基于常规MRI语义特征鉴别第四脑室儿童髓母细胞瘤与室管膜瘤：一项多中心回顾性研究的启示

《CNS Neuroscience & Therapeutics》：Conventional MRI-Based Semantic Features for Differentiation of Pediatric Medulloblastoma and Ependymoma in the Fourth Ventricle: Insights From a Multi-Center Retrospective Study

　　

目的：由于临床及影像学表现重叠，术前鉴别第四脑室的儿童髓母细胞瘤(Medulloblastoma, MB)与室管膜瘤(Ependymoma, EA)仍具挑战。本研究旨在识别具有鉴别价值的常规MRI语义特征(semantic features)，并构建基于特征的诊断模型以区分MB与EA。方法：这项多中心回顾性MRI研究纳入295例儿童患者（184例MB，111例EA），按训练集、内部验证集及外部测试集分配。提取13项语义特征，经特征筛选后构建定量参数模型及混合参数模型并予以评估。最后由3名初级及3名资深放射科医师完成独立诊断及模型辅助诊断评估。结果：MB的左右径/上下径(LR/UL)比值(0.98 vs. 0.76)及前后径/上下径(AP/UL)比值(0.88 vs. 0.66)均显著大于EA（均p < 0.001）。具有确诊意义的"海葵征(sea anemone sign)"（MB特异性100%）见于38.60%的MB病例。支持向量机(Support Vector Machine, SVM)模型表现最优，训练集、内部验证集及外部测试集受试者工作特征曲线下面积(Area Under the ROC Curve, AUC)分别为0.946、0.921、0.915，准确率分别为0.906、0.907、0.832。SVM模型辅助下，初、高级别放射科医师在各数据集中的诊断效能均提升；外部测试集中初级放射科医师AUC升至0.849–0.893，资深放射科医师AUC升至0.893–0.913。结论："海葵征"对MB具有高度特异性。基于常规MRI语义特征的SVM模型可有效鉴别MB与EA，并显著提高放射科医师的诊断准确率。

论文解读：基于常规MRI语义特征鉴别第四脑室儿童髓母细胞瘤与室管膜瘤的多中心回顾性研究

该研究发表于《CNS Neuroscience & Therapeutics》。儿童后颅窝肿瘤中，髓母细胞瘤(Medulloblastoma, MB)约占30%–40%，室管膜瘤(Ependymoma, EA)约占10%–15%。MB起源于小脑蚓部髓质帆，生物学行为侵袭，术后常需放化疗；EA源于脑室室管膜细胞，以手术加放疗为主，必要时化疗，预后相对较好。二者治疗方案及预后差异显著，术前精准鉴别具有重要临床意义。虽然功能MRI（扩散加权成像DWI、磁共振波谱MRS、灌注加权成像PWI）及影像组学(radiomics)有助于鉴别，但前者受费用、扫描时间及阈值不统一限制，后者存在可解释性差、缺乏标准化流程等瓶颈。常规MRI语义特征虽简便直观，但既往研究样本量小且缺乏特异性影像标志物，鉴别效能欠佳。因此，研究人员开展此项多中心回顾性研究，旨在提炼第四脑室MB与EA的常规MRI语义特征并构建机器学习模型辅助鉴别诊断。

研究人员纳入6家中心2013年1月至2025年1月病理确诊、年龄≤14岁、术前行常规MRI（T₁WI、T₂WI、FLAIR及对比增强T₁WI即T₁CE）且未经治疗的MB与EA患儿，排除图像伪影明显者，最终295例（MB 184例，EA 111例）按3个中心随机7∶3分为训练与内部验证集，其余为外部测试集。两名资深放射科医师盲法评估13项语义特征（3项定量：LR/UL左右径/上下径比、AP/UL前后径/上下径比、LR/AP左右径/前后径比；10项定性含肿瘤中心偏移、Luschka孔侵犯、椎管延伸、瘤周水肿、囊变、瘤内出血、海葵征、强化内弥漫微囊、柔脑膜受累、脊髓转移），不一致时由第三名医师仲裁。采用LASSO回归与Boruta算法交集筛选特征，排除高共线性后构建Logistic回归联合模型(JOINT)及5种机器学习模型——自适应提升(Adaptive Boosting, AdaBoost)、轻量梯度提升机(Light Gradient Boosting Machine, LightGBM)、随机森林(Random Forest, RF)、多层感知器(Multilayer Perceptron, MLP)、支持向量机(Support Vector Machine, SVM)，以5折交叉验证调参，计算AUC、准确率、敏感度、特异度、阳性预测值(Positive Predictive Value, PPV)、阴性预测值(Negative Predictive Value, NPV)评估效能，SHAP(SHapley Additive exPlanations)分析特征贡献。另由3名初级（3–5年）及3名资深（8–10年）放射科医师先后行独立阅片及SVM模型概率辅助下再阅片，比较诊断效能变化。

