T2-FLAIR数字减影影像组学与神经放射科医生视觉评估鉴别IDH突变型星形细胞瘤与其他非强化低级别胶质瘤：一项外部验证的机器学习研究

引言

弥漫性低级别胶质瘤（LGGs）是一组具有不同分子特征和临床结局的原发性脑肿瘤[1]。2021年世界卫生组织（WHO）中枢神经系统肿瘤分类强调分子标志物的重要性，特别是异柠檬酸脱氢酶（IDH）突变状态和1p/19q共缺失，在定义具有不同预后和治疗反应的独特胶质瘤实体方面具有重要意义[2, 3]。根据该分类，IDH突变型弥漫性胶质瘤分为两个主要亚型：IDH突变型、1p/19q非共缺失型星形细胞瘤和IDH突变型、1p/19q共缺失型少突胶质细胞瘤， each具有不同的生物学行为和治療意义[1, 2]。

术前准确识别这些分子亚型对临床决策至关重要。无1p/19q共缺失的IDH突变型星形细胞瘤通常采用最大安全切除后放疗和替莫唑胺治疗，而IDH突变型、1p/19q共缺失型少突胶质细胞瘤对丙卡巴肼、洛莫司汀和长春新碱（PCV）联合化疗联合或不联合放疗表现出特殊敏感性，且通常预后更为有利[4, 5]。因此，术前预测分子亚型对手术策略、辅助治疗计划和患者咨询具有重要影响。

T2-FLAIR不匹配征是一种成熟的MRI生物标志物，其特征为T2加权图像上呈均匀高信号，而相应FLAIR图像上呈相对低信号，仅周边可见高信号环[6, 7]。多项研究和近期一项荟萃分析已证明其对推测的低级别胶质瘤中IDH突变型、1p/19q非共缺失状态具有高特异性（接近100%）[8–11]。然而，其敏感性仍然有限（范围为22%至51%），这极大地限制了其作为独立诊断工具的临床实用性[11–13]。

此外，T2-FLAIR不匹配征的视觉评估受观察者间变异性的影响，需要经验丰富的神经放射科医师[14]。这种评估的主观性可能导致解读不一致，特别是在临界病例或影像质量欠佳时。

影像组学，即从医学图像中高通量提取定量特征，已成为捕捉超越人类视觉感知的肿瘤异质性的强大工具[15, 16]。通过将影像组学与机器学习算法相结合，可以开发自动化且可重复的诊断模型，这些模型可能补充或增强传统影像评估[17, 18]。近期系统综述强调了基于影像组学的方法在胶质瘤分子分类中日益增长的潜力，同时也强调了外部验证和标准化报告的重要性[18–20]。

在本研究中，我们假设T2-FLAIR数字减影影像组学能够直接捕捉T2加权图像与FLAIR图像之间的信号强度差异，从而为区分IDH突变型、1p/19q非共缺失型星形细胞瘤与其他非强化低级别胶质瘤提供一种更客观、更敏感的方法。我们旨在利用来自Erasmus胶质瘤数据库（EGD）和TCGA-LGG数据集的多中心数据，开发并外部验证一种自动化机器学习模型，并将其诊断性能与经验丰富的神经放射科医师进行的传统T2-FLAIR错配视觉评估进行比较。

材料与方法

研究设计与患者人群

这项回顾性多中心研究按照《赫尔辛基宣言》的原则进行。本研究使用了两个公开可用的去标识化数据集：Erasmus胶质瘤数据库（EGD）和癌症基因组图谱低级别胶质瘤（TCGA-LGG）数据集。由于本研究仅涉及对匿名开放获取数据的二次分析，机构审查委员会批准予以豁免。

