综述：MRI影像组学在脑膜瘤中的应用进展

这篇综述系统回顾了2017-2025年间87项研究，揭示了MRI影像组学（Radiomics）在脑膜瘤鉴别诊断（WHO分级I-III）、分子病理（Ki-67/TERT/H3K27me3）预测及预后评估中的突破性应用。通过多参数MRI（T1C/T2WI/ADC）特征融合临床数据，模型AUC达0.96（Yang et al.），显著优于传统方法。尽管存在回顾性研究偏倚（平均RQS 12.94），该技术为脑膜瘤精准诊疗提供了客观量化新范式。

　　

引言

脑膜瘤作为最常见的原发性颅内肿瘤（占成人中枢神经系统肿瘤1/3），其WHO分级（I-III）直接决定临床策略。传统MRI诊断受限于主观性，而影像组学通过高通量特征提取与人工智能（AI）结合，正重塑脑膜瘤诊疗体系。

研究方法

纳入87项回顾性研究（2017-2025），采用QUADAS-2和影像组学质量评分（RQS）评估偏倚。66.7%为单中心研究，主流序列为对比增强T1加权成像（T1C）和T2加权成像（T2WI），深度学习与机器学习占比达82%。

核心发现

肿瘤鉴别诊断
多参数MRI模型可区分脑膜瘤与颅底其他肿瘤（如垂体瘤/颅咽管瘤），AUC达0.83-0.99。Stadlbauer团队开发的生理MRI（PhyMRI）模型，通过微血管特征在5类脑肿瘤中准确率超放射科医师。

WHO分级预测

T1C联合T2WI纹理特征对高低级别脑膜瘤区分效能显著（AUC 0.96，Chu et al.）。值得注意的是，瘤周水肿区域特征（Guo et al.）与WHO II级特异性相关，揭示水肿生物学异质性。

分子病理无创评估

• Ki-67：8项研究证实ADC图特征可预测增殖指数（Khanna et al.）
• TERT启动子：Akkurt模型对恶性脑膜瘤突变预测准确率89%
• H3K27me3缺失：Chen的深度学习模型在1192例样本中实现92%准确率

生物学行为预测
静脉窦侵犯（Gui深度学习模型AUC 0.91）和脑实质浸润（Zhang多中心模型AUC 0.88）的术前预测，显著优化手术方案。瘤内异质性分析（Zhai研究）则助力制定个体化切除策略。

临床转化挑战

当前局限包括：

1. 扫描协议差异导致特征漂移（仅35.6%研究进行校准验证）
2. 缺乏前瞻性多中心试验（所有研究均为回顾性）
3. 生物标志物机制阐释不足（仅2.3%研究探讨生物学基础）

未来方向

整合动态增强MRI特征、基因组数据（如NF2/SMARCE1突变）及放疗反应参数（Gamma刀并发症预测模型AUC 0.84），将推动影像组学向临床决策系统进化。