磁共振波谱联合减影技术在高级别胶质瘤影像组学分级预测的研究.pdf

技术研究Technical Articles磁共振成像 2023年6月第14卷第6期 Chin J Magn Reson Imaging,Jun,2023,Vol.14,No.6http:/磁共振波谱联合减影技术在高级别胶质瘤影像组学分级预测的研究宋静1，宗会迁2*，张娅2，柳青2，魏昊业2，杨存2，解立志3作者单位：1.河北医科大学第二医院医学影像科，石家庄 050000；2.河北医科大学第二医院医学装备部，石家庄 050000；3.通用电气医疗系统贸易发展（上海）有限公司，上海 201203*通信作者：宗会迁，E-mail：中图分类号：R445.2；R730.264 文献标识码：A DOI：10.12015/issn.1674-8034.2023.06.009本文引用格式：宋静,宗会迁,张娅,等.磁共振波谱联合减影技术在高级别胶质瘤影像组学分级预测的研究J.磁共振成像,2023,14(6):59-65.摘要 目的在常规影像组学分析中引入磁共振波谱（magnetic resonance spectroscopy,MRS）和减影技术，鉴别高级别胶质瘤分级。材料与方法回顾性分析60例经病理证实为高级别脑胶质瘤患者（级25例、级35例）的影像数据，基于对比增强T1加权成像（contrast-enhanced T1-weighted imaging,CE-T1WI）图像以及减影图像提取形状、纹理特征等影像组学特征，使用t检验、带有交叉验证的最小绝对收缩和选择算子进行特征筛选，结合MRS的3种代谢物峰值比，使用随机森林算法构建高级别胶质瘤分级鉴别模型并评估模型性能。结果基于CE-T1WI图像构建的模型的测试集曲线下面积（area under the curve,AUC）为 0.78；基于减影图像构建的模型的测试集 AUC为 0.81；基于 MRS的代谢物峰值比构建的模型的测试集 AUC为0.80；基于CE-T1WI图像及MRS的3种代谢物峰值比构建的模型的测试集AUC为0.95。结论基于CE-T1WI图像、减影图像及MRS序列的影像组学，在鉴别级和级胶质瘤方面均具有较好的表现，在单序列模型中，减影模型表现最好，在联合序列模型中，CE-T1WI联合MRS模型表现最好。多模态影像组学分析可为鉴别级和级胶质瘤提供有效临床辅助。关键词 高级别胶质瘤；磁共振波谱；磁共振成像；影像组学；减影MRS combined with subtraction technique in the prediction of high grade glioma radiomics gradingSONG Jing1,ZONG Huiqian2*,ZHANG Ya2,LIU Qing2,WEI Haoye2,YANG Cun2,XIE Lizhi31Department of Medical Imaging,the Second Hospital of Hebei Medical University,Shijiazhuang 050000,China;2Department of Medical Equipment,the Second Hospital of Hebei Medical University,Shijiazhuang 050000,China;3General Electric Medical Systems Trading Development(Shanghai)Co.,Shanghai 201203,China*Correspondence to:Zong HQ,E-mail:Received 9 Feb 2023,Accepted 5 May 2023;DOI:10.12015/issn.1674-8034.2023.06.009ACKNOWLEDGMENTS Research Fund of Hebei Provincial Health and Health Commission(No.20230518).Cite this article as:SONG J,ZONG H Q,ZHANG Y,et al.MRS combined with subtraction technique in the prediction of high grade glioma radiomics gradingJ.Chin J Magn Reson Imaging,2023,14(6):59-65.Abstract Objective:Magnetic resonance spectroscopy(MRS)and subtraction techniques were introduced in the conventional imaging omics analysis to identify high-grade glioma grade.Materials and Methods:The imaging data of 60 patients with