2. 浙江大学医学院附属第二医院神经外科, 浙江 杭州 310009
2. Department of Neurosurgery, the Second Affiliated Hospital, Zhejiang University School of Medicine, Hangzhou 310009, China
胶质母细胞瘤是成人最常见的原发性恶性侵袭性脑肿瘤，约占脑部原发恶性肿瘤的45%，预后较差[1]。近年来，研究发现了一些影响胶质母细胞瘤发生和发展的关键基因，通过检测这些基因能够有效地对胶质母细胞瘤进行分层筛选、靶向治疗和个体化预后评估[2]。表皮生长因子受体(epidermal growth factor receptor，EGFR)基因在胶质母细胞瘤的细胞迁移、黏附、侵袭、促进细胞增殖、抑制细胞凋亡、诱导血管生成等事件中具有重要价值[3-4]。研究显示，约57%的胶质母细胞瘤患者存在EGFR基因改变，而其中最常见的是EGFR基因扩增和突变[5-6]
EGFR基因扩增是胶质母细胞瘤最常见的分子改变之一，检测EGFR基因扩增的状态对胶质母细胞瘤的分型、治疗方法的选择及预后具有重要影响[7-8]。目前临床上通常使用分子病理学方法检测胶质母细胞瘤EGFR基因扩增状况，但其为有创检查，且检查费用相对较高。随着技术的发展，磁共振应用于胶质母细胞瘤EGFR基因扩增状态的研究日益增多。EGFR基因扩增与胶质母细胞瘤的细胞增殖、侵袭和血管生成等事件有关[5-6, 9-11]；影像学上胶质母细胞瘤强化区及其邻近水肿区均存在肿瘤细胞[12]。由此我们推测：胶质母细胞瘤EGFR基因扩增状态与其强化特征可能相关，增强扫描图像中胶质母细胞瘤强化区及水肿区的信号特征可能对胶质母细胞瘤EGFR基因扩增状态具有一定的预测价值。
常规磁共振无论形态学还是信号特征，对胶质母细胞瘤EGFR基因扩增状态进行预测均较困难[8]。随着影像学、计算机科学、数学等多学科交叉研究的发展，影像组学研究逐渐兴起，它能将图像转变成大量可挖掘的数据信息以供决策[13]。影像组学研究流程包括图像采集、特征提取、数据处理、模型建立和验证[14]。本研究采用影像组学研究方法，对不同EGFR基因扩增状态的增强扫描图像上胶质母细胞瘤强化区及水肿区的信号特征进行提取、分析、建模并评估，探索这些强化信号特征对胶质母细胞瘤EGFR基因扩增状态的预测价值，以期为进一步利用强化信号特征进行影像组学研究、寻找能够预测胶质母细胞瘤EGFR基因扩增状态的新的影像学标记物奠定基础。
1 对象与方法 1.1 研究对象回顾性分析2015年1月1日至2016年12月31日在浙江大学医学院附属第二医院住院行脑肿瘤切除手术，并经常规病理学检查确诊为胶质母细胞瘤的患者。纳入标准：①患者胶质母细胞瘤组织标本具有分子病理学EGFR基因扩增检测结果；②患者术前行颅脑平扫及增强磁共振检查，成像质量好，无明显伪影，重要参数相同或相近，图像筛选及评估由两位经验丰富的放射科医师共同协商决定；③患者临床资料齐全；④术前脑肿瘤未行放射治疗及药物治疗。病例按照随机分组方法以3:2比例分至训练数据集和测试数据集。按上述标准共纳入患者80例，其中训练数据集48例，测试数据集32例。训练数据集中，男性27例，女性21例，年龄11~79岁，平均年龄(54±15)岁，EGFR基因扩增阳性15例、野生型33例；测试数据集中，男性21例，女性11例，年龄15~79岁，平均年龄为(55±16)岁，EGFR基因扩增阳性9例、野生型23例。本研究方案通过浙江大学医学院附属第二医院生物医学伦理委员会审批。
1.2 磁共振数据采集采用Signa Excite 1.5T(美国GE Healthcare公司)，Sonata 1.5T(德国西门子公司)，Signa HDxt 3T、Discovery 750 3T(美国GE Healthcare公司)磁共振扫描仪头部八通道线圈检查。扫描序列包括T1加权像(T1WI)、T2加权像(T2WI)和增强扫描(轴位、冠状位及矢状位T1WI)。增强扫描采用肘静脉注入对比剂钆双胺(Gd-DTPA-BMA, OmniScan，爱尔兰GE Healthcare公司)，剂量为0.1 mmol/kg。注射对比剂后立刻开始轴位增强扫描，扫描层厚为6 mm。对比剂注射结束后以20 mL等渗氯化钠溶液冲洗。
1.3 图像后处理和特征提取将所有纳入患者的磁共振图像从图像存储和传输系统(PACS)导出，调整保持窗宽、窗位一致，使用MaZda软件在个人电脑进行特征提取。具体步骤包括：选择轴位增强图像中强化区最大层面图像，参照平扫T1WI及T2WI分别勾画增强T1WI轴位图像强化区及水肿区的感兴趣区，标准化图像灰阶水平[μ-3δ，μ+3δ](μ和δ分别为平均灰度值和标准差)，输出直方图特征及灰度共生矩阵、游程检验、绝对梯度、自回归检验、小波转换等方法计算所得的特征[15]，见图 1。
