分享:
分享到微信朋友圈
X
临床研究
术前常规磁共振影像预测胶质瘤复发部位的临床研究
李倩 胡晓飞 时雨 王健

LI Q, HU X F, SHI Y, et al. Clinical study of preoperative conventional magnetic resonance imaging to predict the recurrence site of glioma[J]. Chin J Magn Reson Imaging, 2023, 14(8): 19-26.引用本文:李倩, 胡晓飞, 时雨, 等. 术前常规磁共振影像预测胶质瘤复发部位的临床研究[J]. 磁共振成像, 2023, 14(8): 19-26. DOI:10.12015/issn.1674-8034.2023.08.003.


[摘要] 目的 通过术前常规MRI影像征象预测手术切除后胶质瘤复发部位(象限),从而帮助临床医师在术前规划更准确的手术切除范围。材料与方法 本研究为回顾性研究,纳入了两个中心经病理确诊的123例术后复发胶质瘤患者病例,均具有完整的术前及术后复发MRI影像资料。两位放射影像科医师将术前、术后胶质瘤以其中心为原点建立平面直角坐标系,从而将肿瘤划分为四个象限,分别评估术前四个象限MRI影像征象以及术后该象限是否复发,并对两位放射影像科医师进行评分者间信度(interrater reliability, IRR)分析;选取伦勃朗视觉感受图像(Visually Accessible Rembrandt Images, VASAIR)特征集中18个MRI表现作为预测指标变量。利用二分类logistic回归作为分类器来建立预测模型,使用交叉验证的方法来验证模型的预测能力,其中训练集∶验证集=3∶1;选择有意义的变量建立列线图,并使用一致性曲线和决策曲线分析(decision curve analysis, DCA)验证。结果 123例患者分别划分为四个象限后,共492个象限,将其随机分为训练集(未复发象限129个和复发象限240个)和验证集(未复发象限43个和复发象限80个),单因素分析结果发现,强化程度(P=0.03)、未强化径线(P<0.01)、深部脑白质侵犯(P=0.02)、未强化区跨中线情况(P=0.04)、室管膜侵犯(P<0.01)、T1WI/液体衰减反转恢复(fluid-attenuated inversion-recovery, FLAIR)序列(P=0.02)分布差异有统计学意义。进一步建立logistic回归模型,训练集受试者工作特征(receiver operating characteristic, ROC)曲线下面积为0.7642(P<0.05)、Kappa值为0.38,验证集数据中ROC曲线下面积为0.8493(P<0.05)、Kappa值为0.56。结论 VASAIR特征集中的强化程度、未强化径线、深部脑白质侵犯、未强化区跨中线情况、室管膜侵犯、T1WI/FLAIR能够在术前预测胶质瘤复发及复发部位(象限),这对神经外科医生手术方案的制订有一定的帮助。
[Abstract] Objective To predict the recurrence of glioma after surgery through preoperative conventional magnetic resonance imaging signs, so as to help clinicians planning more accurate surgical resection range before surgery.Materials and Methods This study is a retrospective study, involving 123 patients with postoperative recurrence of glioma confirmed by pathology in two centers, all of whom have complete preoperative and postoperative MRI images of recurrence. Two radiologists established a plane rectangular coordinate system with the center of the preoperative and postoperative glioma as the midpoint, thus dividing the tumor into four quadrants, respectively evaluating the MR imaging signs of the four quadrants before surgery and whether the quadrant recurred after surgery, and performing interrater reliability (IRR) analysis on the two radiologists; 18 MRI manifestations of Visually Accessible Rembrandt Images (VASAIR) signs were selected as the predictive index variables. The binary logistic regression is used as a classifier to build the prediction model, and the cross-validation method is used to verify the prediction ability of the model, where the training set∶validation set=3∶1; Select meaningful variables to establish a nomogram, and use concordance index curve and decision curve analysis (DCA) to verify.Results One hundred and twenty three patients were divided into four quadrants, a total of 492 quadrants. They were randomly divided into training set (129 non-recurrent quadrants and 240 recurrent quadrants) and validation set (43 non-recurrent quadrants and 80 recurrent quadrants). There were statistically significant differences in the enhancement quality (P=0.03), unenhanced diameter line (P<0.01), deep white matter invasion (P=0.02), unenhanced area crosses midline (P=0.04), ependymal invasion (P<0.01), the T1WI/fluid-attenuated inversion-recovery (FLAIR) (P=0.02). Further establish logistic regression model. The area under the receiver operating characteristic (ROC) curve in the training set is 0.7642 (P<0.05), and the Kappa value is 0.38. The area under the ROC curve in the validation set data is 0.8493 (P<0.05), and the Kappa value is 0.56.Conclusions Enhancement quality, unenhanced diameter line, deep white matter invasion, unenhanced area crosses midline, ependymal invasion, and T1WI/FLAIR in the VASAIR feature concentration can predict glioma recurrence and recurrence site (quadrant) before surgery, which is helpful for neurosurgeons to make surgical plans.
[关键词] 胶质瘤;磁共振成像;复发;象限;预测
[Keywords] glioma;magnetic resonance imaging;recurrence;quadrant;predict