pathologically confirmed high-grade glioma(25 patients with grade and 35 patients with grade)were retrospectively collected,and radiomic features such as shape and texture features were extracted based on contrast-enhanced T1-weighted imaging(CE-T1WI)images and subtracted images,and feature screening was performed using t-test and least absolute shrinkage and selection operator cross-validation,combined with the peak ratios of three metabolites of MRS,and a random forest algorithm was used to construct a high-grade glioma grading discrimination model and evaluate the model performance.Results:The area under the curve(AUC)of the model constructed based on CE-T1WI images was 0.78 in the test set;the AUC of the model constructed based on subtracted images was 0.81 in the test set;the AUC of the model constructed based on metabolite peak ratios from MRS was 0.80 in the test set;and the AUC of the model constructed based on CE-T1WI images and three metabolite peak ratios from MRS was 0.95 in the test set.Conclusions:Radiomics based on CE-T1WI images,subtraction images and MRS have good performance in identifying both grade and grade gliomas,with the subtraction model performing best in the single sequence model and the CE-T1WI combined with MRS model performing best in the combined sequence model.Multimodal radiomic analysis can provide a useful clinical aid for identifying grade and gliomas.Key words high-grade glioma;magnetic resonance spectroscopy;magnetic resonance imaging;radiomics;subtraction0前言高级别胶质瘤是一种常见的原发性中枢神经系统恶性肿瘤1。有研究指出级和级胶质瘤具有不同的遗传特征，适合个性化的治疗方法2。病理检查是目前肿瘤分级的金标准，但由于活检样本数量有限，存在固有的取样误差的局限性3-4。影像组学从标准医疗影像中挖掘定量图像特征，并将提取出的数据应用于临床决策，以提高诊断、预后和预测的准确性5。近年来，影像组学在胶质瘤中的应用广泛，在预测胶质瘤组织学级别、基因表型等方面显示出优异的性能6-10。影像组学结合机器学习方法可以提高胶质瘤分级的准确性和效率11。MRI对比收稿日期：2023-02-09 接受日期：2023-05-05基金项目：河北省卫生健康委科研基金项目（编号：20230518）59磁共振成像 2023年6月第14卷第6期 Chin J Magn Reson Imaging,Jun,2023,Vol.14,No.6http:/技术研究Technical Articles增强 T1 加权成像（contrast-enhanced T1-weighted imaging,CE-T1WI）序列是影像组学方法鉴别胶质瘤分级的常用序列，且多项研究表明在多模态MRI单一序列组学模型中，基于CE-T1WI图像建立的分类模型表现最好7-8。TIAN等9和NAKAMOTO等10均发现在多个MRI序列图像中，从CE-T1WI图像中提取的纹理特征对预测级和级胶质瘤的最佳特征子集贡献最大。