|
| 图 1 磁共振扫描图像分割及特征提取 Fig. 1 MRI images segmentation and feature extraction |
采用荧光原位杂交技术进行EGFR基因扩增检测，每个标本分析200个细胞，记录每个细胞染色体EGFR基因扩增的最高拷贝水平，拷贝数不小于10定义为EGFR基因扩增阳性，否则为阴性(野生型)[8]。
1.5 主成分分析法预处理数据影像组学特征数据维度较高。为了尽可能完整地保留感兴趣区的强化特征，对原始数据进行标准化后使用主成分分析法进行降维处理。数据处理软件为R语言软件(3.3.1版)(https://www.R-project.org/)。
1.6 监督学习方法建立分类模型及模型评价采用监督学习方法，选择三种分类模型(随机森林模型、支持向量机模型和神经网络模型)对训练集数据进行训练建模，采用十倍交叉并重复三次验证，以受试者工作特征曲线下面积(AUC)作为模型的评价标准，并对测试集数据进行预测分析。使用R语言软件进行模型建立和分析，主要使用软件包括caret包、pROC包、randomForest包、kernlab包、nnet包。以分类模型在测试数据集对胶质母细胞瘤EGFR基因扩增状态预测的AUC值作为模型的最终评价指标。
2 结果 2.1 磁共振扫描图像特征和主成分选择共提取磁共振扫描图像特征542个，包括强化区和水肿区的直方图特征各9个、共生矩阵特征各220个、游程矩阵特征各20个、绝对梯度特征各5个、自回归模型特征各5个、小波转换特征各12个。
经主成分分析得到48个主成分(累积贡献率为100%)，选择方差大于1的主成分共31个(累积贡献率为98.5%)进一步分析，见图 2。
|
| 图 2 主成分选择图 Fig. 2 Principal component selection |
神经网络模型由31个神经元组成的输入层、1个包括5个神经元的隐藏层及1个输出层构成；支持向量机模型sigma值为0.017 536 84，C值为1；随机森林模型mtry为31。
2.3 三种分类模型的性能训练数据集和测试数据集使用随机森林模型、支持向量机模型和神经网络模型预测EGFR基因扩增状态的AUC值为分别1.00、1.00、0.95和0.74、0.69、0.63，见图 3。尽管三种模型均存在过拟合的表现，但结果显示利用强化区和周围水肿区的磁共振强化信号特征选择合适的模型对胶质母细胞瘤患者EGFR基因扩增状态有一定的预测价值。
|
| 图 3 测试数据集数据运用于三种模型预测EGFR基因扩增状态的ROC曲线图 Fig. 3 ROC curves of three models predicting amplification of EGFR gene based on the testing dataset |
胶质母细胞瘤患者EGFR基因扩增对胶质母细胞瘤的发生、发展具有重要影响。预测EGFR基因扩增状态对胶质母细胞瘤患者的治疗、预后评估具有一定的价值。
本研究通过影像组学方法验证了我们先前的推测，即强化区和周围水肿区的磁共振强化信号特征与胶质母细胞瘤EGFR基因扩增状态可能存在一定的关系，采用影像组学方法及合适的模型分析这些信号特征对胶质母细胞瘤EGFR基因扩增状态有一定的预测价值。
EGFR基因在胶质母细胞瘤的细胞迁移、黏附、侵袭、促进细胞增殖、抑制细胞凋亡、诱导血管生成等事件中具有重要价值[5-6]。因此，从理论上来说EGFR基因扩增的胶质母细胞瘤与EGFR基因野生型的胶质母细胞瘤在形态学和信号特征上应存在差异，即使常规磁共振检查理应对胶质母细胞瘤患者EGFR基因扩增状态具有评估价值。但既往研究发现，胶质母细胞瘤患者EGFR基因扩增状态通过常规磁共振评估具有一定的难度，如Young等[8]发现常见的一些常规磁共振特征包括肿瘤的边界是否清晰、囊变或坏死、出血、结节状强化、室管膜下强化以及不连续的多灶生长等对胶质母细胞瘤的EGFR基因扩增状态均缺乏预测价值。另有研究发现，在诸多形态学特征中，仅有两个与坏死和强化相关的比值与EGFR基因扩增状态存在相关性，其余特征在EGFR基因扩增和野生型间均无差异[9]。我们推测，上述研究中常规磁共振对胶质母细胞瘤EGFR基因扩增状态预测表现较差其中一个原因是该类研究主要利用肉眼观测或简单的手工测量得到形态学及信号特征，与特征的信息量较少有关。本研究利用影像组学研究方法，提取了增强图像中强化区和水肿区的大量特征，能够较好地反映肿瘤的强化特性。事实上，本文资料中三种分类模型虽然对胶质母细胞瘤患者EGFR基因扩增状态的预测具有一定的价值，但是其预测效能均不高。Young等[8]利用磁共振弥散加权成像对胶质母细胞瘤患者EGFR基因扩增状态进行预测研究，其结果与本文相近(AUC为0.68)。说明除了特征信息量、建模等技术因素外，肿瘤的内在因素如肿瘤内EGFR基因表达异质性、多基因共同调控等可能是目前影响磁共振对胶质母细胞瘤EGFR基因扩增状态高效预测的主要原因。
