编辑推荐：
脑膜瘤是成人常见颅内肿瘤，准确术前预测其分级对治疗意义重大。研究人员构建基于临床、影像组学和深度学习（DTL）特征的列线图预测脑膜瘤分级。结果显示该列线图预测性能优越，为临床决策提供了有价值的方法。
在医学的神秘世界里，脑膜瘤作为成人颅内肿瘤的 “常客”，约占所有颅内肿瘤的 33.8%。按照世界卫生组织（WHO）2021 年的标准，脑膜瘤被分为三个等级。低级别（1 级）和高级别（2 级和 3 级）的脑膜瘤，就像两个截然不同的 “小怪兽”，它们的 “性格” 大相径庭。高级别脑膜瘤充满 “攻击性”，爱复发，预后还不好；低级别脑膜瘤则相对 “温和” 许多。因此，治疗这两种脑膜瘤的方法也不一样，对于那些不能用其他方法治疗的高级别脑膜瘤，手术切除至关重要；而低级别脑膜瘤患者更适合长期随访、立体定向放疗和手术。所以，在手术前精准预测脑膜瘤的等级，就像是拿到了一把打开有效治疗大门的钥匙，能帮助医生制定更好的治疗方案，改善患者的预后。
此前，虽然有研究利用影像组学或深度学习来预测脑膜瘤等级，但还没有研究将临床、影像组学和深度学习特征整合到列线图中进行预测。为了填补这一空白，青岛大学附属医院和山东大学齐鲁医院（青岛）的研究人员开展了一项研究。他们的研究成果发表在《Scientific Reports》上，为脑膜瘤的精准诊断和治疗带来了新的希望。
研究人员在这项研究中运用了多种关键技术方法。首先是样本选取，他们收集了两家医院在 2012 年 1 月 1 日至 2022 年 6 月 31 日期间手术切除的脑膜瘤患者数据。接着利用磁共振成像（MRI）技术，获取增强 T1 加权成像（T1WI）图像。之后通过 3D slicer 软件进行图像预处理和肿瘤分割，还分别进行了影像组学特征和 DTL 特征的提取，最后通过构建不同模型并对比分析来评估预测效果 。
下面来看看具体的研究结果：
- 患者基本情况与特征差异：研究共纳入 442 例患者，排除部分病例后，340 例来自一家医院的患者组成训练集，102 例来自另一家医院的患者组成测试集。分析发现，训练集和测试集的高级别和低级别脑膜瘤患者在多个临床特征上存在显著差异，像性别、肿瘤大小、形状、边缘是否清晰、有无瘤周水肿等。
- 特征筛选与模型构建：通过单因素回归分析和多因素回归分析，筛选出性别、形状、边缘不清和瘤周水肿这些临床特征构建临床模型。从大量影像组学特征中筛选出 32 个特征，从众多 DTL 特征中筛选出 28 个特征，分别计算影像组学评分（Rad score）和 DTL 评分，进而构建影像组学模型、DTL 模型以及基于临床特征、Rad score 和 DTL score 的深度转移学习影像组学（DTLR）列线图模型。
- 模型性能评估：对比各个模型的性能指标发现，临床模型在测试集上的曲线下面积（AUC）为 0.788（95% 置信区间：0.6996 - 0.8756） ，准确率为 0.745，灵敏度为 0.941，特异性为 0.549；DTLR 列线图在测试集上的 AUC 最高，达到 0.866（95% 置信区间：0.7984 - 0.9340） ，准确率为 0.804，灵敏度为 0.745，特异性为 0.863。决策曲线分析（DCA）表明，DTLR 列线图在所有阈值概率下的净效益最大，其预测性能优于其他模型。不过，DeLong 检验显示，DTLR 列线图与临床模型有显著差异，但其他模型之间差异不显著。
研究结论和讨论部分表明，DTLR 列线图在预测脑膜瘤等级方面展现出了优越的性能，能帮助医生直观地计算患者患高级别脑膜瘤的风险，进而制定个性化的治疗方案。然而，这项研究也存在一些局限性，比如研究是回顾性的，可能存在选择偏倚；预处理时没有进行颅骨剥离，可能影响特征提取；只使用了增强 T1WI 图像，未纳入多参数 MRI 图像；没有将所有特征和 DTL 整合到一个神经网络或进行医学图像的自监督学习；样本量还不够大，缺乏多中心数据。
尽管如此，该研究依然意义重大。它首次构建了 DTLR 列线图，为脑膜瘤分级预测提供了新的方法和思路。未来，研究人员可以针对这些局限性进行改进，进一步提高 DTLR 列线图的预测价值，让它在临床实践中发挥更大的作用，为脑膜瘤患者带来更多的希望和福祉。