MRI功能序列的引入可以提高影像组学的模型性能，多模态MRI影像组学在一定程度上可以提高分级的准确性，但是在MRI功能序列选择上未有定论。磁共振波谱（magnetic resonance spectroscopy,MRS）通过表征大脑中感兴趣区域的生化组成，帮助深入了解正常脑组织和肿瘤之间的生化组成的差异12，是一种用于临床胶质瘤诊断的先进MRI功能序列。VAMVAKAS等13应用常规MRI序列和弥散张量成像、灌注成像及MRS功能成像序列对高低级别胶质瘤进行分类预测，使用留一交叉验证评估预测效果，准确率为 95.50%，曲线下面积（area under the curve,AUC）为0.96。采用图像处理技术可以深入挖掘医学影像图像，对常规MRI序列做图像预处理，显著提高图像对比度，有利于肿瘤检测、定量分级和进展评估14。MRI T1加权成像（T1-weighted imaging,T1WI）序列和CE-T1WI序列是胶质瘤分级的常规序列，将两者图像进行“相减”，得出“减影”可以突出图像差别，挖掘单一序列所不具备的图像特征，对于高级别胶质瘤进一步细化分级具有重要作用。2021年，GORYAWALA等15采用减影预处理技术，评估多参数MRI图像在区分总肿瘤区的不同区域和评估胶质瘤等级方面的性能，发现该技术在区分低级别和高级别病变方面提供了最高的准确性。MRS和减影技术对胶质瘤分级均展示出出色的性能，但目前还没有研究基于影像组学方法，联合MRS和减影对胶质瘤进行分级。因此本研究将MRI功能序列MRS纳入研究，并采用图像预处理减影技术，对高级别胶质瘤进行分级，拟将患者术前MRI CE-T1WI图像、减影图像和MRS定量数据相结合进行影像组学分析，探索其在鉴别高级别胶质瘤分级中的作用。1材料与方法1.1 研究对象回顾性分析2016年9月1日至2022年9月30日于河北医科大学第二医院就诊的胶质瘤患者影像信息。纳入标准：（1）经病理组织证实的级和级胶质瘤患者；（2）MRI扫描前，患者未经过任何激素、放化疗、穿刺等治疗或手术史；（3）术前接受本院MRI扫描，包括头颅T1WI、三维CE-T1WI及MRS序列。排除标准：（1）术前影像资料和/或病理组织学资料为外院者、病理组织学结果不明确者；（2）MRI图像质量不佳（存在运动伪影、金属伪影等）。本研究遵守 赫尔辛基宣言，经河北医科大学第二医院科研伦理委员会批准（批准文号：20230518）并免除受试者知情同意。1.2 MRI采集及后处理本研究影像数据涉及三台MRI扫描仪，分别为荷兰 PHILIPS Achieva 3.0 T X-series扫描仪、美国GE Signa EXCTTE 3.0 T HD MR 扫描仪和美国 GE Optima MR 360 MR 1.5 T扫描仪。扫描序列包括头颅 T1WI、三 维 CE-T1WI、MRS。由 于 美 国 GE Signa EXCTTE 3.0 T HD MR扫描仪缺乏部分软硬件，无法进行MRS扫描。增强扫描MRI对比剂使用钆喷酸葡胺注射液，剂量为0.1 mmol/kg。MRS采用2维多体素点分辨波谱技术，感兴趣区（region of interest,ROI）选取肿瘤实质区，避开囊变、坏死、出血、骨骼和气体区域，扫描时打开匀场，定位时需避开脑脊液和邻近颅骨等组织。由后处理医师使用后处理工作站对MRS数据进行处理，包括相位和频率校正、基线去除以及含胆碱（choline,Cho）、肌酸（creatine,Cr）和N-乙酰天门冬氨酸（N-acetyl-aspartate,NAA）的峰高估计，并计算NAA/Cr、Cho/Cr、Cho/NAA的峰值比。主要扫描参数如表1所示。1.3 影像组学处理1.3.1 数据预处理使用 Python 包将所有 MRI T1WI、CE-T1WI 图像从医学数字成像和通信格式转换为神经影像信息技术倡议格式，并对所有图像进行标准化。将T1WI图像与 CE-T1WI 图像进行配准，插值到相同分辨率，之后将 CE-T1WI与 T1WI进行减影获得减影数据，如图1所示。表1 MRI扫描具体参数Tab.1 Specific parameters of MRI scans扫描参数重复时间/ms回波时间/ms反转时间/ms层厚/mm层间距/mmPHILIPS Achieva 3.0T X-seriesT1WI2088.85.9960.05.01.0CE-T1WI9.53.9450.01.50.0MRS1500.0144.0GE Optima MR 360 MR 1.5 TT1WI1784.120.4720.05.01.0CE-T1WI7.73.0450.01.50.0MRS2208.0111.1GE Signa EXCTTE 3.0 T HDT1WI2000.06.0960.05.01.0CE-T1WI9.53.9450.01.50.0注：CE-T1WI为对比增强T1加权成像；MRS为磁共振波谱；“”表示此序列不涉及该参数。