本研究主要价值如下：①研究结果显示，胶质母细胞瘤强化区和水肿区的强化信号特征对胶质母细胞瘤患者EGFR基因扩增状态有一定的预测价值，提示胶质母细胞瘤患者EGFR基因扩增状态与其强化特征之间存在一定的相关性，这为进一步分析EGFR基因扩增状态与具体强化特征的关系、寻找EGFR基因扩增的强化特征标记物提供了依据；②研究结果与既往报道的部分功能成像结果相近，但相对于功能成像方法，本研究使用的常规增强扫描检查更容易。本研究存在一些不足之处，如：①磁共振扫描仪器、扫描参数不尽相同；②研究样本量相对较小；③仅采用了三种模型，且均存在不同程度过拟合，后续研究有待选择更好的模型及参数。
综上所述，利用影像组学方法分析胶质母细胞瘤患者病灶强化区和水肿区的磁共振强化信号特征并使用合适的模型对胶质母细胞瘤患者EGFR基因扩增状态的预测有一定价值。在本文结果的基础上进一步分析强化的具体特征，对寻找胶质母细胞瘤患者EGFR基因扩增的影像学标记物可能有所帮助。
| [1] | WIRSCHING H G, GALANIS E, WELLER M. Glioblastoma[J]. Handb Clin Neurol, 2016, 134: 381–397. doi:10.1016/B978-0-12-802997-8.00023-2 |
| [2] | ALDAPE K, ZADEH G, MANSOURI S, et al. Glioblastoma:pathology, molecular mechanisms and markers[J]. Acta Neuropathol, 2015, 129(6): 829–848. doi:10.1007/s00401-015-1432-1 |
| [3] | HALATSCH M E, SCHMIDT U, BEHNKE-MURSCH J, et al. Epidermal growth factor receptor inhibition for the treatment of glioblastoma multiforme and other malignant brain tumours[J]. Cancer Treat Rev, 2006, 32(2): 74–89. doi:10.1016/j.ctrv.2006.01.003 |
| [4] | RAMIS G, THOMÀS-MOYÀ E, DE MATTOS S F, et al. EGFR inhibition in glioma cells modulates Rho signaling to inhibit cell motility and invasion and cooperates with temozolomide to reduce cell growth[J/OL]. PLoS One, 2012, 7(6): e38770. |
| [5] | BRENNAN C W, VERHAAK R G, MCKENNA A, et al. The somatic genomic landscape of glioblastoma[J]. Cell, 2013, 155(2): 462–477. doi:10.1016/j.cell.2013.09.034 |
| [6] | LIU F, HON G C, VILLA G R, et al. EGFR mutation promotes glioblastoma through epigenome and transcription factor network remodeling[J]. Mol Cell, 2015, 60(2): 307–318. doi:10.1016/j.molcel.2015.09.002 |
| [7] | VERHAAK R G, HOADLEY K A, PURDOM E, et al. Integrated genomic analysis identifies clinically relevant subtypes of glioblastoma characterized by abnormalities in PDGFRA, IDH1, EGFR, and NF1[J]. Cancer Cell, 2010, 17(1): 98–110. |