纳入标准为：（1）组织病理学确诊的弥漫性胶质瘤（WHO 2级或3级），（2）分子特征分析包括IDH突变状态（通过免疫组织化学或测序确认）和1p/19q共缺失状态（通过荧光原位杂交[FISH]或基于芯片的方法确认），（3）可获得术前MRI包括T2加权和FLAIR序列，（4）钆增强T1加权图像上无对比增强，（5）未经 prior 治疗（手术、化疗或放疗）。存在明显运动伪影、影像数据不完整或肿瘤区域不适合分割的患者被排除。

共193例患者符合纳入标准：155例来自EGD（训练队列），38例来自TCGA-LGG（外部测试队列）。根据分子特征将患者分为两组：（1）IDH突变型、1p/19q非共缺失型星形细胞瘤（阳性类）和（2）其他非强化低级别胶质瘤亚型，包括IDH突变型、1p/19q共缺失型少突胶质细胞瘤和IDH野生型弥漫性胶质瘤（阴性类）。经组织病理学和分子检测确认的分子亚型作为模型训练和评估的金标准标签。EGD队列用于模型开发并进行内部交叉验证，而TCGA-LGG队列作为完全独立的外部测试集。

MRI采集

MRI检查在来自不同厂商（Siemens Healthineers，埃尔朗根，德国；GE Healthcare，密尔沃基，威斯康星州；Philips Healthcare，贝斯特，荷兰）的1.5T和3T扫描仪上进行。标准术前脑肿瘤方案至少包括轴位T2加权 turbo spin-echo（T2W）和轴位T2加权液体衰减反转恢复（FLAIR）序列。MRI采集参数总结于表1。影像数据的多厂商、多中心性质反映了真实世界的临床异质性，并对模型稳健性提供了严格的检验。

图像预处理与数字减影

所有图像均接受了标准化预处理，包括：（1）使用ANTsPy进行N4偏场校正，（2）使用ANTsPy将FLAIR刚性配准至T2W图像，（3）使用HD-BET进行颅骨剥离，（4）在脑掩膜内使用z分数标准化进行强度归一化。T2-FLAIR数字减影图像通过将配准并归一化后的FLAIR图像从T2加权图像中逐体素相减生成：减影 = T2W_归一化 − FLAIR_归一化。该减影图像直接捕捉了表征T2-FLAIR不匹配现象的信号强度差异，其中不匹配区域在减影图像上表现为高信号。T2-FLAIR数字减影成像过程的代表性示例见图1。

肿瘤分割

三维（3D）容积肿瘤分割由一名具有10年经验的神经放射科医师使用3D Slicer（版本4.11，www.slicer.org）完成。在FLAIR图像上以半自动方式分割整个非强化肿瘤体积，包括所有包含可见肿瘤的轴位层面。所得3D分割掩膜由第二名神经放射科医师审核并批准。相同的容积分割掩膜应用于配准后的T2W和数字减影图像以提取影像组学特征，确保所有图像类型间感兴趣区定义的一致性。

影像组学特征提取

影像组学特征使用PyRadiomics（版本3.0.1）从T2-FLAIR数字减影图像中提取，遵循图像生物标志物标准化倡议（IBSI）指南。共提取1,130个特征，包括：（1）一阶统计量（n = 18），（2）形状特征（n = 14），（3）灰度共生矩阵（GLCM）特征（n = 24），（4）灰度游程长度矩阵（GLRLM）特征（n = 16），（5）灰度尺寸区域矩阵（GLSZM）特征（n = 16），（6）灰度依赖矩阵（GLDM）特征（n = 14），以及（7）邻域灰度差矩阵（NGTDM）特征（n = 5）。此外，还在经小波（LLL、LLH、LHL、LHH、HLL、HLH、HHL、HHH）、高斯拉普拉斯（σ = 2、3、4、5 mm）、平方、平方根、对数和指数变换滤波后的图像上计算了特征。

