文摘目的 探讨应用平均表观传播子MRI(mean apparent propagator-magnetic resonance imaging, MAP-MRI)及动态对比增强MRI(dynamic contrast enhanced magnetic resonance imaging, DCE-MRI)预测3、4级胶质瘤患者O6-甲基鸟嘌呤-DNA-甲基转移酶(O6-methylguanine-DNA methyhransferase, MGMT)启动子甲基化状态的可行性。材料与方法 前瞻性纳入本院自2018年6月至2022年1月经病理证实的14例MGMT启动子甲基化和17例MGMT启动子非甲基化胶质瘤患者,进行了术前常规MRI、DCE-MRI及MAP-MRI扫描。通过手动勾画肿瘤实质区域为感兴趣区(region of interest, ROI)并提取ROI定量参数特征,测量DCE-MRI参数及MAP-MRI参数。参数与MGMT甲基化间的相关性采用Pearson相关分析。所有参数均采用两独立样本t检验,比较DCE-MRI和MAP-MRI对预测3、4级胶质瘤MGMT启动子甲基化状态的诊断效能。进一步建立单因素和多因素logistic回归模型,分析构建受试者工作特征(receiver operating characteristic, ROC)曲线,以DeLong检验比较DCE-MRI参数、MAP-MRI参数与多参数联合模型预测MGMT甲基化的诊断效果。结果 DCE-MRI参数容积转运常数(volume transfer constant,Ktrans)、血管外细胞外容积分数(fractional volume of the extravascular-extracellular space, Ve)以及MAP-MRI参数非高斯(non-Gaussianity, NG)、非高斯轴向(non-Gaussianity axial, NGAx)、Q空间逆方差(Q-space inverse variance,QIV)、返回原点概率(return to the origin probability, RTOP)、返回轴线概率(return to the axis probability,RTAP)与MGMT启动子甲基化间呈中等相关性,对预测3、4级胶质瘤MGMT启动子甲基化与非甲基化组间差异具有统计学意义(P<0.05);ROC曲线下面积(area under the curve, AUC)分别为0.803、0.815、0.807、0.803、0.765、0.790、0.739。多因素logistic分析显示Ve是预测MGMT启动子甲基化的最佳预测因子,其准确性最高,AUC为0.815(95%CI:0.659~0.971),比值比(odds ratio, OR)为0.891(95%CI:0.815~0.975)。DeLong检验结果表明DCE-MRI和MAP-MRI多参数联合后预测胶质瘤MGMT启动子甲基化状态的诊断效能最高,AUC为0.992。结论 DCE-MRI和MAP-MRI对于预测高级别胶质瘤MGMT启动子甲基化状态具有一定的应用价值,同时应用两者联合诊断将有助于进一步提高诊断的效能。
文摘目的 探讨基于多序列MRI的卷积神经网络模型预测脑胶质瘤O6-甲基鸟嘌呤-DNA-甲基转移酶(O6-methylguanine-DNA methyltransferase, MGMT)启动子甲基化状态的价值。材料与方法 回顾性分析宁夏医科大学总医院2015年11月至2022年6月经手术病理证实的161例胶质瘤患者的临床及MRI影像资料,其中MGMT启动子甲基化型80例,未甲基化型81例。收集术前MRI的T2WI、T2液体衰减反转恢复(T2 fluid attenuated inversion recovery, T2-FLAIR)及对比增强T1WI (contrast enhanced T1WI, CE-T1WI)序列,对所有图像预处理后,勾画感兴趣区(region of interest, ROI)。对图像进行标注后按照7∶3随机分为训练集和验证集。使用34层残差神经网络(34-layer-residual convolutional neural network, ResNet34)分别建立基于T2WI、T2-FLAIR、CE-T1WI的单序列模型T2-net、T2f-net、TC-net和多序列融合模型TS-net,预测MGMT启动子甲基化状态。采用受试者工作特征曲线下面积(area under the receiver operating characteristic, AUROC)、精确度-召回率曲线下面积(area under the precision-recall curve, AUPRC)、准确度、特异度和敏感度评估模型效能,通过DeLong检验比较模型间的预测效能。结果 四个预测模型T2-net、T2f-net、TC-net、TS-net均有良好的预测效能,TS-net的AUROC值均高于T2-net、T2f-net、TC-net(训练集:0.930 vs. 0.859、0.877、0.920;验证集:0.910 vs. 0.812、0.840、0.854),TS-net的AUPRC值均高于T2-net、T2f-net、TC-net(训练集:0.912 vs. 0.860、0.864、0.908;验证集:0.896 vs. 0.796、0.826、0.839)。验证集中TS-net的AUROC值均高于T2-net、T2f-net、TC-net,差异均有统计学意义,训练集中与T2-net、T2f-net相比差异有统计学意义(DeLong检验,P<0.05)。结论 基于多序列MRI融合的卷积神经网络模型,可以准确、无创地预测胶质瘤MGMT甲基化状态,优于单一序列模型,为指导临床治疗决策和评估胶质瘤患者预后提供可靠依据。