60磁共振成像 2023年6月第14卷第6期 Chin J Magn Reson Imaging,Jun,2023,Vol.14,No.6http:/技术研究Technical Articles1.3.2 ROI的标定和分割由两名工作经验超过五年的放射科主治医师使用开源软件 ITK-SNAP 3.8分别独立进行 ROI标定、分割。ROI基于CE-T1WI序列手动勾画，有研究表明胶质母细胞瘤的异质性不仅局限于肿瘤边缘，还涉及瘤周区域，约90%的多形性胶质母细胞瘤患者经历复发16，故本研究选取的 ROI 为肿瘤区和瘤周水肿区。在勾画前两名主治医师对患者的临床信息和病理结果均不知情，两名主治医师之间的勾画差异被用于评估观察者间的一致性。勾画示例及MRS后处理如图2所示。1.3.3 特征提取使用Python中的Pyradiomics包基于CE-T1WI、减影图像分别提取影像组学特征。每个序列各提取出三类共 107个组学特征：描述肿瘤形状尺寸的特征，描述体素强度分布的一阶统计特征以及反映肿瘤全局属性的三维纹理特征（灰度共生矩阵、灰度相关矩阵、灰度行程矩阵、灰度区域尺寸矩阵、邻域灰度差矩阵）。MRS 的 3 个代谢物峰值比分别取多个ROI的平均值。使用提取的组学特征值以及 MRS的Cho/NAA、Cho/Cr、NAA/Cr三个平均值进行分析。1.3.4 特征筛选为降低学习任务的难度，提升模型的效率，需要对特征进行优先性排序。过滤法通常用作预处理步骤，特征选择完全独立于任何机器学习算法，它是根据各种统计检验中的分数及相关性的各项指标来选图1女，42岁；影像诊断为肿瘤。1A：T1WI图像；1B：插值后的T1WI图像；1C：对比增强T1WI图像；1D：减影图像。Fig.1Female,42 years old,imaging diagnosis of tumor.1A:T1WI;1B:Interpolated T1WI;1C:Contrast-enhanced T1WI;1D:Subtraction.图2女，42岁，影像诊断为肿瘤，病理结果为胶质母细胞瘤（WHO）。2A：对比增强T1WI图像；2B：感兴趣区分割图；2C：磁共振波谱图像；2D：MRS后处理图像。Fig.2 Female,42 years old,imaging diagnosis of tumor,pathological findings of glioblastoma(WHO).2A:Contrast-enhanced T1WI;2B:The segmentation of region of interest;2C:Magnetic resonance spectroscopy(MRS);2D:MRS post-processed images.61磁共振成像 2023年6月第14卷第6期 Chin J Magn Reson Imaging,Jun,2023,Vol.14,No.6http:/技术研究Technical Articles择特征。首先，选择两独立样本t检验/秩和检验筛选出P0.05的特征。最小绝对收缩和选择算子（least absolute shrinkage and selection operator,LASSO）是一种流行的高维数据分析方法，可用于提高预测精度和解释率，该方法可以估计每个特征的回归系数，并依次收缩它们，以避免估计系数的膨胀，从而产生优越的预测性能17-18。本研究使用带有交叉验证的LASSO（LASSO cross-validation,LASSOCV）方法寻找适合的参数alpha，在过滤法之后的特征集基础上进行LASSOCV筛选，寻找最优特征。1.3.5 分类模型建立及效果评估根据特征筛选之后的结果，使用随机森林（random forest,RF）分类算法建立模型。将样本量按照7 3随机划分为训练集和测试集。1.4 统计学分析使用统计学工具IBM SPSS Statistics 21检验级和级胶质瘤间性别、年龄、发病位置及肿瘤最大径的差异是否具有统计学意义。符合正态分布定量资料两组比较采用独立样本t检验；不符合正态分布定量资料两组比较采用非参数Mann-Whitney U检验。两组定性资料的比较采用2检验。使用组内相关 系 数（intra-class correlation coefficient,ICC）一致性检验评估两名放射科主治医师之间的勾画差异。P值0.05为差异有统计学意义。2结果2.1 研究对象根据纳入和排除标准，本研究共纳入60例患者，其中PHILIPS Achieva 3.0 T X-series的样本量为56 例，GE Optima MR 360 MR 1.5 T 的样本量为5例，GE Signa EXCTTE 3.0 T HD的样本量为21例。级胶质瘤25例，级胶质瘤35例。级胶质瘤患者的中位年龄为51（2571）岁，男性比例为52%（13/25）。级胶质瘤患者的中位年龄为57（2376）岁，男性比例为60%（21/35）。对级和级两组间性别、肿瘤发生部位（额叶、颞叶、小脑、其他）进行卡方检验，P值均大于0.05，故两组间性别、肿瘤发生部位差异无统计学意义。对级和级两组间年龄、肿瘤最大径进行两独立样本t检验，P值均大于0.05，故两组间年龄、最大径差异无统计学意义。