基于深度学习的T2-FLAIR错配征定量分析:扩展成人型弥漫性低级别胶质瘤IDH突变预测
该回顾性研究纳入218例成人型弥漫性低级别胶质瘤患者,利用深度学习全自动肿瘤分割计算定量T2-FLAIR错配比(qT2FM),评估其预测IDH突变状态及IDHmut-Noncodel亚型的价值。qT2FM是识别IDHmut-Noncodel的独立影像预测因子(OR=3.43),联合视觉T2FM可提高诊断效能(AUC 0.77)。
要点
- qT2FM在IDHmut-Noncodel组最高(0.37±0.38),其次为IDHmut-Codel组(0.24±0.39)和IDHwt组(0.07±0.62)。
- qT2FM是识别IDHmut-Noncodel的独立影像预测因子(OR=3.43,95%CI 1.30-9.05,p=0.01)。
- qT2FM联合vT2FM识别IDHmut-Noncodel的AUC为0.77,优于单一参数。
核心结论
- 基于深度学习肿瘤分割的qT2FM是识别成人型弥漫性低级别胶质瘤IDH突变状态及IDHmut-Noncodel亚型的有价值预测因子。
研究设计与样本
- 回顾性研究纳入218例成人型弥漫性低级别胶质瘤患者(平均年龄47岁±15,男性125例),来自单中心。
- 使用3.0T扫描仪获取轴位T2WI、T1WI、FLAIR及增强T1WI图像。
- 采用HD-GLIO全自动分割工具生成肿瘤掩膜,并计算qT2FM。
- 以病理分子分型(IDH突变及1p/19q编码缺失状态)为参考标准。
关键影像表现/征象
- 经典T2FM仅见于20例IDHmut-Noncodel患者,IDHmut-Codel和IDHwt组均未见。
- 部分T2FM在各型中均可见,IDHmut-Noncodel组37.9%(25/66)与IDHmut-Codel组44.6%(29/67)无显著差异(p=0.53)。
- qT2FM与视觉T2FM(rpb=0.21,p=0.002)及部分T2FM(r=0.20,p=0.003)显著相关,与经典T2FM无显著相关(r=0.05,p=0.45)。
- qT2FM与IDH突变型胶质瘤的中位ADC呈正相关(r=0.339,p<0.001),IDHmut-Noncodel亚组中亦呈正相关(r=0.391,p=0.007)。
诊断标准与关键数值
- qT2FM计算公式为:肿瘤T2信号强度均值/对侧正常白质T2信号强度均值减去肿瘤FLAIR信号强度均值/对侧正常白质FLAIR信号强度均值。
- 识别IDHmut-Noncodel:qT2FM的AUC为0.68(95%CI 0.61-0.74),vT2FM的AUC为0.71(95%CI 0.64-0.77),联合AUC为0.77(95%CI 0.70-0.82),联合优于单一参数(p=0.005)。
- vT2FM识别IDHmut-Noncodel的敏感度52.9%、特异度84.2%、PPV 68.2%、NPV 73.7%。
- 预测IDH突变状态:qT2FM的AUC为0.69(95%CI 0.62-0.75),vT2FM的AUC为0.71(95%CI 0.65-0.77),联合AUC为0.77(95%CI 0.71-0.83),联合与单一参数差异显著(p=0.004)。
临床应用与阅片要点
- qT2FM可作为识别IDHmut-Noncodel亚型及IDH突变状态的影像学指标,联合视觉T2FM可提高诊断效能。
- qT2FM与ADC正相关,可能反映肿瘤微环境特征(如微囊性改变和细胞内间隙扩大)。
局限性
- 本研究为单中心回顾性设计,易受选择偏倚影响,需大样本多中心研究以提高结果的普适性。
- qT2FM量化需通过图像处理进行额外计算,妨碍其在真实临床环境中的应用。
全文中译12 节 · 点击展开
引言
世界卫生组织(WHO)2级和3级胶质瘤,也称为较低级别胶质瘤(LGGs),涵盖了一组高度异质性的肿瘤,可根据其不同的分子和病理特征进行分类[1–3]。根据WHO 2021年脑肿瘤分类,遗传信息对于弥漫性LGG患者的精确诊断和制定个体化治疗变得越来越重要[4]。2021年WHO分类包括三种基本的弥漫性胶质瘤类型:(1)少突胶质细胞瘤,异柠檬酸脱氢酶(IDH)突变型且1p/19q共缺失(IDHmut-Codel),(2)星形细胞瘤,IDH突变型且1p/1q非共缺失(IDHmut-Noncodel),以及(3)IDH野生型胶质瘤(IDHwt)。