特征选择

为识别最具判别力的特征同时防止过拟合，应用了三种互补的特征选择方法：（1）LASSO（最小绝对收缩和选择算子），使用L1正则化逻辑回归并通过5折交叉验证选择最优正则化参数；（2）mRMR（最小冗余最大相关），结合基于互信息的相关性和基于相关性的冗余过滤；（3）Boruta，一种使用阴影特征和随机森林重要性的全相关特征选择方法，其中在p < 0.01水平上优于阴影属性而被确认的特征予以保留。采用共识方法，即由三种方法中至少两种选择的特征被保留用于模型开发。最终产生10个共识特征（图2），在捕捉稳健预测信息的同时降低了过拟合风险。

机器学习模型开发

使用AutoGluon框架（0.8版）进行自动化机器学习（AutoML）模型开发。AutoGluon自动探索多种算法，包括梯度提升机（LightGBM、CatBoost、XGBoost）、随机森林和极端随机树，并采用多层集成堆叠策略优化预测性能。模型训练在EGD队列（n = 155）上进行，使用5折分层交叉验证以确保稳健的性能估计并防止数据泄漏。使用“optimize_for_deployment”预设以偏向更简单、更具泛化性的模型。由于样本量相对较小，神经网络模型被排除。使用平衡准确率指标进行优化，以考虑分子亚型之间的类别不平衡。

外部测试

最终训练的模型在TCGA-LGG队列（n = 38）上进行独立评估，该队列在模型开发的所有方面（包括特征选择、超参数调优和集成构建）均完全保留。该外部测试集提供了模型对新人群、机构和成像方案泛化性的无偏估计。我们使用“外部测试集”一词以区别于内部交叉验证，符合放射学机器学习研究的推荐术语[19]。

常规T2-FLAIR错配评估

两名委员会认证的神经放射科医师（读者1：8年经验；读者2：12年神经影像经验）独立评估原始（非减影）T2加权和FLAIR图像上T2-FLAIR错配征的存在或缺失，对分子诊断设盲。T2-FLAIR错配征根据既定标准定义：（1）T2加权图像上完全或接近完全均匀的高信号，以及（2）FLAIR上相对低信号，除高信号边缘环外[6, 7]。读者之间的分歧通过共识讨论解决。读者间一致性使用组内相关系数（ICC，双向随机效应模型，绝对一致性）评估。常规评估作为比较方法，用于预测与放射组学模型相同的地面真值标签（分子亚型）。

可解释人工智能分析

进行SHapley加性解释（SHAP）分析以解释模型预测并识别最具影响力的放射组学特征。SHAP值量化每个特征对个体预测的边际贡献，提供全局特征重要性排名和特定病例的局部解释。生成SHAP汇总图以可视化整个队列中的特征贡献。

统计分析

采用受试者工作特征曲线下面积（AUC）、灵敏度、特异度、阳性预测值（PPV）、阴性预测值（NPV）、平衡准确率和F1分数评估模型性能。AUC的95%置信区间（CI）采用1，000次迭代的自助法计算。使用DeLong检验在各队列内比较影像组学模型与传统神经放射科医师评估的ROC曲线[21]。以训练交叉验证AUC与外部队列测试AUC之间的差值评估潜在过拟合，差值>0.15被认为提示存在实质性过拟合。分子亚型和T2-FLAIR不匹配状态的类别分布均以计数和百分比报告。统计分析使用Python（版本3.9）及scikit-learn、SciPy和等效于pROC的statsmodels库进行。双侧p值<0.05被认为具有统计学意义。