具体如表2所示。ICC 值均大于 0.75，说明两名主治医师勾画的ROI一致性较好。2.2 特征筛选2.2.1 CE-T1WI序列首先，使用过滤法进行特征筛选，共筛选出8个特征。之后将该8个特征使用LASSOCV进行筛选，共选 出 3 个 特 征：original_firstorder_Kurtosis、original_firstorder_MeanAbsoluteDeviation和original_glcm_ClusterShade。各特征值相关系数热图及权重图如图3、4所示。2.2.2 减影图像首先，使用过滤法进行特征筛选，共筛选出21个特表2 级和级临床资料比较Tab.2 Comparison of clinical information of grade and grade 项目性别/例男女年龄/岁肿瘤最大径/mm肿瘤发生部位/例额叶颞叶小脑其他级131251.0412.0845.7417.6561216级211453.9113.3245.1613.6558022统计值0.38-0.860.147.01P值0.540.400.890.07图3特征相关系数热图。Fig.3Heat map of feature correlation coefficient.图4带有交叉验证的最小绝对收缩和选择算子筛选的3种特征的分类权重图。Fig.4Classification weights of the 3 features screened by least absolute shrinkage and selection operator cross-validation.62磁共振成像 2023年6月第14卷第6期 Chin J Magn Reson Imaging,Jun,2023,Vol.14,No.6http:/技术研究Technical Articles征。之后将该21个特征使用LASSOCV进行筛选，共选出6 个特征：original_firstorder_InterquartileRange、original_firstorder_Kurtosis、original_firstorder_RootMeanSquared、original_glrlm_HighGrayLevelRunEmphasis、original_glszm_HighGrayLevelZoneEmphasis和original_glszm_SmallAreaLowGrayLevelEmphasis。各特征值相关系数热图及权重图如图5、6所示。2.2.3 模型效果评估基于CE-T1WI、减影图像、MRS及CE-T1WI和减影图像分别联合MRS的3个代谢物峰值比建立5个影像组学分类模型（CE-T1WI 模型、减影模型、MRS 模型、CE-T1WI+MRS模型、减影+MRS模型），模型训练集及测试集结果如表3、4所示。单序列中减影模型在测试集上表现最好，AUC 为 0.81；联合序列中 CE-T1WIMRS模型在测试集上表现最好，AUC为0.95。3讨论胶质瘤是最常见的原发性中枢神经系统肿瘤，胶质瘤的不同病理级别直接影响手术及术后综合治疗方案的制订19。本研究首次将MRI功能序列MRS的代谢物峰值比数据纳入高级别胶质瘤分级鉴别，并采用创新技术“减影”图像，深入挖掘常规MRI T1WI和CE-T1WI图像信息进行影像组学分析，为鉴别高级别胶质瘤分类提供有效参考。本研究构建了五种分类模型。单序列模型中减影模型在测试集上表现最好，AUC为0.81；联合序列模型中CE-T1WIMRS模型在测试集上表现最好，AUC为0.95。本研究的结果显示减影技术、MRS定量数据与影像组学方法结合使用可以对高级别胶质瘤进行有效分类，为临床诊疗提供帮助。3.1 机器学习算法选择RF、支持向量机、逻辑回归三种机器学习算法在影像组学研究中较流行20，多项研究表明在相同的MR图像基础上RF表现最好21-24。因此本研究选取RF算法建立了五种高级别胶质瘤分类模型，各模型的分类能力如表3、4所示。一般来说，AUC值为1.000.90 和 0.900.80 的分类模型分别为优秀和良好25-26，本研究基于减影、MRS、CE-T1WI+MRS三种特征集构建的三种 RF 均能对高级别胶质瘤进行有效分类。3.2 联合模态特征集的分类效果有研究表明多模态MRI数据可以提供较单一模态更多的信息，建立的模型具有较好的表现8,27-29。SU等27通过探讨MRI解剖图像和功能图像的影像组学鉴别胶质瘤亚型和预测肿瘤增殖方面的可行性和诊断性能应用，发现与单序列图像相比，多序列影像组学特征组合在区分胶质瘤亚型和预测增殖方面具图5特征相关系数热图。Fig.5Heat map of feature correlation coefficient.图6带有交叉验证的最小绝对收缩和选择算子筛选的6种特征的分类权重图。Fig.6Classification weights of the six features screened by least absolute shrinkage and selection operator cross-validation.