3.1 患者基线特征与MRI语义特征

训练与内部验证集共182例（MB 114例，EA 68例），外部测试集113例（MB 70例，EA 43例），组间年龄、性别无显著差异(p > 0.05)。MB的LR/UL（0.98±0.20 vs. 0.76±0.22，p<0.001）及AP/UL（0.88±0.21 vs. 0.66±0.23，p<0.001）比值均显著高于EA；MB更多见瘤周水肿(55.26% vs. 22.06%)、海葵征(38.60% vs. 0%，特异性100%)、柔脑膜受累(18.42% vs. 1.47%)及脊髓转移(11.40% vs. 1.47%)；EA更多见肿瘤中心偏离中线>1 cm(20.59% vs. 1.75%)、向椎管内延伸(69.12% vs. 31.58%)、瘤内出血(26.47% vs. 2.63%)及强化内弥漫微囊(30.88% vs. 2.63%)。外部测试集趋势一致。所有特征组间及组内观察者一致性良好(ICC 0.908–0.975，κ 0.820–1.000)。

3.2 定量参数模型与混合参数模型性能

单用LR/UL或AP/UL构建的定量模型外部测试集AUC分别为0.779和0.773，联合Logistic回归JOINT模型外部测试集AUC为0.796。经LASSO与Boruta交集筛选出6个特征：LR/UL、AP/UL、肿瘤中心偏离中线、瘤内出血、海葵征、强化内弥漫微囊。基于此构建的5种混合模型中，SVM表现最佳——训练集AUC 0.946（准确率0.906），内部验证集AUC 0.921（准确率0.907），外部测试集AUC 0.915（准确率0.832）。IDI分析显示SVM显著优于JOINT模型及其他机器学习模型（除RF外部分集合无统计学差异）。校准曲线及决策曲线分析证实SVM校准良好且具有更高临床净获益。SHAP分析示AP/UL为最强正向预测因子，强化内弥漫微囊为负向影响最大因子。

3.3 放射科医师独立诊断与模型辅助诊断性能

独立阅片时资深放射科医师外部测试集AUC为0.801–0.838（准确率0.752–0.770），初级放射科医师AUC为0.631–0.656（准确率0.628–0.664）。SVM模型辅助后，初级放射科医师外部测试集AUC提升至0.849–0.893（准确率0.832–0.858），资深放射科医师AUC提升至0.893–0.913（准确率0.850–0.867），且组间观察者一致性由一般升至优秀（κ由0.618/0.694升至0.802）。

讨论与结论

研究人员指出MB细胞致密、质地脆、呈膨胀性生长致LR/UL及AP/UL比值增大；EA含黏液基质、质地软、沿脑室塑形生长致易偏中线及向下延伸，并常见微囊变与出血，组织学差异解释了形态学区别。"海葵征"为MB特有高特异性征象（本研究中EA未见），强化内弥漫微囊多见于EA。直径比值测量简便快捷，较需全肿瘤勾画的球形度(sphericity)更适合临床推广。SVM因适用于少特征小样本而表现最优。本研究局限为回顾性设计、样本仍有限、缺乏病理-影像对照及分子亚型分析，未来需前瞻性大样本及分子分层验证。

结论：第四脑室MB比EA表现出更高的LR/UL与AP/UL比值，"海葵征(sea anemone sign)"对MB具有高度特异性（100%）。基于常规MRI语义特征构建的支持向量机(SVM)模型在MB与EA的术前鉴别中展现出优异诊断效能，可有效提升放射科医师尤其是初级医师的诊断准确性。