结果

患者特征

共纳入193例非强化低级别胶质瘤（LGG）患者。训练队列（EGD）包括155例患者，外部队列测试集（TCGA-LGG）包括38例患者。分子亚型分布、WHO分级和T2-FLAIR不匹配状态总结于表2。在训练队列中，66例患者（42.6%）为IDH突变型、1p/19q非共缺失星形细胞瘤（阳性类），而89例患者（57.4%）为其他LGG亚型（阴性类），包括78例IDH突变型、1p/19q共缺失少突胶质细胞瘤（50.3%）和11例IDH野生型弥漫性胶质瘤（7.1%）。在外部队列测试集中，22例患者（57.9%）为IDH突变型星形细胞瘤，16例（42.1%）为其他亚型，包括14例少突胶质细胞瘤（36.8%）和2例IDH野生型弥漫性胶质瘤（5.3%）。在训练队列中，神经放射科医师共识在66例星形细胞瘤中的37例（56.1%）和89例非星形细胞瘤病例中的2例（2.2%）识别出T2-FLAIR不匹配征；在外部队列测试集中，22例星形细胞瘤中的9例（40.9%）和16例非星形细胞瘤病例中的0例（0%）识别出该征，这与先前报道的这种视觉评估对预测IDH突变型星形细胞瘤状态具有高特异度但灵敏度有限相一致[8，11，12]。

特征选择结果

从最初的1，130个影像组学特征中，LASSO选择了2个特征（在通过5折交叉验证确定的最佳正则化参数λ处），mRMR识别出20个特征，Boruta确认20个特征显著比阴影属性更重要（均在p<0.01时确认）。共识方法保留至少被两种方法选择的特征，最终得到10个特征用于模型开发（图1）。排名最高的共识特征包括一阶偏度（sub_original_firstorder_Skewness）、GLCM最大相关系数（sub_logarithm_glcm_MCC）和小波衍生GLCM特征（sub_wavelet-LLL_glcm_Imc2、sub_wavelet-LLL_glcm_Correlation）。

模型性能

AutoML集成模型在两个队列中均表现出较强的判别能力。在训练队列（5折交叉验证）中，模型达到AUC 0.879（95% CI：0.821–0.937），灵敏度为71.2%，特异度为85.4%。F1分数为0.746，平衡准确率为78.3%。在外部测试队列（TCGA-LGG）中，模型达到AUC 0.849（95% CI：0.741–0.957），灵敏度为86.4%，特异度为75.0%。F1分数为0.844，平衡准确率为80.7%。训练队列与外部测试队列之间的AUC差异为0.030，低于常用的0.15阈值，提示该模型未表现出明显的过拟合（图3；表3）。

分类结果

在训练队列中，影像组学模型正确分类了47例真阳性（正确识别的IDH突变型星形细胞瘤）和76例真阴性（正确识别的其他LGG亚型）病例，假阳性13例，假阴性19例。在外部测试队列中，模型正确识别了19例真阳性和12例真阴性病例，假阳性4例，假阴性3例（图3）。值得注意的是，在外部测试集中，影像组学模型正确识别了22例IDH突变型星形细胞瘤中的19例（灵敏度86.4%），而常规T2-FLAIR错配征评估仅识别出22例中的9例（灵敏度40.9%）。在外部测试集的4例假阳性病例中，3例为IDH突变型、1p/19q共缺失少突胶质细胞瘤，1例为IDH野生型弥漫性胶质瘤。

常规评估与阅片者间一致性

两名神经放射科医师（分别具有8年和12年经验）独立评估常规T2-FLAIR错配征，阅片者间一致性极好（ICC = 0.89，95% CI：0.84–0.93）。共识常规视觉评估在训练队列中达到AUC 0.768（灵敏度：56.1%，特异度：97.8%），在外部测试队列中达到AUC 0.741（灵敏度：40.9%，特异度：100.0%），与既往文献报道值一致[8, 11, 12]。常规评估的高特异度表明，T2-FLAIR错配征存在时是IDH突变型星形细胞瘤状态的可靠指标。然而，其有限的灵敏度意味着仅凭此视觉评估会漏诊相当比例的IDH突变型星形细胞瘤。

DeLong检验证实，影像组学模型在训练队列（AUC 0.879 vs. 0.768，ΔAUC = + 0.111，p = 0.003）和外部测试队列（AUC 0.849 vs. 0.741，ΔAUC = + 0.108，p = 0.038）中均较常规T2-FLAIR错配评估获得了统计学上更高的AUC。影像组学模型的主要优势在于其灵敏度大幅提高（训练中71.2% vs. 56.1%；外部测试中86.4% vs. 40.9%），同时维持了临床可接受的特异度。

