肿区域方面,联合形态学MRI(AUC = 0.824)和ADC(AUC = 0.794)模型与NODDI模型相比显示出相似的判别能力。然而,在此背景下使用联合DTI模型时观察到判别能力有限。总结我们在此处使用的所有横向比较模型中的发现:当单独使用ADC或联合DTI模型时,模型的判别能力不理想。联合形态学MRI模型显示出与联合NODDI模型相似的鉴别能力。
讨论
本研究旨在使用术前MRI实现Gb与SBM的准确鉴别。基于NODDI从多个VOI中提取影像组学特征,随后构建分类模型。通过横向比较,我们展示了NODDI影像组学分析的显著潜力,特别是在实性肿瘤区域内区分Gb与SBM方面。
形态学MRI可对肿瘤进行初步检查,以识别Gb和SBM;然而,仅使用形态学MRI时,超过40%的病例被错误分类,这仍是神经放射学中的一项挑战[9]。放射组学分析可以提取视觉上难以察觉的特征并表征肿瘤的特异性,从而显著提高肿瘤识别的准确性。考虑到放射组学的有效性,选择合适的MRI技术非常重要。我们强烈推荐将NODDI与放射组学相结合。首先,我们的结果表明,DWI和DTI区分Gb和SBM的能力有限,被认为适合作为多参数MRI方案的一部分,而不是作为与放射组学相结合的单一序列。一项大型荟萃分析也显示,DWI和DTI表现出宽泛的个体敏感性和特异性,诊断准确性仅为中等[34]。与提供有限信息的传统扩散MRI方法不同,NODDI对脑组织提供了更细致的表征,包括神经纤维的密度和方向[16, 17, 35]。这在神经系统疾病的研究中特别有用,因为组织结构的细微变化可以提示疾病进展或治疗反应。至于形态学MRI,我们的结果证实,形态学MRI在区分Gb和SBM方面与NODDI表现相似,未显示出统计学差异,这可能与样本量较小有关。与形态学MRI相比,NODDI提供了对脑微结构的更详细视图,在特异性和生物学意义方面具有优势。NODDI提供的指标与脑白质的潜在微结构更直接相关,能够以更高的病理学特异性识别组织亚型及相关损伤,这是形态学MRI无法提供的能力。因此,NODDI提供了一种通过生物物理学启发建模将扩散MRI信号与组织特征联系起来的手段。这在临床实践中特别有利,因为它为组织变化提供了更多生物学解释的基础。
应更加关注主肿瘤区域及其特征的生物学特性。与其他两个主肿瘤区域相比,基于实性肿瘤区域的NODDI影像组学模型在区分Gb与SBM方面表现出更优的性能。Gb与SBM在实性肿瘤区域的差异主要体现在强化模式上[1, 36]。Gb的特征是高度血管化、局部缺氧、异常血管生成和炎症反应。这些因素导致Gb实性区域血管通透性异常和血脑屏障破坏,从而在MRI上表现为不规则且强烈的强化模式。SBM的强化模式可能因原发癌部位和转移病灶的特征而异。SBM的强化主要归因于转移部位血脑屏障的破坏。通常,与Gb相比,SBM倾向于具有清晰的边界和更均匀的强化模式。所选特征包括两个纹理特征和两个一阶特征。纹理特征描述小波分析下ODI参数图中的纹理变化,量化纹理复杂程度并捕捉强化区域的不规则性。一阶特征描述VOI的均值和方差,记录强化区域信号强度的变化。此外,既往研究表明,ODI信号的变化可对应于多种疾病模型中微胶质细胞数量、形态和激活状态的变化[37]。微胶质细胞在Gb和SBM中的作用并不相同[38]。在本研究中,ODI信号特征中选出的三个特征在Gb与SBM之间表现出显著差异。这一差异可能提示Gb与SBM实性肿瘤区域中微胶质细胞或其他细胞及分子成分存在潜在差异。
Gb和SBM在瘤周水肿形成中涉及不同的分子机制和通路[39–41]。Gb主要通过浸润性生长诱发水肿,可能通过主动修饰细胞外基质并协助脑内浸润扩散来促进其侵袭性生长。相比之下,SBM通常因转移癌细胞在新部位破坏血脑屏障的完整性而导致血管源性水肿,引起血管壁结构和功能损伤,从而造成局部血管渗漏和水肿。此外,SBM可能携带并释放原发肿瘤特有的血管生成因子,进一步加剧血脑屏障破坏和水肿发展。在本研究中,针对瘤周水肿区域的NODDI影像组学模型仅表现出中等 discriminative 能力。这一结果与既往研究[17]不一致,可能是因为所选特征在区分浸润性水肿与血管源性水肿方面的能力有限。
通过NODDI模型在坏死区区分Gb与SBM的有效性并不理想。这种不足可能是由于两种肿瘤类型具有相似的恶性生物学特征。Gb和SBM中的坏死区均源于其快速且无序的生长,导致血供不足并最终发生肿瘤组织坏死[42, 43]。与Gb相比,SBM中的坏死可能更多与原发肿瘤的特征相关。例如,黑色素瘤、乳腺癌和肺癌在转移至脑部时可能携带促进快速生长的特定基因和蛋白质,加速肿瘤生长,并导致快速血管功能不足及随后的坏死。这些特定基因和蛋白质的影像学特征可能未被捕捉到,或缺乏足够的特异性。这也可以从大多数Gb和SBM特征无统计学差异这一事实中得出结论。
影像组学的可重复性是模型在临床实践中应用的主要限制因素之一。临床数据和影像组学模型的共享可以使所有影像组学研究(包括NODDI影像组学)更容易被重复。然而,数据共享可能受到患者隐私问题的阻碍,模型共享则受到建模过程和平台(或代码)披露的限制。代码兼容性不确定;其中大多数无法运行。幸运的是,一些开源影像组学软件,如LIFEx[44]和FAE,提供了必要的数据处理和分析功能,且易于使用。本研究使用了FAE,包括用于结果可视化和模型共享,从而可能减少在实施前在新站点重新训练影像组学的需要。
必须承认本研究的局限性。首先,我们的模型使用来自单一机构的回顾性小样本数据进行训练和验证。其次,应增加更多序列或成像方式,如灌注加权成像,以进行比较以提高说服力。最后,应考虑更精细的亚区以探索图像特征与VOI之间的关系。
总之,NODDI影像组学模型在术前区分Gb与SBM方面表现出有前景的性能,影像组学特征可以纳入描述肿瘤异质性的多维表型特征中。
补充信息
以下是电子补充材料的链接。补充文件1(PDF 434 KB)
引用
- Bai J, He M, Gao E, et al. High-performance presurgical differentiation of glioblastoma and metastasis by means of multiparametric neurite orientation dispersion and density imaging (NODDI) radiomics. Eur Radiol. 2024. PMID: 38485749. doi:10.1007/s00330-024-10686-8
- 全文:PMC11399163(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11399163/
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。