MRI在脑膜瘤的术前诊断和术后评估中都起着重要的作用，这篇文章主要从患者的T1C增强和T2-FLAIR序列中提取影像组学特征。在这篇文章中，作者从两个神经外科中心中收集了224例非典型脑膜瘤患者的数据，其中第一个中心的164例患者被随机分为训练组和验证组，分别用于模型构建和内部验证，而另一个中心的60例患者则全部用作外部验证队列，以验证模型的稳定性。作者首先手动勾勒了所有患者的肿瘤区域，然后使用pyradiomics从每个序列中各提取了960个影像组学特征。在训练组中，作者通过LASSO-Cox筛选构建了一个包含4个影像组学特征的“影像组学标签”，这个标签可以将患者分为预后具有显著差异的低风险和高风险组（P<0.001），这种显著性差异在验证和测试集中同样存在。

图1. A. 影像组学标签的最佳截断点 B. 影像组学标签在训练队列中的风险分层 C. 影像组学标签在测试队列中的风险分层 D. 影像组学标签在验证队列中的风险分层。

随后，作者将该影像组学标签和临床特征融合起来进行非典型脑膜瘤预后的预测，并构建了一个包含发病年龄、手术切除范围、Ki-67指数、既往手术史和影像组学标签的综合模型（CRM）。该综合模型在训练集、测试集以及独立外部验证队列中均表现出较高的准确率和稳定性，3年、5年和8年的曲线下面积（AUC）达到了0.865、0.813和0.820。

图2. A. 综合模型在训练、测试和验证队列中的整体ROC曲线。B. 在训练队列中综合模型风险分数的分层KM曲线。C. 在测试队列中综合模型风险分数的分层KM曲线。D. 在验证队列中综合模型风险分数的分层KM曲线。

为了方便临床应用，作者还基于该综合模型构建了一个列线图，用于计算患者3年、5年和8年无进展生存率的概率评分。该列线图表现出了较好的校准曲线拟合度和决策曲线分析效果，这意味着模型在不同阈值概率下的净效益量化分析结果都能有效指导临床治疗决策。该模型是首个成功整合了非典型脑膜瘤临床特征和影像组学特征的预后预测模型，其在预测疾病复发方面表现出了优异的性能，整体AUC值高达0.858，并在外部队列中获得了有效验证。该结果揭示了影像组学可作为提升非典型脑膜瘤术后个性化管理准确率的重要辅助手段。