特征重要性与模型解释

SHAP分析显示，对分子亚型预测影响最大的特征与T2-FLAIR数字减影图像衍生的一阶统计量和纹理异质性相关（图4）。SHAP蜂群图展示了按平均绝对SHAP值排序的前10位特征，其中每个数据点代表一个单独的患者样本，颜色梯度表示原始特征值的大小（红色=高，蓝色=低），同时提供了全局特征重要性排序以及每个特征对个体预测的方向性效应。排名最高的特征是一阶偏度，反映了减影图像中信号强度分布的不对称性，这是T2-FLAIR不匹配现象的特征。

代表性病例图示

图5展示了代表性病例，演示了T2-FLAIR数字减影成像过程和三维肿瘤分割。第一个病例（上排，a–d）显示一例具有特征性T2-FLAIR不匹配模式的IDH突变型星形细胞瘤，在减影图像上可见明显的信号差异；该病例被放射组学模型和常规神经放射科医师评估均正确分类。第二个病例（中排，e–h）显示一例IDH突变型、1p/19q共缺失的少突胶质细胞瘤，在T2加权和FLAIR序列上均呈持续信号，无明显不匹配，导致减影图像上信号差异极小；该病例也被两种方法均正确分类。第三个病例（下排，i–l）展示了一个临床上重要的不一致情况：一例IDH突变型星形细胞瘤，放射组学模型正确预测了星形细胞瘤分子亚型（阳性），但神经放射科医师的视觉评估为阴性，因为FLAIR上的部分信号抑制未达到T2-FLAIR不匹配征的严格视觉标准。该病例说明了定量放射组学方法在检测低于视觉感知阈值的细微不匹配模式方面的附加价值。

讨论

在这项多中心研究中，我们开发并外部验证了一种基于影像组学的机器学习模型，使用T2-FLAIR数字减影图像区分IDH突变型、1p/19q非共缺失星形细胞瘤与其他非强化低级别胶质瘤（LGG）亚型，包括少突胶质细胞瘤和IDH野生型弥漫性胶质瘤。该模型在训练队列中达到AUC 0.879，在独立外部测试集中达到0.849，并在统计学上优于传统神经放射科医师对T2-FLAIR错配征的视觉评估（DeLong检验：分别为p = 0.003和p = 0.038）。

术前准确区分这些分子亚型的临床重要性怎么强调都不为过。IDH突变型星形细胞瘤与IDH突变型、1p/19q共缺失少突胶质细胞瘤，尽管两者均被归类为较低级别IDH突变型胶质瘤，却表现出不同的生物学行为并对治疗反应不同。少突胶质细胞瘤对PCV化疗反应特别好，总体预后显著更佳，中位生存期超过14年，而星形细胞瘤约为8–10年[4, 5]。此外，手术切除范围要求和辅助治疗策略也不同：最大安全切除后行以替莫唑胺为基础的化疗是星形细胞瘤的标准方案，而少突胶质细胞瘤可能更多获益于以PCV为基础的方案[2]。因此，可靠的术前分子亚型预测对治疗计划、知情同意过程和患者咨询具有直接影响。

传统的T2-FLAIR错配征，如Patel等[6]最初所述并在后续研究中得到验证[7–11, 20]，在较低级别胶质瘤（LGGs）中识别IDH突变型、1p/19q非共缺失星形细胞瘤方面表现出高特异度（常接近100%）但敏感度有限（22–51%）。我们的发现与这些报道一致：神经放射科医师评估在训练队列和外部测试队列中的特异度分别为97.8%和100.0%，但敏感度仅为56.1%和40.9%。影像组学模型显著提高了敏感度（分别至71.2%和86.4%），代价是特异度适度降低（至85.4%和75.0%）。这种权衡具有临床意义，因为传统评估的主要局限——漏诊相当比例的IDH突变型星形细胞瘤——对治疗计划有直接影响。影像组学模型相对于传统评估的特异度降低是这种敏感度-特异度权衡的预期结果，反映了该模型识别T2-FLAIR错配征严格视觉标准未能捕捉的更细微影像模式的能力。重要的是，影像组学模型的特异度（85.4%和75.0%）对于筛查或决策支持工具而言仍在临床可接受范围内，而提高的敏感度可能有助于识别仅靠传统评估会被漏诊的星形细胞瘤病例。