李倩 1, 2   胡晓飞 3   时雨 4   王健 1*  

1 陆军军医大学第一附属医院放射科,重庆 400037

2 陆军第九五八医院放射诊断科,重庆 400020

3 陆军军医大学第一附属医院核医学科,重庆 400037

4 陆军军医大学第一附属医院病理科,重庆 400037

通信作者:王健,E-mail:wangjian_811@foxmail.com

作者贡献声明:王健酝酿和设计试验,对文章的知识内容作批评性审阅;李倩起草和撰写稿件,获取、分析或解释本研究的数据;胡晓飞对稿件重要内容进行了修改,获得了国家自然科学基金的资助;时雨酝酿和设计试验;全体作者都同意发表最后的修改稿,同意对本研究的所有方面负责,确保本研究的准确性和诚信。


基金项目: 国家自然科学基金 92059103 四川省区域创新合作项目 2023YFQ0002
收稿日期:2023-03-22
接受日期:2023-07-27
中图分类号:R445.2  R730.264 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2023.08.003
引用本文:李倩, 胡晓飞, 时雨, 等. 术前常规磁共振影像预测胶质瘤复发部位的临床研究[J]. 磁共振成像, 2023, 14(8): 19-26. DOI:10.12015/issn.1674-8034.2023.08.003.

0 前言

       脑胶质瘤是成人中枢神经系统最常见、侵袭性最强的肿瘤,预后差且复发率高,患者中位生存时间为14~18个月[1]。目前脑胶质瘤标准治疗方法是手术切除和术后同步放化疗,辅以6个周期替莫唑胺治疗[2]。手术切除范围的划分在低级别胶质瘤(low-grade glioma, LGG)中是通过手动分割液体衰减反转恢复(fluid-attenuated inversion-recovery, FLAIR)序列或T2轴位切片计算,高级别胶质瘤(high-grade glioma, HGG)中是使用磁化快速梯度回波成像T1序列和Gd-DTPA对比增强组织的体积进行类似计算[3]。非增强区也可有肿瘤组织浸润,可能被某些因素(如游离水)所掩盖[4];因为即使在切除肿瘤强化部分并随后进行放化疗的患者中也会有大部分复发,且复发几乎总是在放疗范围内的切除腔内或附近[5]。而肿瘤总切除率已被证明是重要的预后因素,其切除的范围对患者的整个生存率起着重要的作用[6, 7],因此需要在术前明确肿瘤周围无强化但有复发风险的具体部位,帮助临床医师划分更准确的手术切除范围,减少肿瘤复发可能性,延长患者的总生存期[8]

       目前暂未发现与本文目的一致预测胶质瘤复发部位的研究,研究主要集中在鉴别胶质瘤术后真正进展性疾病(progressive disease, PD)与治疗诱导效应(treatment-induced effects, TIE),且发现边缘增强、肥皂泡增强和等信号表观扩散系数(apparent diffusion coefficient, ADC)值可区分PD和TIE[9]。本研究将通过常规MRI影像征象预测胶质瘤术后是否会复发及其复发部位(象限),旨在为临床医师提供简易且可靠的术前胶质瘤范围评估指标。

1 材料和方法

1.1 研究人群

       本研究遵守《赫尔辛基宣言》,并经陆军军医大学第一附属医院临床研究伦理委员会批准,免除受试者知情同意,批准文号:(B)KY2022193。回顾性分析了2010年1月1日至2019年12月31日经陆军军医大学第一附属医院术后病理确诊的胶质瘤患者病例102例以及贵州医科大学附属医院的胶质瘤患者病例21例,两家医院患者HGG与LGG比例约为2∶1,男女比例为5∶4;此外共有8名患者不符合要求已剔除。患者纳入标准:(1)手术方式为肿瘤全切,切除后病理确诊为胶质瘤;(2)术后随访过程中发生了复发;(3)具有完整的术前及术后复发MRI影像资料;(4)完整的临床资料,如年龄、性别及术后治疗方法;(5)术后均同步放化疗、辅以替莫唑胺;(6)随访时间大于等于12个月。排除标准:(1)临床资料及影像数据不全;(2)图像质量差。图1显示了纳入和排除的患者的流程图。

图1  研究中纳入和排除患者流程图。
Fig. 1  Flow chart of the inclusion and exclusion of patients in the study.