在Patel等人首次报道T2-液体衰减反转恢复(FLAIR)不匹配征(T2FM)作为识别成人IDHmut-Noncodel亚型患者的特异性影像生物标志物之后,后续研究一致证明了该征象的预测价值,认识到其高特异性但低敏感性[5–7]。典型地,T2FM被定义为T2加权成像(T2WI)上完全或近完全、均匀的高信号,结合FLAIR成像上的低信号及高信号边缘。此外,近期研究报道肿瘤内FLAIR抑制可以是不均匀的,并强调了FLAIR成像上高信号边缘信号——称为视觉T2FM(vT2FM)——的价值,以在不影响特异性的情况下提高该征象的敏感性[8, 9]。Malik等人尝试基于T2-FLAIR不一致体积分级对成人型弥漫性胶质瘤进行分类并预测IDHmut-Noncodel状态[10]。然而,这些研究中对vT2FM定义的不一致性,以及区分坏死和囊性成分与肿瘤部分时读者间可靠性的低下,构成了重大挑战。此外,依赖视觉评估来测量T2FM体积限制了其在临床实践中的实用性。这些变异性和方法学局限性凸显了需要标准化方法以提高T2FM征象的临床适用性。
大量研究采用基于深度学习的肿瘤分割程序来提取预测胶质瘤分子亚型的定量影像生物标志物[11–13]。近期一些研究聚焦于量化T2FM征象,利用的方法包括减去T2和FLAIR成像上的肿瘤信号以利用残余信号特征,或通过计算T2FM的百分比体积[14, 15]。然而,这些方法需要手动勾画肿瘤掩膜并使用专门的研究软件,这使其难以整合到临床实践中。
本研究旨在使用全自动肿瘤分割软件量化T2FM,并评估定量T2FM(qT2FM)在识别成人型弥漫性LGG患者中IDHmut-Noncodel亚型和IDH突变状态方面的预测价值。
材料和方法
研究人群
本回顾性研究经X医院机构审查委员会批准,因研究的回顾性性质而豁免知情同意。2011年1月至2021年8月期间,根据2021年WHO脑肿瘤分类系统新诊断为成人型弥漫性胶质瘤的664例成年患者被纳入研究。纳入标准为:(1)接受手术治疗且病理诊断确诊的患者,(2)基于IDH突变和1p/19q共缺失状态已知分子亚型,(3)可获得术前MR图像。排除标准为:(1)组织学WHO 4级(n = 434),(2)修正诊断为弥漫性中线胶质瘤,H3 K27M突变型(n = 4),(3)组织学WHO分级未分类(n = 4),以及(4)未能确定分子状态,包括IDH突变型和1p/19q共缺失状态(n = 4)(图1)。
放射学数据收集和图像后处理
所有MR图像均在3.0-T扫描仪上使用32通道头线圈获取,受试者取仰卧位。MRI采集方案包括以下序列:轴位T2WI、T1加权成像(T1WI)、FLAIR和增强T1WI。详细信息见补充表1。
使用免费可用的自动分割和体积测量工具HD-GLIO(https://github.com/NeuroAI-HD/HD-GLIO)在T1WI、T2WI、FLAIR和增强T1WI上生成肿瘤分割掩膜,分别对应增强和非增强T2/FLAIR信号异常部分[16, 17]。在此过程中,肿瘤内的囊性或坏死区域被排除。随后使用FSL中的FAST(FMRIB自动分割)工具分割表现正常的白质掩膜,用于归一化目的[18]。所有分割均经视觉检查并在需要时手动校正(补充图1)。此外,感兴趣区(ROIs)随后被转移至共配准的DWI图上,并计算表观扩散系数(ADC)的中位值。
T2-FLAIR不匹配征:定性和定量分析
三名委员会认证的神经放射学家(Y.H.J.、K.H.L.和K.S.C.,分别具有3年、4年和7年神经影像经验)在对患者临床信息、组织病理学结果和分子状态不知情的情况下,独立分析术前MR图像,不一致的病例通过共识解决。每位阅片者评估以下图像指标:肿瘤原发位置、多脑叶受累、皮层受累以及vT2FM的存在。对于肿瘤原发位置,神经放射学家指出肿瘤是否以额叶为中心。
当肿瘤成分在T2WI上呈高信号,且在FLAIR成像上出现相应的相对抑制时,T2FM被视为阳性[5]。然后,根据该征象相对于肿瘤的范围,将T2FM分类为经典T2FM,其特征是与肿瘤范围几乎完全一致;或部分T2FM,定义为仅与肿瘤的一部分相对应。视觉T2FM定义为非增强实性肿瘤部分内均匀的高T2信号,并伴有相应的FLAIR成像抑制,不一定涉及整个肿瘤体积,因此涵盖经典和部分T2FM[19]。经典和部分T2FM的代表性图像见补充图2。
