通过整合深度学习、放射组学和临床特征，并利用全自动分割结果，开发了一种用于预测脑膜瘤Ki-67指数的模型

《Computer Methods and Programs in Biomedicine》：Development of a predictive model for Ki-67 index of meningiomas by integrating deep-learning, radiomics and clinical features utilizing fully automated segmentation results

Ki-67指数预测模型研究联合临床信息、传统放射学、放射组学及深度学习特征，通过XGBoost算法构建，在198例回顾性及22例前瞻性数据中验证。独立测试AUC达0.767（95%CI:0.631-0.903），前瞻性验证AUC为0.773，决策曲线分析证实多模态特征融合显著提升预测效能，为非侵入性评估肿瘤复发风险提供新方法。

　　

马欣|赵雅静|张凯月|梅楠|李萱萱|崔瑾|陈杰|谢玉曦|卢一平|尹波

复旦大学附属华山医院放射科，中国上海200040

摘要

目的

研究临床信息、传统放射学特征、放射组学特征和深度学习特征组合在构建脑膜瘤Ki-67指数预测模型中的有效性。

材料与方法

本研究收集了2015至2020年间回顾性（198例）和前瞻性（22例）脑膜瘤数据。在回顾性数据中，160例用于训练，38例用于独立测试。根据先前的研究，使用4%的阈值将Ki-67表达水平分为低组和高组。本研究开发并评估了五种结合临床信息、放射组学特征和深度学习特征的分类器模型来预测Ki-67表达水平。通过接收者操作特征（ROC）曲线和曲线下面积（AUC）来评估模型性能，并使用DeLong检验获得95%的置信区间（CI）。随后，使用22例前瞻性数据验证了最有效的模型。

结果

极端梯度提升（XGBoost）分类器模型在五种分类器中表现出最佳性能。独立测试数据集的AUC为0.717（CI：0.575-0.858）。优化后，测试数据集的AUC为0.767（CI：0.631-0.903）。前瞻性测试数据集的AUC为0.773（CI：0.590-0.955）。决策曲线分析（DCA）显示，结合临床信息、放射组学特征和深度学习特征可提高XGBoost分类器的预测性能。

结论

一个整合的放射组学模型能够预测Ki-67指数，并具有非侵入性地评估肿瘤复发风险的巨大潜力。

引言

脑膜瘤在原发性颅内和中枢神经系统肿瘤中的发病率最高（37.6%）。发病率随年龄增长而增加，65岁以后增幅尤为明显[1]。对于有症状或生长中的脑膜瘤，手术是首选治疗方法[2]。Ki-67指数是病理学中一个关键的肿瘤增殖标志物，引起了广泛关注。这种细胞周期蛋白在肿瘤细胞中的表达增强通常与肿瘤的生长速度和恶性潜能相关[[3], [4], [5]]。获取Ki-67指数需要通过手术或活检获得病理样本。因此，研究人员致力于探索非侵入性方法来预测Ki-67指数。

Ki-67是脑膜瘤的重要预后标志物。研究表明其表达与肿瘤分级和预后呈正相关。复发性与非复发性高级别肿瘤的Ki-67水平显著更高，并且随着分级（I至III级）的增加而升高[[6], [7]]。4%的Ki-67阈值至关重要：Ki-67 < 4%的肿瘤复发率较低（1年时为3%），复发中位时间较长[8]。相比之下，Ki-67 > 4%的肿瘤复发率显著更高，且复发时间更早。较高的Ki-67（>4%）也会对生存产生负面影响。因此，Ki-67与组织学结合用于评估复发风险，并作为放射组学等预后模型中的关键阈值（4%）[8,9]。

超过90%的脑膜瘤为良性且生长缓慢。术前非侵入性地预测Ki-67指数有助于预测脑膜瘤的再生或复发风险。这种预测能力可以为脑膜瘤患者的外科决策提供指导。目前针对脑膜瘤Ki-67指数的预测研究仍面临一些挑战。首先，由于需要手动标记脑膜瘤区域，该过程无法完全自动化。其次，对放射组学特征的关注掩盖了对深度学习和替代特征集的探索。有必要进行全面的研究，结合临床信息、传统放射学特征、放射组学特征和深度学习特征来预测Ki-67指数。

为了解决这些挑战，本研究的目标首先是使用针对脑膜瘤定制的深度学习模型实现脑膜瘤的自动化分割；其次，根据分割结果提取传统放射学特征、放射组学特征和深度学习特征；第三，构建XGBoost模型，通过结合提取的特征和临床信息来预测脑膜瘤的Ki-67指数；最后，通过使用独立的外部测试集和前瞻性数据集来验证模型的实用性。

部分内容片段

材料与方法

整个研究过程包括以下步骤：首先，使用双分支混合扩张卷积（DB-HDC）模型获得脑膜瘤的分割结果[10]；其次，基于分割结果提取肿瘤特征，包括深度学习特征和放射组学特征；然后，使用最小绝对收缩选择算子（LASSO）方法筛选特征；最后，构建一个整合的放射组学模型。

在独立测试数据集上比较机器学习分类器

本研究基于训练数据集和独立测试数据集评估了五种机器学习分类器的预测结果。评估指标包括：准确性、阳性预测值（PPV）、灵敏度和F1分数。随后，可视化了五种分类器在独立测试数据集上的ROC曲线和AUC值以及校准曲线（图3）。

如表3所示，结合这五种机器学习分类器

讨论

本研究的主要目标是开发一个能够通过非侵入性手段预测脑膜瘤Ki-67指数的整合放射组学模型。为此，使用了一个先进的深度学习模型以实现精确的肿瘤分割。利用这些分割结果，提取了深度学习特征和放射组学特征以捕捉肿瘤的关键特征。随后，通过整合临床信息、放射组学特征和深度学习特征

局限性

本研究存在一些局限性。首先，尽管我们的深度学习分割模型实现了与手动分割相当的全自动结果，但其对放射组学模型构建的潜在影响仍需考虑。其次，Ki-67 > 4%的脑膜瘤样本较少，限制了数据集的大小，可能影响模型的泛化能力。第三，仅依赖ResNet50进行深度特征提取可能无法代表最佳性能；需要评估其他模型。

结论

本研究采用专门的深度学习分割模型对脑膜瘤进行分割，实现了完全自动化。我们系统地研究了各种临床信息、传统放射学特征、放射组学特征和深度学习特征的组合，以预测Ki-67指数。统计分析显示，六个传统放射学特征与Ki-67指数大于4%的情况没有显著相关性，因此将其从模型中排除

伦理声明

该研究获得了复旦大学华山医院伦理委员会的批准（批准编号：KY2025-925），并遵守了《赫尔辛基宣言》。回顾性分析无需获得知情同意。所有前瞻性参与者均提供了书面知情同意。

CRediT作者贡献声明

马欣：撰写——原始草案。赵雅静：撰写——审阅与编辑。张凯月：概念构思。梅楠：数据管理。李萱萱：正式分析。崔瑾：研究调查。陈杰：方法学。谢玉曦：方法学。卢一平：监督。尹波：项目管理。