联合瘤内及瘤周异质性的MRI影像组学预测高级别胶质瘤原位复发空间模式的价值

王瀚苇; 曾琳岚; 赵咪咪; 李轩; 谢欢; 李晓光; 易良; 吴毅; 王舒楠

doi:10.16016/j.2097-0927.202501030

您当前的位置：

首页 >

文章列表页 >

联合瘤内及瘤周异质性的MRI影像组学预测高级别胶质瘤原位复发空间模式的价值

专题报道 | 更新时间：2025-07-25

- 联合瘤内及瘤周异质性的MRI影像组学预测高级别胶质瘤原位复发空间模式的价值
- Value of MRI radiomics based on intratumoral and peritumoral heterogeneity in predicting spatial patterns of locally recurrent high-grade gliomas
- 陆军军医大学学报 2025年47卷第14期页码：1577-1586
- 作者机构：
  
  1.陆军特色医学中心（第三军医大学大坪医院）：，放射科，重庆市影像医学与核医学临床研究中心，重庆
  2.陆军特色医学中心（第三军医大学大坪医院）：，神经外科，重庆
  3.陆军军医大学（第三军医大学）生物医学工程与影像医学系数字医学教研室，重庆
- 作者简介：
  
  吴毅，E-mail： wuy1979@tmmu.edu.cn
  王舒楠，E-mail：wangshunan@tmmu.edu.cn
- 基金信息：
  
  重庆市科卫联合医学科研项目(2025QNXM014);陆军军医大学临床医学科研项目(2023XLC15);重庆市影像医学与核医学临床研究中心科技计划项目(CSTC2015YFPT-gcjsyjzx0175)
- DOI：10.16016/j.2097-0927.202501030
  中图分类号： R181.23;R445.2;R730.264
- 收稿日期：2025-01-11，
  
  修回日期：2025-03-11，
  
  纸质出版日期：2025-07-30
- 稿件说明：
移动端阅览
‍王瀚苇，曾琳岚，赵咪咪，等.联合瘤内及瘤周异质性的MRI影像组学预测高级别胶质瘤原位复发空间模式的价值［J］.陆军军医大学学报，2025，47（14）：1577-1586.DOI：10.16016/j.2097-0927.202501030.

WANG H W，ZENG L L，ZHAO M M，et al.Value of MRI radiomics based on intratumoral and peritumoral heterogeneity in predicting spatial patterns of locally recurrent high-grade gliomas［J］.J Army Med Univ，2025，47（14）：1577-1586.DOI：10.16016/j.2097-0927.202501030.
‍王瀚苇，曾琳岚，赵咪咪，等.联合瘤内及瘤周异质性的MRI影像组学预测高级别胶质瘤原位复发空间模式的价值［J］.陆军军医大学学报，2025，47（14）：1577-1586.DOI：10.16016/j.2097-0927.202501030. DOI：

WANG H W，ZENG L L，ZHAO M M，et al.Value of MRI radiomics based on intratumoral and peritumoral heterogeneity in predicting spatial patterns of locally recurrent high-grade gliomas［J］.J Army Med Univ，2025，47（14）：1577-1586.DOI：10.16016/j.2097-0927.202501030. DOI：

摘要

目的

建立并验证基于瘤内及瘤周异质性的多模态MRI影像组学模型，预测高级别胶质瘤（high-grade gliomas， HGGs）原位复发空间模式。

方法

回顾性分析陆军特色医学中心2012-2021年采用最大范围安全切除并术后放疗联合替莫唑胺治疗后原位复发的HGGs患者临床及影像资料。2名放射科医师通过连续性随访MRI资料独立评估HGGs原位复发空间模式，分为切除腔内复发和切除腔外复发。采用完全随机法将患者按7∶3的比例分为训练集与验证集。在训练集中采用Pearson或Spearman相关性分析以及最小绝对收缩与选择算子分析，对瘤内及瘤周影像组学特征进行筛选及影像组学评分计算。采用Logistic回归分析建立影像组学模型，利用校准图、Hosmer-Lemeshow检验和受试者操作特征曲线下面积（AUC）评估模型效能，并在验证集中进行验证。