对于T2FM的定量分析,勾画一个ROI以涵盖T2/FLAIR二值掩模内的整个高信号区域,随后对数值取平均值。然后在T2加权和FLAIR图像上于对侧表现正常白质(CNWM)掩模上勾画另一个ROI。qT2FM值用以下公式计算[20]:qT2FM = [肿瘤的平均T2信号强度(SI)/CNWM的平均T2 SI] − [肿瘤的平均FLAIR SI/CNWM的平均FLAIR SI](图2)。
统计分析
分类变量的比较采用卡方检验,定量变量的比较采用Student t检验或单因素方差分析。进行单变量和多变量logistic回归分析以确定IDH突变状态和IDHmut-Noncodel亚型的预测因素。采用点双列相关分析以确定vT2FM与qT2FM之间的关联。进行受试者工作特征(ROC)曲线分析以计算vT2FM和qT2FM的ROC曲线下面积(AUC)。单个和联合成像参数的AUC采用DeLong方法进行比较。进行Pearson相关分析以评估qT2FM与中位ADC之间的关系。所有统计分析均使用MedCalc软件20.112版(MedCalc,Mariakerke,比利时)进行,p < 0.05(双侧)被认为表示统计学显著性。
结果
研究人群的特征
本研究共纳入218例患者(平均年龄47岁±15[SD];125例男性患者)。其中,66例被认为具有IDHmut-Noncodel,67例被认为具有IDHmut-Codel,85例被认为具有IDHwt(表1)。在三个成人型弥漫性LGG组中,经Bonferroni校正后,在年龄(p < 0.001)、额叶位置(p < 0.001)、皮质受累(p < 0.001)、vT2FM(p < 0.001)和qT2FM(p = 0.001)方面发现显著差异。经典T2FM存在于20例IDHmut-Noncodel患者中,而在IDHmut-Codel和IDHwt患者中不存在。相反,部分T2FM在所有类型的弥漫性LGG中均被识别,IDHmut-Noncodel(37.9%,25/66)与IDHmut-Codel(44.6%,29/67)组之间无显著差异(p = 0.53)。IDHmut-Noncodel组的qT2FM值最高(0.37 ± 0.38),其次是IDHmut-Codel和IDHwt组(分别为0.24 ± 0.39和0.07 ± 0.62)(图3)。
IDHmut-Noncodel与其他弥漫性LGG的鉴别
在单因素分析中,年龄(p < 0.001)和qT2FM(p = 0.003)是将IDHmut-Noncodel亚型与其他弥漫性LGG区分开的显著因素。在多因素分析中,年龄(比值比[OR] = 0.95;95% CI:0.92–0.97,p < 0.001)和qT2FM(OR = 3.43;95% CI:1.30–9.05,p = 0.013)均为显著预测因子(表2)。
IDH突变状态的预测
在单因素分析中,年龄(p < 0.001)、额叶位置(p < 0.001)、皮质受累(p < 0.001)和qT2FM(p = 0.004)是成人型弥漫性LGG患者IDH突变状态的显著预测因子。在多因素分析中,年龄(OR = 0.93;95% CI:0.90–0.95,p < 0.001)、额叶位置(OR = 2.65;95% CI:1.30–5.38,p = 0.007)、皮质受累(OR = 11.00;95% CI:4.35–27.79,p < 0.001)和qT2FM(OR = 2.75;95% CI:1.08–7.00,p = 0.034)仍为IDH突变状态的显著预测因子(表3)。
诊断性能比较:视觉与定量T2-FLAIR不匹配比值
qT2FM与vT2FM的存在显著相关(点二列相关[rpb] = 0.21,p = 0.002),与部分T2FM亦显著相关(r = 0.20,p = 0.003)。然而,qT2FM与经典T2FM的存在之间无显著相关性(r = 0.05,p = 0.45)(补充表2)。
在将IDHmut-Noncodel与其他两种成人型弥漫性LGG区分开时,vT2FM的AUC为0.71(95% CI:0.64–0.77),灵敏度、特异度、PPV和NPV分别为52.9%、84.2%、68.2%和73.7%,而qT2FM的AUC为0.68(95% CI:0.61–0.74)。qT2FM与vT2FM联合在识别IDHmut-Noncodel亚型方面显著优于单独使用任一参数(AUC,0.77;95% CI:0.70–0.82;p = 0.005)。单参数之间的AUC无显著差异(p = 0.50)(图4)。
