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。