1.2 图像采集

       图像采集使用德国西门子1.5 T或3.0 T MRI扫描仪,所有患者MRI序列一致,并确保每一位患者前后使用同一台MRI设备扫描。1.5 T MRI序列及参数如下:(1)T1WI序列,TR 231 ms,TE 5 ms,层厚5 mm,横断位扫描;(2)T2WI序列,TR 6000 ms,TE 144 ms,层厚 5 mm,横断位扫描;(3)FLAIR序列,TR 10660 ms,TE 84 ms,层厚 5mm,横断位扫描;(4)T1对比增强(T1 contrast enhancement, T1-CE)序列,TR 231 ms,TE 5 ms,层厚 5 mm,横断位扫描。3.0 T MRI序列及参数如下:(1)T1WI序列,TR 300 ms,TE 3 ms,层厚5 mm,横断位扫描;(2)T2WI序列,TR 5590 ms,TE 127 ms,层厚5 mm,横断位扫描;(3)FLAIR序列,TR 9000 ms,TE 81 ms,层厚5 mm,横断位扫描;(4)T1-CE序列,TR 300 ms,TE 3 ms,层厚5 mm,横断位扫描。患者术前至少进行一次MRI扫描;根据神经肿瘤学工作组(Response Assessment in Neuro-Oncology, RANO)的反应评估标准[10],术后每3~6个月进行一次,在随访期间如果进展存在不确定,则在4周后进行再次评估。

       本研究大部分指标来源于伦勃朗视觉感受图像(Visually Accessible Rembrandt Images, VASAIR)特征集[11], VASAIR特征集是对胶质瘤MRI影像特征的一种定量描述,可以更准确、重复地评价胶质瘤的MRI影像特征,稳定性好且可操作性强,是胶质瘤磁共振研究中最常用的影像指标[12]。本研究采用的影像指标主要包括:强化程度、强化径线、未强化径线、深部脑白质侵犯(指肿瘤延伸到内囊或脑干)、T1WI与FLAIR图像异常信号面积比(FLAIR或T2异常大小与T1异常大小的比值)、水肿径线、水肿边界规则/不规则、强化边缘厚度、强化边界规则/不规则、强化边界平滑/锐利(与锐利边缘相比,平滑边缘是预后不良的特征)、强化/未强化边缘清晰度、水肿跨中线情况、未强化区跨中线情况(不包括水肿)、强化区跨中线情况、软脑膜侵犯、室管膜侵犯、皮层受累、结节样强化。因为MRI各个序列有多层图像,将选择评估病灶最大层面的影像征象,若存在多个病灶,则选择测量最大病灶。其中VASAIR特征中的“肿瘤大小”为最长尺寸×垂直尺寸,而本文为便于测量改动为径线(图2),即肿瘤最大层面垂直于脑中线的最长尺寸,包括强化径线、未强化径线、水肿径线。有研究提出常规灌注[大血管脑血流容量(cercbral blood volume, CBV)]和扩散MRI(ADC)不能可靠预测HGG复发部位[13],磁共振波谱等并不能常规用于随访,PET成本高,因此本研究不纳入上述影像。

图2  右侧大脑半球胶质瘤的“象限”划分方法。男,63岁,(右颞叶)考虑胶质母细胞瘤(WHO Ⅳ级);2A~2B为术前图像,2C~2D为术后复发图像。2A:T1对比增强(T1-CE)序列测量了该肿瘤第二象限的强化径线(黑线)和未强化径线(蓝线);2B:液体衰减反转恢复序列测量了该肿瘤第二象限的水肿径线(红线)。术后18个月复发,对比T1WI序列(2C),T1-CE序列(2D)示该患者第三、第四象限复发。
Fig. 2  "Quadrant" classification of glioma in the right hemisphere. Male, 63 years old, (right temporal lobe) with glioblastoma (WHO Ⅳ grade); 2A-2B are preoperative images, 2C-2D are postoperative recurrence images. 2A: T1 contrast enhancement (T1-CE) sequence measured the enhanced diameter line (black line) and unreinforced diameter line (blue line) in the second quadrant of the tumor; 2B: Fluid-attenuated inversion-recovery sequence measured the edema diameter line (red line) in the second quadrant of the tumor. Recurrence occurred 18 months after operation, compared with T1WI sequence (2C), T1-CE sequence (2D) showed that the patient recurred in the third and fourth quadrants.

1.3 胶质瘤区域划分

       为了更加准确地预测胶质瘤的具体复发部位、方向,把所有复发胶质瘤患者的术前MRI图像划分为四个部分(图2),具体划分方法是以肿瘤实体中心为原点建立平面直角坐标系,划分为左上、右上、右下及左下四个象限,归纳总结每个象限的传统影像特征;复发MRI图像的象限划分方法与术前一致,评估每个象限复发与否,将其对应至术前,比较术前复发象限与未复发象限影像征象;为了便于影像征象的总结及归类,将左侧大脑半球的象限编号进行Y轴对称排序(图3)。所有病例的图像由两位分别具有5年、10年神经MRI诊断经验的放射影像科医生进行双盲读片分析,后期进行评分者间信度(interrater reliability, IRR)分析。用二元结果N.Cohen的Cohen's Kappa统计量的样本量估计值估计了IRR的样本量,该步骤在SPSS版本25.0中进行。