使用T2-FLAIR数字减影图像作为影像组学分析的基础是本研究的 key 方法学方面。通过计算配准后的T2与FLAIR图像之间的体素级差异，我们直接量化了与T2-FLAIR错配现象相关的影像特征。与定性视觉评估相比，这种方法提供了更客观、更全面的评估，捕捉了视觉上可能难以感知的信号强度关系的细微变化。图1中的代表性病例展示了减影图像如何突出分子亚型之间的信号差异特征，包括一例不一致病例，其中影像组学模型在神经放射科医师视觉评估阴性的情况下正确识别了星形细胞瘤，凸显了这种定量方法的临床价值。

我们的共识特征选择方法结合了LASSO、mRMR和Boruta方法，有效地将维度从1，130个特征降至10个高度判别性特征的简约集合。这种保守的特征选择策略对于防止过拟合至关重要，训练集与外部测试集AUC值之间的微小差异（0.030）证明了这一点。所选特征主要代表一阶统计量（偏度、峰度）和纹理特征（灰度共生矩阵相关性、平方和），这些特征捕捉了减影图像上不同分子亚型之间存在的信号强度特征和空间异质性模式。

SHAP分析提供了对驱动模型预测的特征的洞察。一阶偏度成为最具影响力的特征，反映了减影图像上的不对称信号强度分布。然而，必须承认影像组学特征是图像属性的统计描述符，而非直接的生物学标志物[15, 16]。虽然这些特征所捕捉的影像模式可能反映了肿瘤组成的潜在差异（如星形细胞瘤中存在伴微囊性改变的原浆型星形细胞），但特定影像组学特征与肿瘤生物学之间的直接因果联系应谨慎解读。小波衍生特征的突出性表明，多尺度纹理分析捕捉到了有助于分子亚型鉴别的相关信息。

此前已有若干研究探索了影像组学和机器学习方法用于胶质瘤分子分型[18, 20, 22–25]。然而，我们的方法的不同之处在于特定使用T2-FLAIR数字减影成像作为影像组学提取的输入。Choi等[26]展示了深度学习结合影像组学预测IDH突变状态的价值，而Zhou等[27]开发了用于1p/19q联合缺失预测的影像组学标签。近期荟萃分析强调了基于机器学习的方法在胶质瘤分子分型中的潜力，同时也强调了外部验证和标准化方法的至关重要性[18, 19]。我们的工作通过提供一种专门利用数字减影T2-FLAIR信号强度关系的自动化方法来补充这些努力。

在我们的研究中，传统T2-FLAIR不匹配评估的读者间一致性极佳（ICC = 0.89），这与既往报道一致[14]，并证实了该视觉评估在有经验的读者中的可靠性。然而，不匹配征象的敏感性有限（已发表研究中为22–51% [6–11]），其根本原因在于其严格的二分类视觉定义，而非读者经验。不匹配征象要求FLAIR上信号完全或近完全均匀抑制——这一严格的形态学标准本质上排除了部分性或细微的不匹配模式。我们假设，即使是接受过广泛亚专科培训（> 15–20年）的高度经验丰富的神经放射学家，也会表现出类似的敏感性局限，因为这一限制源于视觉标准二分类性质的固有属性，而非评估者的感知能力。放射组学模型敏感性的提高反映了其在数字减影图像上量化连续、分级信号强度差异的能力，能够捕捉到低于任何分类视觉评估阈值的细微变化，而与评估者经验无关。

