基于常规非对比增强 MRI 放射组学的低级别胶质瘤与脑炎鉴别研究

《Scientific Reports》：Radiomics and machine learning analysis to differentiate low grade glioma and encephalitis on non-contrast MRI

　　

摘要

由于MRI特征存在重叠，准确区分低级别胶质瘤和脑炎仍然具有挑战性。本研究探讨了基于常规非对比增强MRI的放射组学方法是否能够提高在急诊情况下诊断困难病例中这些疾病的鉴别能力。这项回顾性单中心研究纳入了41名MRI表现不明确的患者，他们在症状出现后的48小时内接受了3T MRI检查。研究分析了从T2-FLAIR、DWI和T1-TSE图像中提取的放射组学特征，以及就诊时提供的实验室数据。使用选定的放射组学特征开发了随机森林分类器，并通过嵌套交叉验证、独立验证、接收者操作特征（ROC）分析和DeLong检验对模型性能进行了评估。研究对象包括23名组织学确诊为低级别胶质瘤的患者和18名确诊为脑炎的患者，他们被分为训练组（n = 31）和验证组（n = 10）。基于FLAIR序列的模型表现出最佳的鉴别能力，其AUC分别为0.82（95% CI：0.54–1.00），无论是仅使用放射组学特征还是结合临床数据的模型均优于基于T1加权的模型（仅使用放射组学的AUC为0.52，结合临床数据的AUC为0.60）以及DWI模型（两种方法的AUC均为0.72）。结合两种序列信息的放射组学-临床模型AUC为0.80（95% CI：0.41–1.00），具有100%的敏感性、80%的特异性和90%的准确性。使用DeLong检验比较ROC曲线时，未发现仅使用放射组学特征与结合临床数据的模型在任何MRI序列上存在统计学上的显著差异。这项概念验证研究表明，从常规非对比增强MRI中提取的放射组学特征可能有助于在诊断困难的情况下区分低级别胶质瘤和脑炎；然而，在临床应用之前，这些初步结果需要在更大的多中心研究中得到验证。