基于机器学习融合炎症标志物与MRI特征在胶质瘤分级预测中的价值研究

《BMC Medical Imaging》：Predictive power of combined inflammatory markers and magnetic resonance imaging features for glioma grading using machine learning: a retrospective study

本研究针对胶质瘤传统病理分级存在侵入性及异质性挑战，创新性地整合磁共振成像（MRI）特征与系统性炎症标志物，通过机器学习模型实现胶质瘤分级预测。研究发现支持向量机（SVM）模型表现最优（AUC=0.92），其中相对表观扩散系数（rADC）、单核细胞计数、淋巴细胞-C反应蛋白比值（LCR）和血红蛋白-白蛋白-淋巴细胞-血小板指数（HALP）是关键预测指标。该多模态无创评估方法为胶质瘤精准诊疗提供了新策略。

　　

作为中枢神经系统最常见的原发性肿瘤，胶质瘤因其高复发率和低总体生存率一直是神经肿瘤领域的重大临床挑战。传统上，胶质瘤的预后评估主要依赖手术活检和组织病理学评估这类侵入性操作。然而，胶质瘤固有的异质性往往会影响病理评估的准确性。近年来，医学影像学和肿瘤生物学的进步促进了无创预后评估方法的发展，特别是磁共振成像（MRI）已成为脑肿瘤诊断的基石技术。

胶质瘤的肿瘤微环境通常以慢性炎症状态为特征，这使得利用外周炎症标志物预测肿瘤行为成为可能。同时，MRI参数如相对表观扩散系数（rADC）和增强比（ER）已成为评估肿瘤类型和分级的重要指标。尽管已有研究探索了炎症标志物或影像特征单独预测胶质瘤分级的价值，但将两者结合并通过机器学习算法进行综合分析的研究仍较为有限。

在这项发表于《BMC Medical Imaging》的研究中，Liu等人开展了一项回顾性研究，旨在探索整合MRI特征与炎症标志物通过机器学习模型预测胶质瘤分级的潜力。研究人员连续入组了2012年1月至2024年12月期间在上海同济医院神经外科治疗的179例胶质瘤患者，所有病例均经病理证实为世界卫生组织（WHO）I-IV级胶质瘤。

研究采用的关键技术方法包括：通过3.0T磁共振扫描器获取多序列MRI图像并由两名放射科医师独立进行感兴趣区（ROI）分割；提取血液炎症标志物并计算多种复合指数；使用方差分析（ANOVA）F检验和皮尔逊相关系数进行特征选择；构建k近邻（kNN）、支持向量机（SVM）和随机森林（RF）三种机器学习模型，并通过五折交叉验证评估性能。

特征选择结果

基于ANOVA F检验结果，年龄、rADC、单核细胞计数、LCR和HALP显示出低级别（WHO I-II级）和高级别（WHO III-IV级）胶质瘤间的显著差异性。皮尔逊相关系数分析进一步排除了与目标变量存在多重共线性或弱相关性的特征，最终保留rADC、单核细胞计数、LCR和HALP四个关键特征用于模型训练。

模型性能评估

超参数调优后，kNN模型邻居数设为4，RF模型树数量设为80，SVM模型正则化参数C设为4。五折交叉验证结果显示，所有三种机器学习模型在训练集和测试集上均表现出强大的预测性能。其中径向基函数核SVM（r-SVM）分类器在测试集上表现最佳，曲线下面积（AUC）达0.92，准确率为0.84，F1分数为0.91。RF模型也表现良好，AUC为0.90，准确率为0.82，F1分数为0.89。

校准评估显示，SVM模型在不同概率区间存在明显波动，RF模型在中高预测概率范围表现良好但在低概率区域较差，而kNN模型在校准曲线上表现出预测概率与实际结果间的高度一致性。决策分析图中，所有三种模型均展示了优异的净治疗效益。

生存分析结果

低级别胶质瘤组患者中位总生存期（OS）显著长于高级别组（60个月 vs. 15个月），中位无进展生存期（PFS）也同样显著延长（60个月 vs. 8个月），进一步验证了模型分级的临床相关性。

研究讨论指出，这些特征的区别能力可以通过其潜在的生物学和临床相关性来解释。年龄是胶质瘤中公认的预后因素，rADC反映肿瘤细胞结构和水分扩散，与胶质瘤分级呈负相关。单核细胞作为先天免疫系统的关键组成部分，参与胶质瘤相关炎症和血管生成。LCR和HALP是反映系统性炎症与营养状态平衡的复合炎症标志物，已知会影响胶质瘤进展。

SVM模型在区分高级别和低级别胶质瘤方面表现出优异的预测性能和稳定性，这表明SVM非常适合分析复杂的高维数据集并识别特征与结果之间的非线性关系。本研究通过证明使用易于获得的临床、影像学和血液学参数组合能够高精度预测胶质瘤分级，推进了当前的知识体系。

该研究的临床意义重大，准确的术前胶质瘤分级预测可以为治疗规划提供信息，使临床医生能够根据患者的个体风险特征定制治疗策略。例如，预测为高级别胶质瘤的患者可能受益于更积极的治疗策略，如最大范围手术切除辅以放化疗；而预测为低级别胶质瘤的患者可能通过不太积极的方法管理，如观察或有限切除，以尽量减少治疗相关的并发症。

研究同时承认了一些局限性，包括单中心设计可能限制结果的普适性，回顾性分析可能引入选择偏倚，以及相对较小的影像数据集阻碍了外部验证。未来研究方向包括在多中心队列中进行外部验证，整合分子和遗传标志物如异柠檬酸脱氢酶1（IDH1）突变状态和O6-甲基鸟嘌呤-DNA甲基转移酶（MGMT）启动子甲基化，以进一步提高预测准确性，并探索其他影像模态如灌注MRI和磁共振波谱的整合，以提供更全面的胶质瘤生物学评估。

综上所述，通过SVM等机器学习模型分析MRI特征和炎症标志物的组合，在优化胶质瘤预后和指导个性化治疗策略方面具有重要价值。这种多模态无创评估方法有望弥补当前临床实践中主要依赖侵入性手术活检和组织病理学评估的空白，为胶质瘤的精准医疗提供新途径。