图3  左侧大脑半球胶质瘤的“象限”划分方法。女,70岁,(左顶叶)倾向低级别胶质瘤;3A~3B为术前图像,3C~3D为术后复发图像。3A:T1对比增强(T1-CE)序列“象限”划分方法;3B:测量水肿经线时,若没有液体衰减反转恢复序列,可用T2WI代替(如绿线所示)。术后3个月复发,对比T1WI序列(3C),T1-CE序列(3D)示该患者所有象限均有复发。
Fig. 3  "Quadrant" classification of glioma in the left hemisphere. Female, 70 years old, (left parietal lobe) inclined to low grade glioma; 3A-3B are preoperative images, 3C-3D are postoperative recurrence images. 3A: T1 contrast enhancement (T1-CE) sequence "quadrant" division method; 3B: If there is no fluid-attenuated inversion-recovery sequence when measuring the edema meridian, T2WI can be used instead (as shown by the green line). Recurrence occurred 3 months after operation, compared with T1WI sequence (3C) and T1-CE sequence (3D), the patient had recurrence in all quadrants.

1.4 胶质瘤复发确定

       根据RANO的反应评估标准[10],随访MRI检查每3~6个月进行一次,或在出现肿瘤复发的临床症状时进行一次,直至首次出现新的或增加的增强病灶的MRI图像定义为进展;在随访期间如果进展存在不确定,则在4周后进行再次评估,如果表明患者有进展,则进展日期定义为首次提出该问题的时间点。肿瘤复发可通过放射影像学和/或临床或组织学确定,本研究患者进行了术后病理活检证实为胶质瘤复发。

1.5 统计学方法

       使用均数±标准差描述计量资料分布,计算计数资料的频数、构成比。采样单因素分析筛选与复发相关的变量作为下一步模型的预测因子。计量资料间比较采用t检验(正态分布)或秩和检验(非正态分布),计数资料间比较使用卡方检验或Fisher确切概率法进行,以P<0.05认为差异有统计学意义。

       本文预测结果为二分类变量,选择logistic回归作为分类器来建立预测模型[14, 15]。使用交叉验证的方法来验证模型的预测能力,即将数据集随机分为两部分,一部分为训练集(75%),一部分为验证集(25%),验证集数据不参与模型的训练过程,有效防止了可能发生的模型过拟合[16];随后建立预测列线图模型,并使用一致性曲线和决策曲线分析来验证列线图,亦报告了Kappa值。所有运算使用STATA/MP 17.0进行。

2 结果

2.1 患者资料及影像征象选择

       本研究共纳入本院及外院研究对象123名,均划分为四个象限,共492个象限,其中复发象限为320个,未复发象限为172个。将研究对象随机分成75%的训练集和25%的验证集,两组患者复发情况和影像特征如表1所示,除T1WI/FLAIR(P=0.04)外,其他特征在两组间分布差异均无统计学意义(P>0.05),表明两组患者来自同一总体,随机分配过程合理有效。

       将训练集中患者按复发与否,分为未复发组(129例)和复发组(240例)两组,对比两组患者各传统影像学特征分布情况。单因素分析结果表明,强化程度(P=0.03)、未强化径线(P<0.01)、深部脑白质侵犯(P=0.02)、未强化区跨中线情况(P=0.04)、室管膜侵犯(P<0.01)、T1WI/FLAIR(P=0.02)在两组间分布差异有统计学意义,如表2所示。

表1  训练集、验证集胶质瘤患者复发与否和影像特征对比
Tab. 1  Comparison of imaging features and recurrence of glioma patients in training set and validation set
表2  训练集中各因素在胶质瘤复发与否两组中的对比
Tab. 2  Comparison of various factors in the training set in the two groups of glioma recurrence or not

2.2 预测模型的建立

       使用训练集数据,将单因素分析中有统计学显著性的6个变量作为预测因子,以复发与否作为因变量,建立多因素logistic回归模型。结果如表3所示。

       由表3可知,深部脑白质侵犯是复发的危险因素(OR=1.72,P=0.060);未强化区跨中线情况是复发的危险因素(OR=1.49,P=0.380);室管膜侵犯是复发的危险因素(OR=1.29,P=0.520);相对于无强化,强化程度为混杂/有低有高为危险因素(OR=2.18,P=0.280);相对于扩展性,T1WI/FLAIR浸润性为危险因素(OR=2.84,P=0.002);相对于未强化径线≤2 cm,未强化径线>4 cm为危险因素(OR=2.79,P=0.020)。

表3  logistic回归模型结果
Tab. 3  Results of logistic regression model

2.3 列线图绘制及验证

       为便于临床医生使用,提高模型的应用价值,本研究将logistic回归预测模型转化为列线图,根据预测因子的系数,分配预测因子评分,如图4所示。每个患者均可根据这六个特征的取值,对应出分数,最终加和计算得到一个总分,总分越高,复发可能性越高,从而根据得分预测复发风险。将模型分别应用于训练集数据和验证集数据,该模型在训练集数据中,受试者工作特征(receiver operating characteristic, ROC)曲线下面积为0.7642(P<0.05),在验证集数据中,ROC曲线下面积为0.8493(P<0.05)(图5)。并使用了一致性曲线(图6)和决策曲线分析(图7)来验证列线图。

