基于结构性与动态对比增强磁共振成像的听神经瘤生长计算机辅助预测模型：一项前瞻性机器学习研究

《MEDICAL PHYSICS》：Computer-aided prediction of growth in vestibular schwannomas based on both structural and dynamic contrast-enhanced MR imaging

本研究前瞻性构建了一个结合结构T2加权与动态对比增强（DCE）磁共振成像的支持向量机（SVM）模型，用于预测听神经瘤（VS）的短期生长。该模型在110例患者中展现出卓越的预测性能（AUC=0.89），证实了DCE衍生参数（Ktrans、ve、vp）及复杂影像组学特征相较于传统一阶统计量（FOS）的优越性，为个体化临床决策提供了有力工具。

　　

1 引言

听神经瘤（Vestibular Schwannomas, VS）是起源于桥小脑角区前庭耳蜗神经的良性颅内肿瘤。对于大多数中小型肿瘤，临床常采用“等待观察”（Wait-and-Scan, W&S）策略，因为积极治疗并不一定能缓解症状，且高达60%的肿瘤在自然病程中保持稳定或消退。然而，在诊断时，目前尚无法可靠地预测肿瘤的行为，即肿瘤是否会生长。尽管一些研究利用动态对比增强（Dynamic Contrast-Enhanced, DCE）磁共振成像（Magnetic Resonance Imaging, MRI）或人工智能（Artificial Intelligence, AI）技术提供了潜在证据，但尚无完全可靠的预测变量。

个性化临床决策的制定亟需能够预测肿瘤生长的工具。近年来，DCE-MRI等先进成像技术显示出揭示VS内在肿瘤生物学的潜力。该技术通过评估组织微血管特征，可衍生出重要的动力学参数，如体积转移常数（K^trans）、血管外细胞外间隙体积分数（v_e）和血浆体积分数（v_p）。同时，人工智能与影像组学相结合，已证明其从复杂数据中提取有意义信息并做出可靠预测的能力。

本研究旨在探讨利用机器学习方法，结合DCE-MRI衍生参数和结构成像，预测散发性VS短期肿瘤生长的价值。

2 材料与方法

2.1 研究人群

本研究纳入了2021年1月至2023年1月期间新诊断的单侧散发性VS患者，这些患者均被考虑采用初始W&S策略。最终分析数据集包含110名患者，其中70名（64%）在随访期间表现出肿瘤生长，40名（37%）为无生长（稳定或消退）。

2.2 图像采集与处理

所有参与者在诊断后3-6个月内接受了3T MRI检查，包括薄层三维T2加权成像、对比前定量T1 mapping和DCE成像序列。DCE衍生参数图（K^trans、v_e、v_p）通过将对比剂浓度-时间曲线拟合至扩展Tofts模型（Extended Tofts Model, ETM）计算得出。肿瘤体积通过ITK-SNAP软件进行手动逐层勾画。

2.3 特征提取与模型开发

从T2加权图像和三个DCE衍生参数图中提取影像组学特征。对于每个图像或图谱，共计算了101个可用的影像组学特征，包括一阶统计量、形状特征、灰度共生矩阵（Gray-Level Co-occurrence Matrix, GLCM）特征、灰度游程矩阵（Gray-Level Run-Length Matrix, GLRLM）特征、灰度区域大小矩阵（Gray-Level Size-Zone Matrix, GLSZM）特征、邻域灰度差矩阵（Neighboring Gray-Tone Difference Matrix, NGTDM）特征和灰度依赖矩阵（Gray-Level Dependence Matrix, GLDM）特征。这为每位患者生成了一个包含404个元素的特征向量。

采用支持向量机（Support Vector Machine, SVM）模型进行二元分类（预测生长与无生长）。模型训练和验证采用嵌套分层五折交叉验证。为降低过拟合风险，特征向量通过F检验和主成分分析（Principal Component Analysis, PCA）进行降维。通过优化SVM核类型、正则化参数C、离散化参数N_bins以及降维参数k和n来确定最优模型。