结果

本研究共纳入121例原位复发HGGs患者，其中切除腔内复发组54例，切除腔外复发组67例，按7∶3的比例分为训练集（

=84）和验证集（

=37）。在训练集中，切除腔外复发组的影像组学评分

为0.424（0.278，0.573），高于切除腔内复发组［-0.030（-0.226，0.248），

0.001］。同时，验证集中切除腔外复发组的影像组学评分［0.369（0.258，0.487）］高于切除腔内复发组［0.277（0.103，0.322），

=0.033］。通过Logistic回归分析建立的影像组学模型具有良好的校准效果，在预测原位复发空间模式方面表现良好，训练集AUC值为0.844（95%

：0.749~0.914），验证集AUC值为0.706（95%

：0.534~0.844）。

结论

联合瘤内及瘤周异质性的多模态影像组学模型可预测HGGs原位复发的空间模式，为HGGs的个体化治疗提供依据。

Abstract

Objective‍　‍To establish and validate a multimodal MRI radiomics model based on intratumoral and peritumoral heterogeneity for prediction of spatial pattern of locally recurrent high-grade gliomas (HGGs). Methods‍　‍A retrospective analysis was conducted on the clinical and imaging data of all HGGs patients who underwent maximum safe resection followed by postoperative radiotherapy combined with temozolomide treatment and experienced in local recurrence in Army Medical Center of PLA from 2012 to 2021. Two radiologists independently assessed the spatial patterns of locally recurrence HGGs through continuous follow-up MRI data

and primarily categorized the pattern into intra-resection cavity recurrence and extra-resection cavity recurrence. The subjected patients were randomly divided into a training set and a validation set in a 7∶3 ratio. In the training set

Pearson or Spearman correlation analysis and least absolute shrinkage and selection operator (LASSO) analysis were employed to screen radiomic features within the intratumoral and peritumoral regions

as well as to calculate radiomic scores. A radiomics model was established using logistic regression analysis. The performance of the model was assessed using calibration curves

Hosmer-Lemeshow goodness-of-fit test

and the area under the receiver operating characteristic curve (AUC). Validation of the model was performed in the validation set. Results‍　‍A total of 121 patients with locally recurrent HGGs were enrolled in this study

including 54 in intra-resection cavity r

ecurrence group and 67 in extra-resection cavity recurrence group. Among them

84 were assigned into the training set and 37 into the validation set. In the training set

the radiomics score for the extra-resection cavity recurrence group was 0.424 (0.278

0.573)

which was higher than that for the intra-resection cavity recurrence group [-0.030 (-0.226

0.248)

0.001

]

. In the validation set

the radiomics score for the extra-resection cavity recurrence group was 0.369 (0.258

0.487)

which was higher than that for the intra-resection cavity recurrence group [0.277 (0.103

0.322)

=0.033

]

. The established radiomics model exhibited good calibration and performed well in predicting spatial recurrence patterns

with an AUC value of 0.844 (95%

: 0.749~0.914) in the training set and 0.706 (95%

:0.534~0.844) in the validation set. Conclusion Our multimodal radiomics model combined with intratumoral and peritumoral heterogeneity can predict the spatial pattern of locally recurrent HGGs

providing a basis for individualized treatment of HGGs.

关键词

Keywords

references

TAN A C ， ASHLEY D M ， LÓPEZ G Y ， et al . Management of glioblastoma： State of the art and future directions ［J］. CA Cancer J Clin ， 2020 ， 70 （ 4 ）： 299 - 312 . DOI： 10.3322/caac.21613 http://dx.doi.org/10.3322/caac.21613 .

MCKINNON C ， NANDHABALAN M ， MURRAY S A ， et al . Glioblastoma： clinical presentation， diagnosis， and management ［J］. Br Med J ， 2021 ， 374 ： n1560 . DOI： 10.1136/bmj.n1560 http://dx.doi.org/10.1136/bmj.n1560 .

