超声回波包络统计用于离体区分多形性胶质母细胞瘤与正常脑组织：一项概念验证研究

《Frontiers in Acoustics》：Ultrasound echo envelope statistics to differentiate glioblastoma multiforme from normal brain tissue ex vivo: a proof-of-concept study

　　

目的：多形性胶质母细胞瘤（GBM）是一种最具侵袭性的脑肿瘤，其特征为高度异质性和血管增殖。这些特征使其在手术切除过程中难以与正常脑组织区分。常规超声成像对潜在组织微结构的定量信息有限。本研究探讨基于包络统计的多参数定量超声（QUS）特征是否能够区分GBM与正常组织。具体而言，评估了Homodyned-K（HK）、Nakagami和Burr分布捕捉微结构差异的能力。研究还检验了将这些特征整合到多参数框架中并应用基于机器学习的分类是否能够提高诊断性能。方法：离体福尔马林固定的人正常脑组织和GBM样本（每组n=20）包埋于琼脂糖体模中。使用Verasonics Vantage 128系统配合7.6 MHz线性阵列采集超声数据。在成像焦深内选定的感兴趣区域（ROIs）中分析包络数据。将HK、Nakagami和Burr分布拟合至包络数据以提取统计参数。这些特征用于逻辑回归、支持向量机、随机森林和多层感知器模型的分类。模型性能通过准确率、敏感性、特异性和受试者工作特征曲线下面积进行评估。结果：源自HK、Nakagami和Burr分布的参数在GBM与正常脑组织间存在显著差异，表明组织微结构和散射行为存在差异。在单一统计模型中，HK衍生特征取得了最高的分类性能，准确率为90.0%。多参数分类进一步提高了性能，每平面准确率达80.5%（AUC = 0.854），每样本准确率达97.5%（AUC = 0.985）。一个精简的四特征子集取得了相当的性能。结论：这些发现表明，包络统计捕捉了GBM微结构的互补方面，能够有效区分正常脑组织。多参数框架通过整合跨统计模型的信息改善了表征，而基于机器学习的分类凸显了其在组织区分方面的潜力。这些发现为多参数超声包络统计在GBM组织表征中的应用提供了概念验证。需要在新鲜切除组织和术中环境中开展进一步研究，以评估该方法的转化潜力。

**多参数超声包络统计用于离体区分多形性胶质母细胞瘤与正常脑组织：概念验证研究的解读**

**一、研究背景与问题**

多形性胶质母细胞瘤（GBM）是预后极差的高度侵袭性脑恶性肿瘤，全球发病率约为每10万人0.59至5例且呈上升趋势。脑组织的复杂各向异性和异质性使得GBM的完全切除极具挑战性。尽管大体全切除可能改善预后，但术中区分肿瘤边缘与相邻正常组织仍十分困难。标准的术前影像技术如磁共振成像（MRI）和计算机断层扫描（CT）常不足以在术中准确评估肿瘤边缘。手术因素如出血和脑移位妨碍了准确评估。术中荧光成像灵敏度有限，而术中MRI费用高昂。常规B型超声虽能提供有用的解剖信息，但通过组织微结构评估进行组织区分的洞察力有限。定量超声（QUS）通过分析背向散射回波信号来获取与组织散射行为相关的参数，从而弥补了这一局限。对回波包络进行统计建模可提供超越常规B型超声的组织微结构定量描述符。已有多种统计模型被提出用于表征回波包络，包括Homodyned-K（HK）概率密度函数（PDF）、Nakagami PDF和Burr PDF。HK分布同时考虑漫散射和相干散射成分，提供散射体聚集（α）和相干-漫散射比（k）相关参数；Nakagami分布包含散射体幅度、密度和空间组织信息，其形状参数（m）和尺度参数（Ω）与空间异质性、有效散射体数量和背向散射能量相关；Burr分布假设散射体呈现多尺度幂律行为，其形状参数（b）反映分形或细长散射结构的密度，尺度参数（λ）代表回波幅度和系统增益。这三者可能提供超声背向散射的互补统计描述。尽管包络统计在多种组织中已取得进展，但其在脑肿瘤表征中的潜力仍基本未被探索。因此，本研究旨在探究HK、Nakagami和Burr分布导出的参数能否有效区分离体GBM与正常脑组织。