2.4 消融分析与特征重要性

为评估DCE影像组学特征的附加价值，训练了三个基线模型进行比较：仅基于诊断时肿瘤体积的模型、仅基于T2影像组学特征的模型，以及仅基于DCE衍生参数图一阶统计量（First-Order Statistics, FOS）的模型。通过分析交叉验证折叠中特征选择的交集，以及计算生长组与非生长组之间特征值的效应大小（Cohen's d），来评估特征的预测价值。

3 结果

3.1 模型性能

经过超参数调优，性能最佳的模型是采用高斯核的SVM模型。该模型在预测肿瘤生长方面表现出色，平均曲线下面积（Area Under the Curve, AUC）为0.89 ± 0.06，平均准确率为89.0 ± 4.0%，敏感性为90.0 ± 6.6%，特异性为87.7 ± 8.8%。该模型校准良好，Brier评分为0.12。

与基线模型相比，全模型性能显著更优。仅基于肿瘤体积的模型AUC为0.51 ± 0.17，仅基于T2影像组学的模型AUC为0.67 ± 0.10，而仅基于DCE-FOS的模型AUC为0.82 ± 0.11。配对Bootstrap检验证实了全模型与所有基线模型之间的AUC存在统计学显著差异。

3.2 特征分析

特征选择过程显示，K^trans和v_e参数图对模型贡献了大部分特征。在交叉验证所有折叠中共同选择的66个特征中，32个来自K^trans，19个来自v_e，12个来自v_p，3个来自T2加权图像。

根据特征所代表的含义，这些特征被分为9个组。分析发现，肿瘤生长与以下特征相关：较高的K^trans和v_p参数值、K^trans值的异质性，以及T2加权图像中更复杂的纹理。相反，肿瘤稳定性或消退与v_e参数值的高方差和异质性，以及相似值的空间聚类有关。

4 讨论

4.1 模型性能评估

本研究开发的SVM预测模型在内部交叉验证中表现出卓越的性能，AUC高达0.89。该模型显著优于现有的VS生长预测模型，这主要归因于两个关键因素：一是机器学习方法的应用，二是DCE衍生参数相较于结构成像具有更高的预测价值。

4.2 影像组学特征的预测价值

K^trans和v_e参数图是模型最重要的特征来源。研究证实，较高的K^trans值与肿瘤进展相关。对于v_e值，复杂的影像组学特征（如异质性）比平均值更具判别力。此外，T2加权图像的纹理复杂性也与肿瘤生长相关。这些发现表明，复杂的影像组学特征在预测VS肿瘤生长方面优于一阶统计量。

4.3 影像组学与局部炎症的关联

结构成像中的纹理复杂性已被证明与肿瘤组织学相关，特别是与炎症细胞的存在有关。DCE-MRI衍生的K^trans被认为是VS中炎症反应的潜在间接测量指标，因为它与肿瘤相关巨噬细胞（Tumor-Associated Macrophages, TAM）的浸润程度相关。本模型对K^trans相关特征和肿瘤纹理复杂性的高度重视，进一步提供了证据，表明未经治疗的VS肿瘤生长可能与局部炎症过程有关。

4.4 局限性

本研究存在三个主要局限性。首先，模型的泛化能力尚不明确，因为数据来自单一中心、单一扫描仪。其次，DCE衍生影像组学特征的重复测量稳定性尚待充分评估。最后，由于模型采用了降维后的特征向量，对模型结果的解释存在一定挑战。

5 结论

本研究开发的模型证明了机器学习技术与动态MRI相结合在预测VS患者肿瘤生长方面的巨大潜力。DCE衍生参数显示出高预测价值，并揭示了肿瘤生物学与生长机制之间的可能联系。此外，影像组学特征已被证明优于一阶统计量，同时保留了模型的可解释性。然而，在将该模型应用于临床实践之前，必须对其可重复性进行进一步研究。