本研究未探讨将放射组学特征与传统放射科医师评估相结合的联合模型，因为我们的主要目标是评估一种可独立于主观视觉评估运作的自动化放射组学方法。这种联合方法可能潜在利用两种方法的互补优势——传统评估的高特异性和放射组学提高的敏感性——值得在未来研究中探讨。

若干方法学考量值得讨论。第一，我们将TCGA-LGG数据集用作外部测试集而非额外的训练来源，以在来自不同机构和成像方案的完全独立数据上获得模型性能的无偏估计。虽然TCGA-LGG队列相对较小（n = 38），但它提供了对泛化性的重要评估。第二，训练队列中的类别分布显示非星形细胞瘤病例比例（57.4%）高于星形细胞瘤（42.6%），这与未经选择的临床人群中预期的星形细胞瘤较高患病率不同。这可能反映了EGD数据集的选择特征，在解释模型的预测值时应予以考虑。训练期间使用平衡准确度优化并报告敏感性和特异性，有助于减轻该类别分布对性能评估的影响。

局限性

本研究存在若干局限性。第一，回顾性设计可能引入选择偏倚，有必要进行前瞻性验证。第二，尽管我们的标准化预处理流程（包括N4偏场校正、刚性配准、颅骨剥离和强度归一化）旨在尽量减小这些影响，但各机构和扫描仪厂商的成像方案存在差异。第三，外部测试队列相对较小（n = 38），尽管它提供了对泛化性的初步评估，但在临床实施前仍需在更大规模的前瞻性多中心队列中进一步验证。第四，我们特意聚焦于非强化胶质瘤；我们的模型对对比强化肿瘤的适用性需要另行研究。第五，IDH野生型亚组较小（总计n = 13），无法可靠地独立评估模型对这一特定分子亚型的性能。第六，分子亚型分类为二分类（星形细胞瘤 vs. 其他），未能涵盖胶质瘤分子异质性的完整谱系。最后，影像组学特征采用半自动分割方法提取；全自动分割流程可能进一步提高该方法的临床实用性和可重复性。

临床意义

所提出的基于影像组学的模型具有若干潜在的临床应用。第一，它可作为定量筛查工具，用于识别可能患有IDH突变型星形细胞瘤的患者，从而实现有针对性的影像学复核和更有针对性的术前分子学检查。第二，影像组学分析的自动化和可重复性降低了主观视觉评估固有的观察者间变异，并使不同临床环境下的评估质量保持一致。第三，该模型在亚专科神经放射学专长有限的中心可能尤其有价值，因为这些中心对T2-FLAIR错配征的评估可能不太可靠。第四，与常规错配征相比，影像组学方法提高的敏感性可能有助于在术前识别星形细胞瘤病例，从而可能为手术策略和辅助治疗计划提供信息。临床工作流程将在标准MRI采集后包括以下步骤：（1）T2和FLAIR序列的自动预处理，（2）生成数字减影图像，（3）肿瘤分割（目前为半自动，未来有可能使用基于深度学习的分割实现全自动化），（4）影像组学特征提取，（5）基于模型的预测输出。未来的前瞻性研究应在真实世界环境中评估该模型对治疗决策和患者结局的临床影响。

结论

我们开发并外部验证了一种基于影像组学的机器学习模型，使用T2-FLAIR数字减影图像，用于区分IDH突变型、1p/19q非共缺失型星形细胞瘤与其他非强化低级别胶质瘤（LGG）亚型。该模型在训练队列中达到AUC 0.879，在外部测试集中达到AUC 0.849（DeLong检验：分别p = 0.003和p = 0.038，与常规评估相比），在多中心数据中具有充分的泛化能力。与常规T2-FLAIR错配评估相比，其主要优势在于显著提高了敏感性，同时保持了可接受的特异性。这种自动化、定量的方法可作为弥漫性胶质瘤无创分子表征的补充工具，特别是在识别缺乏常规T2-FLAIR错配征象的IDH突变型星形细胞瘤方面。