宾夕法尼亚大学的Christos Davatzikos研究团队使用高通量影像学特征分析和标准患者术前MRI扫描，开发一个机器学习模型，该模型基于Ki-67对脑膜瘤进行分层，从而帮助提供个性化、针对患者的治疗策略。研究成果发表在2023年6月的《Neurosurg Focus》。

——摘自文章章节

脑膜瘤的WHO分级方案并非完全预测肿瘤行为，也并非总是与复发风险相关。在长期随访过程中，多达30%的WHO I级以及超过一半的WHO II级和III级脑膜瘤有复发可能，可靠预测肿瘤侵袭性的指标亟待开发。随着基因组和分子分析的进步，比起目前几乎完全依赖组织病理学的WHO分类，拷贝数变异、体细胞点突变和表观遗传分析可能在预测肿瘤行为方面更加准确。然而这些修改后的分类方案可能只在肿瘤切除术后才被考虑，我们仍然需要对这些肿瘤进行更好的术前特征描述，这可能对肿瘤治疗产生积极影响。宾夕法尼亚大学的Christos Davatzikos研究团队使用高通量影像学特征分析和标准患者术前MRI扫描，开发一个机器学习模型，该模型基于Ki-67对脑膜瘤进行分层，从而帮助提供个性化、针对患者的治疗策略。研究成果发表在2023年6月的《Neurosurg Focus》。

该研究为一项回顾性研究，研究了2012年至2018年间在Thomas Jefferson大学医院这一单一机构接受脑膜瘤切除手术的所有患者。患者的诊断可以通过组织学、术中评估或神经影像学确认。随访时间是从手术日期到最近的MRI检查为止，从手术时间开始，直到影像学证据显示肿瘤原位复发或残余肿瘤进展，通过影像学报告或神经外科门诊记录来确定患者的PFS。针对患者的病理报告，根据2021年中枢神经系统肿瘤WHO分类标准，重新审查并对脑膜瘤的WHO等级进行分类。在所有患者中，使用Apeiro免疫组织化学图像分析软件，由病理医生量化并记录Ki-67增殖指数。有13名患者因没有病理报告被排除。患者术前最近一次MR图像被用于影像学特征提取和随后的机器学习分析。所有患者MRI均包含7个序列：T1加权前对比、T1加权后对比、T2加权、T2加权FLAIR、扩散加权成像[DWI]（包括b0和b1000图像）以及表观扩散系数[ADC]。随后作者进行了影像学特征的提取并基于特征进行了机器学习模型的开发，基于Ki-67指数对脑膜瘤进行分层，主要集中于识别侵袭性肿瘤。

在这项研究中，共纳入了343例经手术切除的脑膜瘤病例（291例WHO I级，43例II级和9例III级）。影像学随访的中位时间为28.5个月。整体肿瘤复发率为19.8%（WHO I级为15.1%，II级为44.2%，III级为77.8%）。模型仅使用患者手术前的MP-MRI扫描的影像学数据进行训练；在此模型的开发中未包括任何临床因素。在Ki-67增殖指数上，WHO I级（平均4.79%，标准偏差±3.87%，范围0.3%-33.6%）、II级（平均16.07%，标准偏差±13.83%，范围1.5%-49%）和III级脑膜瘤（平均35.7%，标准偏差±13.31%，范围18%-57.4%）之间存在显著差异（p<0.001）。随着WHO等级的提高，Ki-67≥5%的患者比例也增加。肿瘤体积和肿瘤周围的水肿体积显示了与脑膜瘤WHO分级无关的显著差异。在所有病变中（I-III级联合），Ki-67指数≥5%的脑膜瘤的肿瘤体积和肿瘤周围的水肿体积均显著高于Ki-67指数<5%的脑膜瘤。

在进行了高通量放射影像学特征提取后，使用LASSO方法选择了46个高性能特征，并用其构建了机器学习模型。影像学特征共包括38个纹理特征。机器学习模型使用支持向量机（SVM）分类器在训练集上进行了训练，以基于Ki-67的5%截点对所有肿瘤（WHO I-III级）进行分层。

在所有肿瘤的训练数据集中（n=257），达到了0.83的曲线下面积（AUC）（95%CI0.78-0.89），灵敏度和特异性分别为79.8%和80.4%。当模型独立应用于验证数据集时，显示出类似的性能，AUC为0.84（95%CI0.75-0.94），灵敏度为72.7%，特异性为90.6%。组织病理学Ki-67与机器学习预测的Ki-67之间的相关性表现了优异的性能（整体准确率>80%），其中WHO I级脑膜瘤的分类准确性最高，特别是Ki-67<5%的肿瘤。由于该队列中II级患者较少，尽管基于Ki-67增殖指数观察到了不同的影像学特征分数，但WHO II级肿瘤的分类性能有所限制。

基于Ki-67的5%截点对研究队列中的所有肿瘤（WHO I-III级）进行分层后，Kaplan-Meier曲线显示，与Ki-67<5%的肿瘤相比，Ki-67≥5%的肿瘤的无进展生存期（PFS）更短（p<0.0001，logrank检验），无论是基于机器学习预测的Ki-67还是组织病理学的Ki-67%。基于WHO等级的结果亚分析显示，与Ki-67≥5%相比，WHO I级肿瘤中Ki-67<5%的患者的PFS更长，但这种统计学上的显著关联在II和III级肿瘤中并没有复现，可能是由于统计效能不足。对于WHO I级脑膜瘤，机器学习揭示了预测的Ki-67≥5%的脑膜瘤的PFS较短，与基于组织病理学Ki-67的患者结果一致。在WHO II级脑膜瘤中，我们的队列中组织病理学Ki-67<5%的患者没有复发，但机器学习模型未能复制这一发现。机器学习模型正确地将除1例外的所有WHO III级肿瘤分为正确的Ki-67分层≥5%，尽管小样本量限制了该队列的性能普遍性。

组稿

徐涛 副教授

海军军医大学附属长征医院

编译

龚振宇 医师

慕尼黑工业大学附属伊萨尔河右岸医院

审校

徐涛 副教授

海军军医大学附属长征医院