KONISHI Y ， MURAGAKI Y ， ISEKI H ， et al . Patterns of intracranial glioblastoma recurrence after aggressive surgical resection and adjuvant management： retrospective analysis of 43 cases ［J］. Neurol Med Chir （Tokyo）， 2012 ， 52 （ 8 ）： 577 - 586 . DOI： 10.2176/nmc.52.577 http://dx.doi.org/10.2176/nmc.52.577 .

PIPER R J ， SENTHIL K K ， YAN J L ， et al . Neuroimaging classification of progression patterns in glioblastoma： a systematic review ［J］. J Neurooncol ， 2018 ， 139 （ 1 ）： 77 - 88 . DOI： 10.1007/s11060-018-2843-3 http://dx.doi.org/10.1007/s11060-018-2843-3 .

GE S ， SHI Y ， ZHU G ， et al . Molecular pathological markers correlated with the recurrence patterns of glioma ［J］. Front Oncol ， 2020 ， 10 ： 565045 . DOI： 10.3389/fonc.2020.565045 http://dx.doi.org/10.3389/fonc.2020.565045 .

CHO S J ， KIM H S ， SUH C H ， et al . Radiological recurrence patterns after bevacizumab treatment of recurrent high-grade glioma： a systematic review and meta-analysis ［J］. Korean J Radiol ， 2020 ， 21 （ 7 ）： 908 - 918 . DOI： 10.3348/kjr.2019.0898 http://dx.doi.org/10.3348/kjr.2019.0898 .

WANG H W ， ZENG L L ， WU H ， et al . Preoperative vascular heterogeneity based on dynamic susceptibility contrast MRI in predicting spatial pattern of locally recurrent high-grade gliomas ［J］. Eur Radiol ， 2024 ， 34 （ 3 ）： 1982 - 1993 . DOI： 10.1007/s00330-023-10149-6 http://dx.doi.org/10.1007/s00330-023-10149-6 .

LEMÉE J M ， CLAVREUL A ， MENEI P . Intratumoral heterogeneity in glioblastoma： don’t forget the peritumoral brain zone ［J］. Neuro Oncol ， 2015 ， 17 （ 10 ）： 1322 - 1332 . DOI： 10.1093/neuonc/nov119 http://dx.doi.org/10.1093/neuonc/nov119 .

KHALAFALLAH A M ， HUQ S ， JIMENEZ A E ， et al . “Zooming in” on glioblastoma： understanding tumor heterogeneity and its clinical implications in the era of single-cell ribonucleic acid sequencing ［J］. Neurosurgery ， 2021 ， 88 （ 3 ）： 477 - 486 . DOI： 10.1093/neuros/nyaa305 http://dx.doi.org/10.1093/neuros/nyaa305 .

NICHOLSON J G ， FINE H A . Diffuse glioma heterogeneity and its therapeutic implications ［J］. Cancer Discov ， 2021 ， 11 （ 3 ）： 575 - 590 . DOI： 10.1158/2159-8290.CD-20-1474 http://dx.doi.org/10.1158/2159-8290.CD-20-1474 .

YANG Y ， HAN Y ， ZHAO S J ， et al . Spatial heterogeneity of edema region uncovers survival-relevant habitat of Glioblastoma ［J］. Eur J Radiol ， 2022 ， 154 ： 110423 . DOI： 10.1016/j.ejrad.2022.110423 http://dx.doi.org/10.1016/j.ejrad.2022.110423 .

BAILO M ， PECCO N ， CALLEA M ， et al . Decoding the heterogeneity of malignant gliomas by PET and MRI for spatial habitat analysis of hypoxia， perfusion， and diffusion imaging： a preliminary study ［J］. Front Neurosci ， 2022 ， 16 ： 885291 . DOI： 10.3389/fnins.2022.885291 http://dx.doi.org/10.3389/fnins.2022.885291 .

ISMAIL M ， HILL V ， STATSEVYCH V ， et al . Shape features of the lesion habitat to differentiate brain tumor progression from pseudoprogression on routine multiparametric MRI： a multisite study ［J］. Am J Neuroradiol ， 2018 ， 39 （ 12 ）： 2187 - 2193 . DOI： 10.3174/ajnr.A5858 http://dx.doi.org/10.3174/ajnr.A5858 .