图4  预测复发与否的列线图。
Fig. 4  Nomogram for predicting recurrence.
图5  训练集、验证集中logistic回归模型的受试者工作特征曲线(曲线下面积分别为0.7642和0.8493)。
Fig. 5  Receiver operating characteristic curve of logistic regression model in training set and validation set (area under the curve is 0.7642 and 0.8493, respectively).
图6  训练集、验证集一致性曲线。
Fig. 6  Consistency curve of training set and validation set.
图7  训练集、验证集决策曲线。
Fig. 7  Decision curve of training set and validation set.

2.4 模型的Kappa值

       训练集中ROC曲线显示最佳界值为0.4715,在此界值下,模型将患者分类为复发与未复发,与实际复发与否形成的混淆矩阵如表4(训练集)和表5(验证集)所示。在训练集中,模型的Kappa值为0.38,符合率为73%,敏感度为86%,特异度为50%。在验证集中,模型的Kappa值为0.55,符合率为80%,敏感度为82%,特异度为77%。

表4  logistic回归模型在训练集中的预测能力指标
Tab. 4  Prediction ability index of logistic regression model in training set
表5  logistic回归模型在验证集中的预测能力指标
Tab. 5  Prediction ability index of logistic regression model in validation set

2.5 IRR分析结果

       对两位放射影像科医师进行IRR分析,用二元结果N.Cohen的Cohen's Kappa统计量的样本量估计值估计了IRR的样本量,得知两位医生之间的IRR为较高至很高(表6)。

表6  两名评分者间信度分析(Cohen's Kappa系数)
Tab. 6  Two interrater reliability analysis (Cohen's Kappa coefficient)

3 讨论

       在这项回顾性研究中,为便于定位首次提出将胶质瘤按象限划分方法分为四个部分,然后分别评估每个部分影像征象及术后该象限复发与否,使用二分类logistic回归作为分类器来建立使用胶质瘤术前影像征象预测其术后复发与不复发的模型,在训练集中,对比术前复发与未复发象限影像征象,单因素分析结果表明强化程度(P=0.03)、未强化径线(P<0.01)、深部脑白质侵犯(P=0.02)、未强化区跨中线情况(P=0.04)、室管膜侵犯(P<0.01、T1WI/FLAIR(P=0.02)在两组间分布差异有统计学意义。使用这六个变量建立logistic回归模型,在训练集及验证集数据中,ROC曲线下面积分别为0.7642、0.8493,因此该模型具有较良好的性能[17]。这说明我们有望在术前通过分析MRI征象,判断出术后胶质瘤可能复发的部分(象限),从而为手术切除范围的划分提供帮助。

3.1 本研究结果分析

       复发组深部脑白质侵犯高于未复发组,这里的深部脑白质侵犯是指肿瘤延伸到内囊或脑干,这可能对手术时肿瘤完全切除造成挑战,并使肿瘤易于复发。复发组室管膜侵犯发生率高于未复发组,因为室管膜侵犯可使肿瘤对放化疗不敏感,并增加肿瘤的侵袭性和迁徙能力;有研究结果表明胶质母细胞瘤(glioblastoma, GBM)细胞能够通过破坏室管膜细胞及其相关的细胞外基质结构来破坏脑室壁,室管膜壁完整性破坏导致GBM细胞侵入脑室腔,脑脊液渗入肿瘤体,脑脊液及其内容物与GBM细胞的直接相互作用可能导致在脑室近端GBM患者肿瘤恶性程度增加[18]。在T1WI/FLAIR中复发组更倾向于浸润性,这不难理解,肿瘤细胞从原发灶迁移到周围正常组织,与正常脑组织间无明显界限,它使肿瘤的完整切除变得复杂。

       未复发组与复发组强化程度分别都倾向于显著/极明显强化,但在未复发组显著/极明显强化比例更高,以往的研究中[19, 20],肿瘤明显强化的患者往往生存时间更短,临床也更关注肿瘤该区域,认为强化越明显,血管破坏越严重,恶性程度越高,因为高强化区域对应于血管渗漏和血脑屏障破坏导致钆基对比剂外渗的组织,这种渗漏通常与血管内皮生长因子表达和/或新生血管生成有关[21]。而有研究发现[22],一部分图像上未强化的胶质瘤患者,恶性程度也较高,GBM最大非增强区(the nonenhancing region, NER)相对脑血容量增加与死亡风险增加相关(log-rank检验,P=0.011),术前Karnofsky评分和NER越过中线(来源于VASAIR特征集)的存在也被发现是总生存期和无进展生存期的重要预测因素。NER(不包括囊性或坏死成分)通常由浸润性肿瘤和水肿混合组成[23],难以通过形态学成像进行区分,其组成和范围可能反映了肿瘤的侵袭性。另外也有文章证实NER越过中线对鉴别HGG有较大价值[24]。因此今后除了强化部分外,我们也要更加关注和研究胶质瘤的未强化部分。