表3 随机森林模型训练集分类效果评估Tab.3 Evaluation of the classification effect of random forest model on the training set分类模型CE-T1WI减影MRSCE-T1WI+MRS减影MRS曲线下面积0.800.840.930.900.80准确度/%7681837981敏感度/%6892728084精确度%89791008384注：CE-T1WI为对比增强T1WI；MRS为磁共振波谱。表4 随机森林模型测试集分类效果评估Tab.4 Evaluation of the classification effect of random forest model on the test set分类模型CE-T1WI减影MRSCE-T1WI+MRS减影MRS曲线下面积0.780.810.800.950.68准确度/%7872788367敏感度/%70906010060精确度/%88691007775注：CE-T1WI为对比增强T1WI；MRS为磁共振波谱。63磁共振成像 2023年6月第14卷第6期 Chin J Magn Reson Imaging,Jun,2023,Vol.14,No.6http:/技术研究Technical Articles有最高的AUC，鉴别低/高级别胶质瘤最佳模型AUC为0.91。本研究将CE-T1WI图像、减影图像的特征集分别和MRS的代谢物峰值比结合，组成CE-T1WIMRS、减影MRS两种联合特征集。结果显示CE-T1WI+MRS特征集的分类效果优于单序列特征集，模型在测试集上的 AUC 升高为 0.95，与 SU 等的研究结果相符。减影+MRS特征集的分类效果低于单序列特征集，模型在测试集上的AUC为0.68。分析原因可能是由于减影图像虽然突出显示了增强信息，却丢失了肿瘤内未强化结构信息，而MRS的代谢物峰值比只代表肿瘤的功能变化，缺乏结构信息，因此二者联合的特征集的效果可能较差。CE-T1WI特征集携带肿瘤强化、结构信息，与MRS携带的功能信息互补，二者联合的特征集的效果较好。3.3 单序列特征集的分类效果本研究基于CE-T1WI图像、减影图像和MRS代谢物峰值比三种特征集分别建立了三种分类模型。三种单序列模型的分类效果相差不大，其中减影模型分类效果最好，在测试集上的AUC为0.81，分析原因可能有以下两方面：其一减影图在病变可视化方面比传统分割具有明显的优势，能够帮助明确定义对比增强的肿瘤负荷区域，其二减影图像在病变量化方面减少甚至避免了量化误差30。HOLLI等31基于动态对比增强MRI图像，使用减影技术区分正常组织和乳腺癌以及乳腺癌的组织学类型，结果显示减影图像成功地对正常组织和癌症组织进行了最可靠的分类；在对不同病理类型的乳腺癌的纹理特征进行分析时，减影图像也表现出了更多的不同的纹理特征数量。由此可见减影技术在多种病变中具有较大的临床优势及辅助作用。本研究发现，相较于 MRS 模型和减影模型，CE-T1WI 模型分类较弱，模型在测试集上的 AUC 为0.78。基于CE-T1WI图像建立影像组学分类模型的研究较多，NAKAMOTO 等10的研究基于 224 位患者的CE-T1WI图像、T2WI图像及对应的小波变换图像进行影像组学分析鉴别高级别胶质瘤，最终CE-T1WI模型在测试集中的 AUC 为 0.80。本研究分类效果低于NAKAMOTO等的研究，分析原因可能与纳入的病例数量、使用的特征类型等有关。因此，后续研究将增加病例量、特征类型，继续探索CE-T1WI模型在高级别胶质瘤分级的价值。3.4 功能序列MRS在影像组学中的应用MRS模型同样展示出良好的分类能力。MRS利用化学位移研究分子结构，其与标准的MRI结合使用可以预测已确定的胶质瘤病变的等级32。波谱的代谢物峰值比包括Cho/NAA、Cho/Cr和NAA/Cr，在区分胶质瘤等级方面表现出中等的诊断性能33-35。LIN等36联合影像组学特征和Cho/NAA预测胶质瘤分级，并将模型可视化为影像组学列线图，校准曲线显示出良好的分级诊断效力。总结发现MRS代谢物峰值比与肿瘤级别之间有着密切联系，这应该与MRS代谢物的生物学意义有关：NAA代表神经元的含量，神经元功能受损时下降；Cho体现细胞增殖活性；Cr代表能量代谢，由于其含量相对恒定而多作为参照物使用35。因此，根据Cho/NAA、Cho/Cr、NAA/Cr三个代谢物峰值比，肿瘤细胞的增殖情况以及局部神经元细胞的破坏情况均能够被定量反映。本研究选用波谱Cho/NAA、Cho/Cr和NAA/Cr三个代谢物峰值比、使用RF算法鉴别高级别胶质瘤分类，建立的模型在测试集上的AUC为0.80，与上述结果相符。这提示我们MRS在高级别胶质瘤影像组学分级预测中有一定的临床价值。3.5 本研究的局限性本研究仍具有一定的局限性：首先，本研究为回顾性研究，仅收集了本院的影像数据，将来需增加外院数据，进行多中心验证；其次，本研究只采用了RF算法，未来将联合深度学习进一步深化研究；最后，本研究只探讨了影像数据，未结合年龄、基因等临床信息，仍需结合更多临床信息丰富研究。