在预测成人型弥漫性LGG患者的IDH突变方面,qT2FM和vT2FM的AUC分别为0.69(95% CI:0.62–0.75)和0.71(95% CI:0.65–0.77),但两者之间的差异无统计学意义。相比之下,qT2FM与vT2FM联合的AUC与单独使用任一参数相比差异显著(AUC,0.77;95% CI:0.71–0.83;p = 0.004)。
qT2FM与ADC之间的相关性
在IDH突变型胶质瘤患者中,qT2FM与ADC中位数之间存在显著相关性(r = 0.339,p < 0.001)(图5)。为排除IDHmut-Codel亚型的混杂效应(该亚型相较于IDHmut-Noncodel亚型常表现为较低的ADC),仅对IDHmut-Noncodel亚型患者进行了亚组分析。获得了类似的结果,qT2FM与ADC中位数之间存在显著相关性(r = 0.391,p = 0.007)。
讨论
本研究首次使用基于深度学习的T2-FLAIR不匹配征定量(qT2FM)结合全自动肿瘤分割工具,在成人型弥漫性LGG患者中识别IDHmut-Noncodel亚型。我们的方法通过捕捉整个肿瘤体积并解决肿瘤异质性问题,提供了比手动方法更准确、更可重复的结果。在多变量分析中,qT2FM被证明是IDHmut-Noncodel和IDH突变状态的独立影像学预测因子,进一步验证了其预测能力。此外,当与视觉T2-FLAIR不匹配比值(vT2FM)联合使用时,qT2FM在预测IDH突变状态方面倾向于优于单独使用vT2FM。此外,qT2FM与ADC中位数之间的正相关性突出了其病理生理学相关性,并支持其在神经肿瘤学中的诊断效用。
尽管多项研究已验证T2FM在识别IDH突变非编码(IDHmut-Noncodel)亚型方面具有接近100%的阳性预测值和特异度的临床实用性,但该征象的敏感度较差,仅一小部分IDHmut-Noncodel肿瘤表现出T2FM [5, 7, 21]。近期研究集中于通过修改和扩展T2FM标准来提高对IDHmut-Noncodel亚型的诊断敏感度。更新后的定义现已涵盖T2FM仅见于肿瘤部分区域或FLAIR成像上存在高信号环的情况,无论T2WI上肿瘤成分的信号如何 [8–10]。在本研究中,应用了T2FM的扩展定义,允许对整个肿瘤在T2WI和FLAIR成像上的相对信号强度进行定量,结果表明T2FM是IDHmut-Noncodel亚型的独特影像学预测因子(OR = 3.43,95% CI:1.30–9.05,p = 0.013)。既往研究曾尝试利用显示FLAIR抑制的肿瘤体积比例作为T2FM来对LGG患者进行分类。Malik等 [10] 将T2-FLAIR不匹配体积大于50%的肿瘤分类为IDHmut-Noncodel亚型,不匹配体积小于25%的分类为IDHmut-Codel亚型,T2-FLAIR体积匹配的分类为IDHwt亚型。本研究的发现与既往研究相当,表明qT2FM值在成人型弥漫性LGG中可能呈连续谱分布,允许基于分子亚型对患者进行亚分类 [10]。值得注意的是,携带IDH突变的成人型弥漫性LGG患者的qT2FM值显著高于IDHwt亚型患者(IDHmut-Noncodel vs IDHmut-Codel vs IDHwt;0.37 ± 0.38 vs 0.24 ± 0.39 vs 0.07 ± 0.62,p = 0.001)。此外,与既往研究相似,部分IDHmut-Codel亚型患者也呈现部分T2FM征象 [10, 19, 22]。然而,关于T2FM征象的定性评估仍存在持续争议,因为阳性不匹配征象的表现随T2 FLAIR成像的反转时间不同而显著变化 [23]。
在本研究中,qT2FM征象被确认为IDH突变的预测标志物,其用途超出了识别IDHmut-Noncodel亚型的范围。Lee等 [19] 报道部分T2FM征象是WHO 4级胶质瘤患者IDH突变状态的特异性影像学预测因子。与这些发现一致,我们的研究表明,当结合皮层受累和额叶位置时,qT2FM是一个显著的影像学预测因子。此外,qT2FM减少了因囊性或坏死性改变导致部分T2FM征象出现而可能产生的假阳性结果的可能性。