       在本研究中,与水肿相关的影像征象如“水肿径线”不是胶质瘤复发与否的预测因素,然而胶质瘤周围水肿组织的主要成分是分散的侵袭性肿瘤细胞、反应性细胞和各种血管模式,胶质瘤相关水肿促进胶质瘤细胞侵袭[25, 26],并显著影响胶质瘤预后,在规划放射治疗的目标区域时应考虑瘤周脑水肿[27]。有文献提出通过在脑部MRI图像上适当识别瘤周水肿的程度,可以独立预测胶质瘤的预后[28];而本文未发现其显著性的可能原因是瘤周水肿导致白质各向异性降低,阻碍了单纯水肿和实际肿瘤侵袭之间的区分[29],因此后期我们还会继续探索胶质瘤相关水肿与胶质瘤复发的潜在关系。

3.2 本研究的新颖之处

       本研究的新颖之处在于按照“象限”划分肿瘤为四部分,这样能够更准确地描述胶质瘤的复发部位,并且在实际应用中易于操作,容易和外科医生交流定位,同时这种划分方法在本研究中增加了样本量。“象限”划分方法在别的文献中没有出现过,后期还需要更多的数据验证它的可行性。以往的研究都是在术后治疗前预测胶质瘤的复发或者复发与假性进展的鉴别[30, 31, 32],而本文的研究目的是使用术前影像预测胶质瘤的复发部位,这样能减少再次手术的可能性,并且部分患者并不适宜进行二次手术,将可能在一定程度上延长患者的无进展生存期。本研究的患者在术后定期进行MRI随访,直至发生复发,均符合RANO的复发评估标准,并且患者经过病理证实,因此本文研究结果是可信的。

3.3 本研究的局限性

       本研究还存在一些局限性。首先,仅使用传统MRI征象是不足以预测胶质瘤复发的[33],以后的研究中会加入其他MRI序列,如灌注、弥散、波谱等,同时可以加入影像组学以及临床资料等,如WANG等[34]结合了放射组学、VASAIR参数和临床变量来预测GBM的早期复发,发现MRI放射分析显示了预测GBM早期复发的潜在价值。其次,手术后脑组织发生了一定移位[35, 36],当将其对应至术前时位置会有一定的偏差,并且本文所提出的“象限”划分方法是一个方便临床操作的简易定位方法,难免会存在误差,这就需要再探索更科学、更严谨的分区定位方法。最后,没有按照高、低级别胶质瘤和高、低场强分别进行亚组分析,主要因为本研究的样本量不够大,显然胶质瘤级别越高越容易发生复发;在高场强MRI引导技术下可以显著提高脑胶质瘤全切除率,提高患者生活质量和延长无进展生存期[37]。后期将会在扩大样本量的基础上,讨论不同亚组间的差异。

4 结论

       本研究通过对胶质瘤术前常规MRI征象的分析与总结,发现强化程度、未强化径线、深部脑白质侵犯、未强化区跨中线情况、室管膜侵犯、T1WI/FLAIR能够判断术后胶质瘤复发部位(象限)。因此可以将这些因素纳入前瞻性诊断研究,同时结合前沿MRI序列及放射组学等现代技术,会对神经外科医生手术方案的制订有一定的帮助。

