Page 176 - 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

[63]
学分级低、GBM 分子特征一致的 IDH 野生型 2~3 级 散受限程度。研究显示 基于酰胺质子转移加权成
弥漫性星形细胞胶质瘤，术前获得无创、精准的鉴别 像（amide proton transfer-weight imaging, APTw）影像
具有极其重要的意义。这不仅可以帮助神经肿瘤科 组学模型在诊断放疗效应引起的肿瘤复发和治疗
医生制订更精细的个体化治疗方案，包括扩大手术 效果方面表现出 86.0% 的准确度 ，优于单一序列
切除范围，积极进行术后放疗、靶向治疗或其他手术 （T1WI、T2WI、FLAIR 和 CE-T1WI），建立 APTw-MRI
后治疗，可以最大限度地改善患者的预后。 与常规 MRI的组合模型其准确率提高至 89.5%，这表
有研究 [57-58] 基于 MRI 影像组学特征的机器学习 明基于 APTw 的影像组学可提高 MRI 评估 GBM 患
[64]
模型预测 DAG-G，获得了满意的分类结果，测试集 者对于治疗反应的准确性。ZHANG 等 评估了常
AUC 达到 0.85 以上，准确度 91.5%，敏感度 84.2%，特 规 MRI 序列（T1WI、T2WI、FLAIR、CE-T1WI）、DWI
异度 95.0%。另外一项研究 将临床病理特征[包括 和 ASL（CBF）用于区分胶质瘤复发和 RN 的性能，结
[59]
表皮生长因子受体（epidermal growth factor receptor, 果基于多模态 MRI 影像组学（AUC=0.96）的 SVM 模
EGFR）扩增和 TERT 启动子突变]和 Radscore 进行多 型优于常规 MRI（AUC=0.88）、ADC（AUC=0.91）和
变量Cox回归分析，其预测DAG-G性能从0.775增加 ASL-CBF（AUC=0.95）影像组学模型。REN 等 回
[65]
到 0.910，这说明影响 DAG-G 进展的因素是多样的， 顾性纳入了 131例胶质瘤患者，从常规 MRI序列的术
[60]
FUJIMOTO 等 的研究结果也证实了这一点，显示 后增强区域和水肿区域提取影像组学特征，结果显示
TERT 启动子突变是 DAG-G 不良预后的显著预测因 基于水肿区域特征构建的预测复发模型在分类方面表
子 [ 风 险 比（hazard ratio, HR）2.79]。 DU 等 [61] 纳 入 现出 82.5%的准确率，这提示我们水肿区域可能为识
[66]
172 例 2~3 级星形细胞瘤患者，在患者术前 MRI 图像 别复发提供有用的信息。研究者 将胶质瘤患者的
上勾画出2个ROI（包括最大异常区域和肿瘤区域），使 CE-T1WI图像与T2WI图像进行配准来训练DL模型，
用六种分类器[高斯朴素贝叶斯（Gaussian naïve bayes, 并使用五倍交叉验证，对于区别复发性 GBM 实现了
[11]
GNB）、K-邻近算法（k-nearest neighbors, KNN）、RF、 76.4%的准确度。ZHU等 纳入78例GBM患者建立
自适应增强（adaboost, AB）、MLP、SVM]建立术前预 融合临床特征和影像特征的CNN网络识别患者真性
测 DAG-G 模型，并通过五重交叉验证评估分类器的 进展与假性进展，获得了较好的效能。
预测性能 ，结果显示 AB 分类器的预测性能最好 ， 影像组学及 DL 对于胶质瘤放疗后真、假性进展
AUC为0.97。 具有一定的识别能力，尤其在引入高级 MRI 序列后
以上研究表明 MRI影像组学构建的预测模型可 诊断性能进一步得到提升。但是大部分研究结果缺
以基本实现对 DAG-G 的无创性和准确诊断，对进一 乏外部验证队列进一步验证，这也是我们后续重要
步优化此类患者的治疗方案具有重要意义。当遇到 的研究内容。
此类患者时，建议立即进行活检/切除以确认诊断并
立即开始辅助治疗 ，因为疾病进展和总体预后与 6 免疫治疗及对化疗药物敏感性的研究
GMB 相似。目前对 DAG-G 的临床研究仍处于起步 目前，化疗仍然是恶性胶质瘤的主要治疗方法，
[67]
阶段，入组患者样本量小存在缺陷，分析结果可能不 TMZ是广泛用作恶性胶质瘤的一线化疗药物 ，可轻
具有代表性和指导性。未来，需要更大的样本量和 松穿过血脑屏障，通过在多个位点烷基化DNA来诱导
来自多个中心的患者数据信息。 肿瘤细胞死亡。抗血管生成治疗是唯一公认的高级别
[68]
胶质瘤靶向治疗方法 ，贝伐珠单抗（bevacizumab,
5 放疗后真性进展与假性进展的识别 Bev）是最常见的抗血管生成剂 ，其通过结合并抑
放射性坏死（radiation necrosis, RN）通常发生在 制血管内皮生长因子 A（vascular endothelial growth
放疗后 3~12个月，与复发肿瘤难以区分，因为两者在 factor-A, VEGF-A）发挥作用，从而阻碍肿瘤血管系
[69]
MRI 上均表现为增强的肿块病灶。复发是 GBM 死 统的发育 。安罗替尼是一种针对肿瘤细胞增殖和
亡的主要原因之一，复发表明治疗失败，需要使用额 血管生成的新型酪氨酸激酶抑制剂，已被证明可以
外的抗肿瘤疗法，而 RN 则采取保守治疗。因此，区 延长GBM的PFS，在最近的研究中显示出光明前景。
[70]
分复发性 GBM 和 RN 对于决定后续治疗具有重要的 LI 等 基于 MRI 的影像组学模型用于预测复发
临床意义。 性恶性胶质瘤患者对安罗替尼联合 TMZ 的治疗反
[62]
PARK 等 基于常规 MRI 和扩散 MRI 的机器学 应。研究从 MRI 图像中提取 3668 个影像组学特征，
习建立高性能影像组学模型在独立测试集中，使用 采用八种机器学习模型构建影像组学模型，结果显
ADC序列的模型对于区分复发性GBM与RN显示出 示 logistic回归模型表现最好，AUC为 0.93，治疗反应
最佳的诊断性能，AUC、准确率、敏感度、特异度分别 组较无反应组表现出更高的生存获益（中位PFS分别
为 0.80、78%、66.7% 和 87%，表明 ADC 对于区分复发 为 8.53 个月和 5.33 个月，中位 OS 分别为 19.9 个月和
性 GBM 和 RN 很有前景，因为它反映了肿瘤细胞扩 7.33个月）。该研究提示我们在治疗前识别出可能从

https://www.chinesemri.com ·169 ·