**二、研究内容与结论**

研究人员获取了20例经手术切除的GBM组织样本（患者年龄15–68岁，19男1女，样本来自额叶、顶叶、颞叶及相关区域）和20例正常脑组织样本（来自NIMHANS人脑组织库，死后24小时采集，对照组包括脑外伤个体）。所有样本经福尔马林固定后包埋于琼脂糖体模中，使用Verasonics Vantage 128系统和7.6 MHz线性阵列采集超声射频（RF）数据，每个样本获取五个独立成像平面。通过宽带脉冲回波插入损耗技术测量声衰减系数，并用于频率相关衰减补偿。在感兴趣区域（ROI）内提取包络，采用最大似然估计（MLE）拟合HK、Nakagami和Burr分布，获得参数（α, k, m, Ω, b, λ）。随后构建多参数特征集（六特征和四特征），采用逻辑回归、线性支持向量机（SVM）、随机森林和多层感知器（MLP）等分类器，通过留一交叉验证（LOOCV）和组K折交叉验证评估分类性能。结果表明，GBM样本中HK（α, k）、Nakagami（m, Ω）和Burr（b, λ）参数均与正常组织存在显著差异，反映组织微结构和散射行为的差异。多参数分类实现了每样本97.5%的准确率（AUC = 0.985）和每平面80.5%的准确率（AUC = 0.854），其中HK单独特征达到90.0%的每样本准确率。精简四特征子集（α, k, m, b）取得相当性能。该研究证明了多参数超声包络统计在GBM组织表征中的概念可行性，为术中应用提供了基础。论文发表于《Frontiers in Acoustics》。

**三、主要关键技术方法**

研究人员采用了以下关键技术方法：（1）使用Verasonics Vantage 128系统配合7.6 MHz线性阵列采集离体样本的超声RF数据，每个样本获取五个独立成像平面；（2）采用宽带脉冲回波插入损耗技术测量声衰减系数，并进行频率依赖的衰减补偿；（3）对回波包络应用最大似然估计（MLE）拟合HK、Nakagami和Burr分布，提取统计参数；（4）构建多参数特征集，采用逻辑回归、线性SVM、随机森林和MLP分类器进行分类；（5）采用留一交叉验证（LOOCV）和组K折交叉验证评估性能，并通过Optuna进行超参数优化和嵌套交叉验证防止偏差。样本队列来源包括NIMHANS手术切除的GBM组织和脑组织库的正常组织。

**四、研究结果**

**4.1 组织病理学**：正常脑组织显示白质（主要含神经元）和灰质（含胶质细胞和白质纤维），GBM样本显示浸润性高级别胶质瘤，含有不同比例的肿瘤性星形胶质细胞、坏死和血管基质成分（表1）。

**4.2 B型超声成像**：正常脑组织ROI内呈现相对均匀的散斑图案，GBM组织显示回声增强和散射强度的空间变化（图3）。

**4.3 衰减系数测量**：正常组织和GBM的功率拟合常数（α0）分别为1.48和3.59 dB/cm/MHzⁿ，指数（n）分别为1.18和0.92，表明GBM具有更高的频率依赖衰减（图4）。

**4.4 包络统计**：HK、Nakagami和Burr分布均能拟合经验直方图，但GBM样本显示更宽的分布和更长的尾部（图5）。参数估计显示GBM中HK α和k、Nakagami m和Ω、Burr b和λ均显著高于正常组织（图6）。拟合优度指标（R2和RMSE）在各分布间相当（表2）。KL散度显示Nakagami在GBM中较低，Burr在GBM中较高，HK无显著差异（图7）。效应量分析显示α、m、Ω、λ具有大效应（|d|≥0.8），k和b具有中等效应（表3）。

**4.5 分类性能**：每样本分析中，线性SVM在六特征集上达到最高性能（97.5%准确率，AUC=0.985），四特征集上达95.0%（表4）。每平面分析中，调优的逻辑回归和MLP（1×64）在六特征集上达到80.5%准确率（表5）。单分布消融分析显示HK单独达到90.0%每样本准确率，优于Nakagami（77.5%）和Burr（77.5%）（表6）。随机森林特征重要性分析识别HK α和Nakagami Ω为最具判别力的参数（图10）。

**五、讨论与结论**

讨论部分指出，GBM中HK参数α升高和k降低表明散射体聚集增加和漫散射贡献增大，与组织病理学中坏死区域和微血管增殖一致；Nakagami参数m和Ω升高反映有效散射体密度和背向散射能量增加，符合GBM的高细胞性和高核质比；Burr参数b和λ升高提示分形和细长散射结构密度增加，与细胞外基质（ECM）重塑中纤维胶原沉积一致。模型拟合分析表明所有三种分布均能充分拟合数据，但KL散度差异显示各模型对分布形状变化的敏感性不同。多参数分类优于单分布，表明特征互补性。研究局限性包括样本性别不平衡、样本量有限、正常组织来源不同（尸检与手术）、福尔马林固定可能改变声学特性、衰减补偿采用组平均系数等。结论部分：研究人员在离体样本中证明了使用HK、Nakagami和Burr分布导出的包络统计区分GBM与正常脑组织的可行性。GBM中参数值显著升高，反映组织微结构和散射行为的变化。多参数特征集实现97.5%每样本准确率和80.5%每平面准确率，而HK单独特征达90.0%。这些方法可补充常规B型超声，提供组织微结构的定量信息，有助于区分肿瘤和非肿瘤组织，并可能支持肿瘤边缘评估。需要在新鲜切除组织和术中环境中进一步研究以评估临床实用性。总体而言，这些发现为多参数超声包络统计在GBM组织表征中的应用提供了概念验证。