[1]
STUPP R, Mason W P, VAN den Bent M J, et al. Radiotherapy plus concomitant and adjuvant temozolomide for glioblastoma[J]. N Engl Med, 2005, 352(10): 987-996. DOI: 10.1056/NEJMoa043330.
[2]
XU S C, TANG L, LI X Z, et al. Immunotherapy for glioma: Current management and future application[J]. Cancer Lett, 2020, 476: 1-12. DOI: 10.1016/j.canlet.2020.02.002.
[3]
HOU Y Z, L Y, L Q, et al. Full-course resection control strategy in glioma surgery using both intraoperative ultrasound and intraoperative MRI[J]. Front Oncol, 2022, 12: 955807. DOI: 10.3389/fonc.2022.955807.
[4]
MARIE C M, MIGUEL M R, JANA L, et al. Predicting glioblastoma recurrence from preoperative mr scans using fractional-anisotropy maps with free-water suppression[J]. Cancers, 2020, 12(3): 728. DOI: 10.3390/cancers12030728.
[5]
VAN S B T, NIELAND L, CHIOCCA E A, et al. Advances in local therapy for glioblastoma - taking the fight to the tumour[J]. Nat Rev Neurol, 2022, 18(4): 221-236. DOI: 10.1038/s41582-022-00621-0.
[6]
TANG S, LIAO J, LONG Y. Comparative assessment of the efficacy of gross total versus subtotal total resection in patients with glioma: A meta-analysis[J]. Int J Surg, 2019, 63: 90-97. DOI: 10.1016/j.ijsu.2019.02.004.
[7]
MCGIRT M J, CHAICHANA K L, GATHIN M, et al. Independent association of extent of resection with survival in patients with malignant brain astrocytoma[J]. Neurosurg, 2009, 110(1): 156-162. DOI: 10.3171/2008.4.17536.
[8]
LU V M, JUE T R, MCDONALD K L, et al. The Survival Effect of Repeat Surgery at Glioblastoma Recurrence and its Trend: A Systematic Review and Meta-Analysis[J/OL]. World Neurosurg, 2018, 115: 453-459.e3 [2023-03-21]. https://pubmed.ncbi.nlm.nih.gov/29654958/. DOI: 10.1016/j.wneu.2018.04.016.
[9]
FLIES C M, VAN L K H, TEN V M, et al. Conventional MRI Criteria to Differentiate Progressive Disease From Treatment-Induced Effects in High-Grade (WHO Grade 3-4) Gliomas[J]. Neurology, 2022, 99: 77-88. DOI: 10.1212/WNL.0000000000200359.
[10]
WEN P Y, MACDONALD D R, REARDON D A, et al. Updated response assessment criteria for high-grade gliomas: response assessment in neuro-oncology working group[J]. Clin Oncol, 2010, 28(11): 1963-1972. DOI: 10.1200/JCO.2009.26.3541.
[11]
Wiki for the VASARI feature set The National Cancer Institute Web site. Available at https://wiki.cancerimagingarchive.net/display/Public/VASARI+Research+Project(2020).
[12]
SOLTANINEJAD M, YANG G, LAMBROU T, et al. Supervised learning based multimodal MRI brain tumour segmentation using texture features from supervoxels[J]. Comput Methods Programs Biomed, 2018, 157: 69-84. DOI: 10.1016/j.cmpb.2018.01.003.
[13]
KHALIFA J, TENSAOUTI F, LOTTERIE J A, et al. Do perfusion and diffusion MRI predict glioblastoma relapse sites following chemoradiation?[J]. Neurooncol, 2016, 130: 181-192. DOI: 10.1007/s11060-016-2232-8.
[14]
SCHOBER P, VETTER T R. Logistic Regression in Medical Research[J]. Anesth Analg, 2021, 132: 365-366. DOI: 10.1213/ANE.0000000000005247.
[15]
ZABOR E C, REDDY C A, TENDULKAR R D, et al. Logistic Regression in Clinical Studies[J]. Int J Radiat Oncol Biol Phys, 2022, 112: 271-277. DOI: 10.1016/j.ijrobp.2021.08.007.
[16]
MICHAEL W B. Cross-Validation Methods[J]. J Math Psychol, 2000, 44(1): 108-132. DOI: 10.1006/jmps.1999.1279.
[17]
JASKOWIAK P A, COSTA I G, CAMPELLO R J G B. The area under the ROC curve as a measure of clustering quality[J]. Data Mining and Knowledge Discovery, 2022, 36: 1219-1245. DOI: 10.1007/S10618-022-00829-0.
[18]
NORTON E S, WHALEY L A, ULLOA-NAVAS M J, et al. Glioblastoma disrupts the ependymal wall and extracellular matrix structures of the subventricular zone[J]. Fluids Barriers CNS, 2022, 19(1): 58. DOI: 10.1186/s12987-022-00354-8.
[19]
孙涛. 影像特征联合分子病理在较低级别胶质瘤中的预后价值[D]. 郑州: 郑州大学, 2021. DOI: 10.27466/d.cnki.gzzdu.2021.000336.
SUN T. Prognostic value of imaging features combined with molecular pathology in lower grade glioma [D]. Zhengzhou: Zhengzhou University, 2021. DOI: 10.27466/d.cnki.gzzdu.2021.000336.
[20]
CASTET F, ALANYA E, VIDAL N, et al. Contrast-enhancement in suprat entorial low-grade gliomas: a classic prognostic factor in the molecularag[J]. J Neurooncol, 2019, 143(3): 515-523. DOI: 10.1007/s11060-019-03183-2.
