将扩散加权磁共振成像（diffusion-weighted MRI）的放射组学特征整合起来，以预测脑膜瘤的侵袭情况

《Neurosurgical Review》：Integrating diffusion-weighted MRI radiomics features to predict brain invasion of meningiomas

本研究构建整合结构MRI与DWI-ADC影像的radiomics模型，预测WHO II级脑膜瘤脑侵犯。纳入2013-2022年723例患者，通过LASSO特征选择和逻辑回归建立预测模型，ROC和DCA评估显示联合ADC特征显著提升诊断效能，AUC达0.871（95%CI 0.806-0.936），优于单独结构模型及结构+临床模型。

　　

摘要

脑浸润是WHO 2级脑膜瘤的独立诊断标准，术前预测脑膜瘤的脑浸润情况对于指导治疗决策至关重要。因此，我们构建了一个整合了结构图像和扩散加权图像的放射组学模型，用于预测脑膜瘤的脑浸润情况。研究回顾了2013年至2022年间723名病理学确诊的脑膜瘤患者。从结构MRI和DWI衍生的表观扩散系数（ADC）图中提取了脑-肿瘤交界区域的放射组学特征。采用最小绝对收缩和选择算法（LASSO）来选择这些放射组学特征，并利用逻辑回归分类器构建了脑浸润的线性预测模型。通过接收者操作特征（ROC）曲线分析评估了该模型的性能。此外，还进行了决策曲线分析（DCA），以评估所建立模型的临床实用性。我们开发了一个结合临床特征以及来自结构图像和ADC图的放射组学分数的联合模型，并使用DeLong检验和综合判别能力提升（IDI）来比较不同模型的诊断效率。最终选择了来自结构MRI的6个放射组学特征、来自ADC的6个放射组学特征、肿瘤周围水肿的体积和性别来构建该联合模型。该模型在训练集（AUC = 0.897，95%CI：0.857至0.936，敏感性 = 0.911）和测试集（AUC = 0.871，95%CI：0.806至0.936，敏感性 = 0.895）中均表现出最高的AUC和敏感性，其性能优于结构模型（AUC = 0.691）以及结构与临床信息结合的模型（AUC = 0.812）。当将ADC放射组学特征加入联合模型时，IDI显示预测价值显著提升。将ADC放射组学信息整合到MRI放射组学模型中，提高了识别脑膜瘤脑浸润的诊断性能。