4结论基于CE-T1WI图像、减影图像及MRS的影像组学可以有效鉴别高级别胶质瘤分类。在单序列模型中，减影模型表现最好；在联合序列模型中，CE-T1WI联合MRS模型表现最好。多模态影像组学分析可为鉴别高级别胶质瘤分类提供有效临床辅助。作者利益冲突声明：全体作者均声明无利益冲突。作者贡献声明：宗会迁负责选题和设计、论文修改、总体指导，获得了河北省卫生健康委科研基金项目的资助；宋静负责查阅文献、数据收集、统计分析、论文撰写；张娅负责选题和设计、数据处理、论文修改；柳青、魏昊业、杨存负责图像处理、分析数据；解立志负责研究指导；全体作者都同意发表最后的修改稿，同意对本研究的所有方面负责，确保本研究的准确性和诚信。参考文献References1赵永瑞,王雷明,陈怡东,等.多发高级别胶质瘤的病理特征及复发模式J.现代肿瘤医学,2023,31(5):843-847.DOI:10.3969/j.issn.1672-4992.2023.05.011.ZHAO Y R,WANG L M,CHEN Y D,et al.Pathological features and recurrence patterns of multiple high-grade gliomasJ.Journal of Modern Oncology,2023,31(5):843-847.DOI:10.3969/j.issn.1672-4992.2023.05.011.2DREYFUSS J M,JOHNSON M D,PARK P J.Meta-analysis of glioblastoma multiforme versus anaplastic astrocytoma identifies robust gene markersJ/OL.Mol Cancer,2009,8:71 2022-11-01.https:/pubmed.ncbi.nlm.nih.gov/19732454/.DOI:10.1186/1476-4598-8-71.3ZIDAN S,TANTAWY H I,MAKIA M A.High grade gliomas:The role of dynamic contrast-enhanced susceptibility-weighted perfusion MRI and proton MR spectroscopic imaging in differentiating grade from grade J.Egypt J Radiol Nucl Med,2016,47(4):1565-1573.DOI:10.1016/j.ejrnm.2016.10.002.4SINGH G,MANJILA S,SAKLA N,et al.Radiomics and radiogenomics in gliomas:a contemporary updateJ.Br J Cancer,2021,125(5):641-657.DOI:10.1038/s41416-021-01387-w.64磁共振成像 2023年6月第14卷第6期 Chin J Magn Reson Imaging,Jun,2023,Vol.14,No.6http:/技术研究Technical Articles5LAMBIN P,LEIJENAAR R T H,DEIST T M,et al.Radiomics:the bridge between medical imaging and personalized medicineJ.Nat Rev Clin Oncol,2017,14(12):749-762.DOI:10.1038/nrclinonc.2017.141.6ZHUO Z,QU L,ZHANG P,et al.Prediction of H3K27M-mutant brainstem glioma by amide proton transfer-weighted imaging and its derived radiomicsJ.Eur J Nucl Med Mol Imaging,2021,48(13):4426-4436.DOI:10.1007/s00259-021-05455-4.7LIU Z,JIANG Z,MENG L,et al.Handcrafted and Deep Learning-Based Radiomic Models Can Distinguish GBM from Brain MetastasisJ/OL.J Oncol,2021,2021:5518717 2022-11-01.https:/pubmed.ncbi.nlm.nih.gov/34188680/.DOI:10.1155/2021/5518717.8TAKAHASHI S,TAKAHASHI W,TANAKA S,et al.Radiomics Analysis