| [8] | YOUNG R J, GUPTA A, SHAH A D, et al. Potential role of preoperative conventional MRI including diffusion measurements in assessing epidermal growth factor receptor gene amplification status in patients with glioblastoma[J]. AJNR Am J Neuroradiol, 2013, 34(12): 2271–2277. |
| [9] | GUTMAN D A, DUNN W D, GROSSMANN P, et al. Somatic mutations associated with MRI-derived volumetric features in glioblastoma[J]. Neuroradiology, 2015, 57(12): 1227–1237. doi:10.1007/s00234-015-1576-7 |
| [10] | LAL A, GLAZER C A, MARTINSON H M, et al. Mutant epidermal growth factor receptor up-regulates molecular effectors of tumor invasion[J]. Cancer Res, 2002, 62(12): 3335–3339. |
| [11] | GOLDMAN C K, KIM J, WONG W L, et al. Epidermal growth factor stimulates vascular endothelial growth factor production by human malignant glioma cells:a model of glioblastoma multiforme pathophysiology[J]. Mol Biol Cell, 1993, 4(1): 121–133. doi:10.1091/mbc.4.1.121 |
| [12] | MABRAY M C, BARAJAS R F, CHA S. Modern brain tumor imaging[J]. Brain Tumor Res Treat, 2015, 3(1): 8–23. doi:10.14791/btrt.2015.3.1.8 |
| [13] | HUANG Y Q, LIANG C H, HE L, et al. Development and validation of a radiomics nomogram for preoperative prediction of lymph node metastasis in colorectal cancer[J]. J Clin Oncol, 2016, 34(18): 2157–2164. doi:10.1200/JCO.2015.65.9128 |
| [14] | LARUE R T, DEFRAENE G, DE RUYSSCHER D, et al. Quantitative radiomics studies for tissue characterization:a review of technology and methodological procedures[J]. Br J Radiol, 2017, 90(1070): 20160665. doi:10.1259/bjr.20160665 |
| [15] | 陈鑫, 魏新华, 杨蕊梦, 等. 常规MRI纹理分析鉴别脑胶质母细胞瘤和单发转移瘤的价值[J]. 中华放射学杂志, 2016, 50(3): 186–190. CHEN Xin, WEI Xinhua, YANG Ruimeng, et al. Differentiation of glioblastomas and solitary metastatic brain tumors using texture analysis of conventional MRI[J]. Chinese Journal of Radiology, 2016, 50(3): 186–190. (in Chinese) |