据我们所知,本研究是首次利用全自动肿瘤分割程序为IDH突变非密码子缺失(IDHmut-Noncodel)亚型开发简单定量影像预测因子的研究。我们的发现与Lee等[20]的研究结果不同,后者使用手动绘制的感兴趣区(ROI)计算T2FM比值,并得出结论认为该比值不是IDHmut-Noncodel亚型的显著指标。由于肿瘤异质性,手动定量T2FM可能无法准确反映视觉T2FM,因为手动定量仅局限于肿瘤的一部分。在先前一项关于T2FM体积分析的研究[14]中,Cho等使用半自动阈值法进行肿瘤分割,并利用T2加权与FLAIR图像之间的数字减影图计算T2-FLAIR体积百分比。他们发现≥ 42%的T2-FLAIR不匹配体积可特异性提示IDHmut-Noncodel亚型,强调了显示不匹配的肿瘤亚区体积而非FLAIR抑制程度的重要性。相比之下,我们的定量方法利用基于深度学习的全自动肿瘤分割,捕获T2加权和FLAIR成像上的整个肿瘤信号。该方法有可能整合到实际临床实践中,并显著提高识别IDHmut-Noncodel和IDH突变状态的诊断准确性,提供比手动或半自动方法更全面的评估。
尽管少数患者表现为典型的T2FM,但先前的研究表明,与IDH野生型(IDHwt)亚型相比,IDHmut-Noncodel亚型在组织病理学上以较低的细胞密度和较低的ADC值为特征[6, 24–26]。与这些发现一致,我们的结果还显示IDH突变型胶质瘤的qT2FM值显著高于IDHwt胶质瘤。此外,相关性分析显示vT2FM与qT2FM之间呈正相关(R = 0.214,p = 0.002),提示即使在没有T2FM的情况下,IDHmut-Noncodel亚型也可能表现出独特的肿瘤微环境特征,如微囊性改变和细胞内间隙扩大。
尽管IDHmut-Noncodel亚型的组织病理学特征尚未完全阐明,但近期研究报道,表现为T2FM的IDH突变型低级别胶质瘤(LGG)患者常表现出微囊性改变和细胞内间隙扩大。这些改变可影响水分子扩散,这可能有助于T2FM的表现[25–27]。对于这些肿瘤微环境特征明显的患者,T2FM可通过视觉识别。此外,采用自动肿瘤分割进行定量分析可以捕获与T2FM相关的某些病理改变,从而提高其预测IDH突变状态的敏感性。
基于区域的ADC测量已被有效用于识别成人型弥漫性低级别胶质瘤(LGG)患者的IDH突变状态,并具有优异的观察者间一致性和良好的诊断准确性[1, 6, 28]。此外,Foltyn等人证明了IDH突变型LGG中T2FM与中位ADC之间存在显著正相关[6]。有趣的是,近期研究表明,不伴T2FM的IDHmut-Noncodel亚型患者其ADC也显著高于IDHwt或IDHmut-Codel患者[24]。我们的研究结果与既往研究一致,揭示了IDH突变型LGG(包括IDHmut-Noncodel LGG)中qT2FM与中位ADC之间存在显著正相关。这一发现表明,除ADC之外,qT2FM不仅可作为IDHmut-Noncodel亚型的影像学标志物,还能密切反映肿瘤的组织病理生理学特征,包括肿瘤微环境。基于深度学习的影像组学可用于识别环形征的超集(如T2FM),包括定量和定性两方面。
本研究存在若干局限性。首先,本研究采用单中心回顾性设计,因此易受选择偏倚影响。因此,需要大型队列的多中心研究以提高结果的普适性。其次,定量分析需要通过图像处理进行额外计算,这阻碍了qT2FM在真实临床环境中的应用。
总之,基于深度学习肿瘤分割得出的T2-FLAIR不匹配比值的定量分析,为识别成人型弥漫性LGG患者的IDH突变状态及识别IDHmut-Noncodel亚型提供了有价值的预测信息。将qT2FM纳入临床方案可能提高诊断准确性并影响治疗策略,凸显了先进成像技术在神经肿瘤学中日益增长的重要性。
补充信息
电子补充材料
引用
- Jeon YH, Choi KS, Lee KH, et al. Deep learning-based quantification of T2-FLAIR mismatch sign: extending IDH mutation prediction in adult-type diffuse lower-grade glioma. Eur Radiol. 2025. PMID: 40050456. doi:10.1007/s00330-025-11475-7
- 全文:PMC12350433(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12350433/
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。