[21]
HU L S, HAWKINS-DAARUD A, WANG L J, et al. Imaging of intratumoral heterogeneity in high-grade glioma[J]. Cancer Lett, 2020, 477: 97-106. DOI: 10.1016/j.canlet.2020.02.025.
[22]
JAIN R, POISSON L M, GUTMAN D, et al. Outcome prediction in patients with glioblastoma by using imaging, clinical, and genomic biomarkers: focus on the nonenhancing component of the tumor[J]. Radiology, 2014, 272: 484-493. DOI: 10.1148/radiol.14131691.
[23]
PARSA A T, WACHHORST S, LAMBORN K R, et al. Prognostic significance of intracranial dissemination of glioblastoma multiforme in adults[J]. J Neurosurg, 2005, 102(4): 622-628.
[24]
杜学松. MRI定量特征评估胶质瘤分级、预后及抗血管治疗反应的影像学策略[D]. 重庆: 中国人民解放军陆军军医大学, 2019. DOI: 10.27001/d.cnki.gtjyu.2019.000144.
DU X S. Imaging strategies for evaluating glioma grade, prognosis and response to antivascular therapy with MRI quantitative features[D]. Chongqing: the Chinese People's Liberation Army (PLA) Army Military Medical University, 2019. DOI: 10.27001/d.cnki.gtjyu.2019.000144.
[25]
WANG X F, LIU X Y, CHEN Y P, et al. Histopathological findings in the peritumoral edema area of human glioma[J]. Histol Histopathol, 2015, 30: 1101-1109. DOI: 10.14670/HH-11-607.
[26]
WU C X, LIN G S, LIN Z X, et al. Peritumoral edema on magnetic resonance imaging predicts a poor clinical outcome in malignant glioma[J]. Oncol Lett, 2015, 10: 2769-2776. DOI: 10.3892/ol.2015.3639.
[27]
CHANG E L, AKYUREK S, AVALOS T, et al. Evaluation of peritumoral edema in the delineation of radiotherapy clinical target volumes for glioblastoma[J]. Int J Radiat Oncol Biol Phys, 2007, 68: 144-150. DOI: 10.1016/j.ijrobp.2006.12.009.
[28]
SCHOENEGGER K, OBERNDORFER S, WUSCHITZ B, et al. Peritumoral edema on MRI at initial diagnosis: an independent prognostic factor for glioblastoma?[J]. Eur J Neurol, 2009, 16: 874-878. DOI: 10.1111/j.1468-1331.2009.02613.x.
[29]
MAIER S E, SUN Y, MULKERN R V. Diffusion imaging of brain tumors[J]. NMR Biomed, 2010, 23: 849-864. DOI: 10.1002/nbm.1544.
[30]
LUNDEMANN M, MUNCK A P, MUHIC A R P, et al. Feasibility of multi-parametric PET and MRI for prediction of tumour recurrence in patients with glioblastoma[J] .Eur J Nucl Med Mol Imaging, 2019, 46: 603-613. DOI: 10.1007/s00259-018-4180-3.
[31]
LI Y, MA Y Q, WU Z J, et al. Advanced Imaging Techniques for Differentiating Pseudoprogression and Tumor Recurrence After Immunotherapy for Glioblastoma[J] .Front Immunol, 2021, 12: 790674. DOI: 10.3389/fimmu.2021.790674.
[32]
STADLBAUER A, KINFE T M, EYVPOGLU I, et al. Tissue Hypoxia and Alterations in Microvascular Architecture Predict Glioblastoma Recurrence in Humans[J] .Clin Cancer Res, 2021, 27: 1641-1649. DOI: 10.1158/1078-0432.CCR-20-3580.
[33]
LUNDEMANN M, MUNCK A R P, MUHIC A, et al. Feasibility of Multi-Parametric PET and MRI for Prediction of Tumour Recurrence in Patients With Glioblastoma[J]. Eur J Nucl Med Mol Imaging, 2019, 46(3): 603-613. DOI: 10.1007/s00259-018-4180-3.
[34]
WANG J, YI X P, FU Y, et al. Preoperative Magnetic Resonance Imaging Radiomics for Predicting Early Recurrence of Glioblastoma[J]. Front Oncol, 2021, 11: 769188. DOI: 10.3389/fonc.2021.769188.
[35]
XIAO Y M, EIKENES L, REINERTSEN I, et al. Nonlinear deformation of tractography in ultrasound-guided low-grade gliomas resection[J]. Int J Comput Assist Radiol Surg, 2018, 13: 457-467. DOI: 10.1007/s11548-017-1699-x.
[36]
MAURER C R, HILL D L, MARTIN A J, et al. Investigation of intraoperative brain deformation using a 1.5-T interventional MR system: preliminary results[J]. IEEE Trans Med Imaging, 1998, 17: 817-825. DOI: 10.1109/42.736050.
[37]
董泽平, 赵旸, 陈凡, 等. 术中高场强MRI联合荧光引导技术在脑胶质瘤切除术中的应用[J]. 中国现代神经疾病杂志, 2021, 21(11): 988-993.
DONG Z P, ZHAO Y, CHEN F, et al. Application of high field intensity MRI combined with fluorescence guided technique in brain glioma resection[J]. Chinese Journal of Contemporary Neurology and Neurosurgery, 2021, 21(11): 988-993.

上一篇 磁共振弥散白质定量分析在观察脑低级别胶质瘤相关性癫痫白质变化中的应用
下一篇 多序列影像组学结合临床及影像学特征预测脑胶质瘤IDH1基因突变
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2