Page 172 - 磁共振成像2024年7期电子刊

磁共振成像 2024年7月第15卷第7期 Chin J Magn Reson Imaging, Jul, 2024, Vol. 15, No. 7 综 述｜｜Reviews

多模态 MRI 影像组学及深度学习在胶质瘤

诊疗中的研究进展

王茹，高阳 *

作者单位 内蒙古医科大学附属医院影像诊断科，呼和浩特 010050
* 通信作者 高阳，E-mail: 1390903990@qq.com
中图分类号 R445.2；R730.264 文献标识码 A DOI 10.12015/issn.1674-8034.2024.07.028
本文引用格式 王茹, 高阳. 多模态MRI影像组学及深度学习在胶质瘤诊疗中的研究进展[J]. 磁共振成像, 2024, 15(7): 165-172.
[摘要] 弥漫性胶质瘤是最常见的颅脑原发恶性肿瘤，术前精准分级、分子分型预测等对于制订适当的治疗策略和预测生存率
具有至关重要的作用。影像组学使用高级特征分析从医学图像中提取数据并构建预测模型，捕捉病变微小的变化，从而提高临
床诊断、评估预后和预测治疗反应的准确性。深度学习（deep learning, DL）可以从大量原始数据中自动学习和提取多层特征，
而不是手工提取的浅层特征，由于 DL 已被充分证明能够准确地找到非常深入和抽象的特征，这使其成为医学图像分析领域中
广泛研究的课题。随着计算能力的进步，基于 DL的人工智能已经彻底改变了各个领域。本研究基于多模态 MRI影像组学与 DL
在胶质瘤术前分级、分子分型、生存预测及治疗评价中的最新研究进行综述，以期为胶质瘤患者提供精准诊疗。
[关键词] 弥漫性胶质瘤；多模态；磁共振成像；影像组学；深度学习；精准治疗
Research progress of multimodal MRI radiomics and deep learning in glioma

WANG Ru, GAO Yang *
Department of Imaging Diagnostic, Affiliated Hospital of Inner Mongolia Medical University, Hohhot 010050, China
* Correspondence to Gao Y, E-mail: 1390903990@qq.com
Received 4 Mar 2024, Accepted 6 Jul 2024; DOI 10.12015/issn.1674-8034.2024.07.028
ACKNOWLEDGMENTS Science and Technology Plan Project of Inner Mongolia Autonomous Region (No. 2019GG047).
Cite this article as WANG R, GAO Y. Research progress of multimodal MRI radiomics and deep learning in glioma[J]. Chin J Magn
Reson Imaging, 2024, 15(7): 165-172.
Abstract Diffuse gliomas are the most common primary malignant tumors of the brain, and preoperative precise grading and molecular
typing prediction are crucial for developing appropriate treatment strategies and predicting survival rates. Imaging omics uses advanced
feature analysis to extract data from medical images and construct predictive models to capture small changes in lesions, thereby
improving the accuracy of clinical diagnosis, prognosis assessment, and treatment response prediction. Deep learning can automatically
learn meaningful features for research, and can automatically learn and extract multi-layer features from a large amount of raw data,
rather than manually made shallow features. As deep learning has been fully proven to accurately find very deep and abstract features, it
has become a widely studied topic in the field of medical image analysis. With the advancement of computing power, deep learning based
artificial intelligence has completely changed various fields. Promote the biological validation of radiomic features in gliomas. This study
provides a review of the latest research on multimodal MRI radiomics and deep learning in preoperative grading, molecular typing,
survival prediction, and treatment evaluation of glioma, with the aim of providing accurate diagnosis and treatment for glioma patients.
Key words diffuse glioma; multimodal; magnetic resonance imaging; radiomics; deep learning; precise diagnosis and treatment

0 引言 学分析最终结果出现差异，从而影响患者分期/分级、
胶质瘤起源于脑神经胶质细胞，是中枢神经系 后续的标准化治疗、疗效评价及生存预测等。MRI
统最常见的原发性恶性肿瘤。2021 年最新发布的第 提供了一种非侵入性替代方案，可对胶质瘤的结构
5 版世界卫生组织（World Health Organization, WHO） 和功能进行深入了解，可以潜在地反映与胶质瘤分
中枢神经系统肿瘤分类进一步整合其组织学及分子特 子标志物相关的病理特征，成为近几年的研究热点。
征制订了新的分类标准，定义了以下成人型弥漫性胶 影像组学是一种用于分析成像数据的人工智能
质瘤实体 ：星形细胞瘤异柠檬酸脱氢酶（isocitrate 定量方法，旨在使用高级特征分析从医学图像中提
[2]
dehydrogenase, IDH）突变、少突胶质细胞瘤 IDH 突变 取可挖掘的数据 ，构建出具有临床意义的肿瘤模
和 1 号染色体短臂和 19 号染色体长臂（1p/19q）共缺 型，以进行疾病相关的诊断和预测，可以得出以前无
失，以及胶质母细胞瘤（glioblastoma, GBM）IDH-野 法获得的可测量的客观数据，并建立其与潜在生物
生型，重点推进分子标志物及基因诊断在临床工作 过程的关系，从而提高临床诊断、评估预后和预测治
[1]
中的重要作用 ，以进一步提高诊断精度、更好地进 疗反应的准确性，并可以作为胶质瘤分子改变的非
[3]
行预后评估以及靶向治疗的开发。但是由于胶质瘤 侵入性替代标记 ，为胶质瘤的精准医疗铺平了道
内部成分如代谢、血供等的异质性，会导致组织病理 路 。深度学习（deep learning, DL）近年来得到快速
[4]
收稿日期 2024-03-04 接受日期 2024-07-06
基金项目 内蒙古自治区科技计划项目（编号：2019GG047）

https://www.chinesemri.com ·165 ·