YAN J L ， TOH C H ， KO L ， et al . A neural network approach to identify glioblastoma progression phenotype from multimodal MRI ［J］. Cancers （Basel）， 2021 ， 13 （ 9 ）： 2006 . DOI： 10.3390/cancers13092006 http://dx.doi.org/10.3390/cancers13092006 .

SHIM K Y ， CHUNG S W ， JEONG J H ， et al . Radiomics-based neural network predicts recurrence patterns in glioblastoma using dynamic susceptibility contrast-enhanced MRI ［J］. Sci Rep ， 2021 ， 11 （ 1 ）： 9974 . DOI： 10.1038/s41598-021-89218-z http://dx.doi.org/10.1038/s41598-021-89218-z .

JUAN-ALBARRACÍN J ， FUSTER-GARCIA E ， MANJÓN J V ， et al . Automated glioblastoma segmentation based on a multiparametric structured unsupervised classification ［J］. PLoS One ， 2015 ， 10 （ 5 ）： e0125143 . DOI： 10.1371/journal.pone.0125143 http://dx.doi.org/10.1371/journal.pone.0125143 .

VAN GRIETHUYSEN J J M ， FEDOROV A ， PARMAR C ， et al . Computational radiomics system to decode the radiographic phenotype ［J］. Cancer Res ， 2017 ， 77 （ 21 ）： e104 - e107 . DOI： 10.1158/0008-5472.CAN-17-0339 http://dx.doi.org/10.1158/0008-5472.CAN-17-0339 .

PETRECCA K ， GUIOT M C ， PANET-RAYMOND V ， et al . Failure pattern following complete resection plus radiotherapy and temozolomide is at the resection margin in patients with glioblastoma ［J］. J Neurooncol ， 2013 ， 111 （ 1 ）： 19 - 23 . DOI： 10.1007/s11060-012-0983-4 http://dx.doi.org/10.1007/s11060-012-0983-4 .

PESSINA F ， NAVARRIA P ， COZZI L ， et al . Maximize surgical resection beyond contrast-enhancing boundaries in newly diagnosed glioblastoma multiforme： is it useful and safe？A single institution retrospective experience ［J］. J Neurooncol ， 2017 ， 135 （ 1 ）： 129 - 139 . DOI： 10.1007/s11060-017-2559-9 http://dx.doi.org/10.1007/s11060-017-2559-9 .

LU M ， FU Z H ， HE X J ， et al . T2 fluid-attenuated inversion recovery resection for glioblastoma involving eloquent brain areas facilitated through awake craniotomy and clinical outcome ［J］. World Neurosurg ， 2020 ， 135 ： e738 - e747 . DOI： 10.1016/j.wneu.2019.12.130 http://dx.doi.org/10.1016/j.wneu.2019.12.130 .

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 http://dx.doi.org/10.1016/j.canlet.2020.02.025 .

LEMÉE J M ， CLAVREUL A ， AUBRY M ， et al . Characterizing the peritumoral brain zone in glioblastoma： a multidisciplinary analysis ［J］. J Neurooncol ， 2015 ， 122 （ 1 ）： 53 - 61 . DOI： 10.1007/s11060-014-1695-8 http://dx.doi.org/10.1007/s11060-014-1695-8 .

LAMBIN P ， RIOS-VELAZQUEZ E ， LEIJENAAR R ， et al . Radiomics： extracting more information from medical images using advanced feature analysis ［J］. Eur J Cancer ， 2012 ， 48 （ 4 ）： 441 - 446 . DOI： 10.1016/j.ejca.2011.11.036 http://dx.doi.org/10.1016/j.ejca.2011.11.036 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

CT影像组学联合临床特征对胰腺导管腺癌患者生存预测的应用研究

DCE-MRI参数评估喉癌术后放疗短期预后的研究

基于增强静脉期CT放射组学的甲状腺乳头状癌中央区淋巴结转移预测模型构建与验证

中高危非肌层浸润性膀胱癌卡介苗灌注治疗后复发的临床预测模型构建与验证

胶质瘤内肿瘤相关巨噬细胞的缺氧转录表型及细胞超微结构改变