《Frontiers in Oncology》:A logistic paradigm to predict molecular glioblastoma on clinical MRI
编辑推荐:
目的:本研究旨在对一种Logistic回归策略进行外部验证,以预测世界卫生组织(WHO)2021年中枢神经系统(CNS)肿瘤分类所定义的整合分子诊断胶质母细胞瘤(mGBM)。方法:获得伦理批准后,开展了一项弥漫性胶质瘤(CNS WHO 2~4级)回顾性研究,所
目的:本研究旨在对一种Logistic回归策略进行外部验证,以预测世界卫生组织(WHO)2021年中枢神经系统(CNS)肿瘤分类所定义的整合分子诊断胶质母细胞瘤(mGBM)。方法:获得伦理批准后,开展了一项弥漫性胶质瘤(CNS WHO 2~4级)回顾性研究,所有病例均具有异柠檬酸脱氢酶(IDH)和1p19q状态检测结果,并在适当时进行了全基因组分析以确定mGBM。年龄和MRI特征(表观弥散系数(ADC)、肿瘤位置、对比增强模式、囊变和钙化)由两名对组织学结果及彼此结果设盲的观察者进行评分。采用组内相关系数(ICC)和Cohen's kappa评估观察者间一致性。使用SPSS 27和Python(v3.12)进行诊断性能评估、McNemar检验和DeLong检验比较以及模型校准。结果:2023年1月至12月共连续纳入108例符合标准的病例(平均年龄56.9±15.5岁;范围20~82岁),包括85例mGBM/IDH野生型(IDHwt)和23例IDH突变型(IDHmut)胶质瘤。模型灵敏度范围为97%~99%,特异度为48%~91%,准确率为87%~97%,受试者工作特征曲线下面积(AUC)为0.93~0.98。对于培训医师,使用模型后灵敏度从87.1%分别提高至模型A的97.6%和模型B的96.5%,准确率从84.3%分别提高至87.0%和91.7%。经Holm校正后,观察者内总体准确率差异及所有配对AUC比较均无统计学显著性。模型B在不同观察者间表现出更一致的校准性能。在8例无边缘强化的mGBM中,培训医师的正确分类率从12.5%数值性提高至模型A的100%和模型B的87.5%。结论:该Logistic策略在依据CNS WHO 2021标准识别mGBM方面实现了高灵敏度和高区分度。模型使用提高了培训医师的诊断性能,尤其是灵敏度,而模型B在不同观察者间显示出更一致的校准。这些发现支持该工具尤其在影像学非典型mGBM中的进一步评估。
# 基于临床MRI的Logistic回归模型预测分子胶质母细胞瘤:外部验证研究解读
## 一、研究背景与问题
弥漫性胶质瘤是成人最常见的原发性恶性脑肿瘤,大多难以治愈。WHO中枢神经系统肿瘤分类中,2~3级胶质瘤常有异柠檬酸脱氢酶(isocitrate dehydrogenase,IDH)突变,部分伴1p/19q联合缺失。超过70%的弥漫性胶质瘤为胶质母细胞瘤(glioblastoma,GBM),中位生存期不足18个月,其分子特征为IDH野生型(IDH wild-type,IDHwt)、7号染色体获得/10号染色体缺失(+7/-10)、表皮生长因子受体(EGFR)扩增和/或端粒酶逆转录酶启动子突变。部分肿瘤在组织学上未达到CNS WHO 4级,但符合分子特征的被定义为分子胶质母细胞瘤(molecular glioblastoma,mGBM),可能对应更早疾病阶段,有望通过根治性治疗改善预后。然而,组织分子检测的周转时间存在差异。影像学在预测胶质瘤遗传学中日益重要,但传统基于钆对比增强模式的"分级"对mGBM/IDHwt预测灵敏度有限。表观弥散系数(ADC)测量对IDH基因分型具有潜力,但在边缘强化的GBM中可测量性尚不明确。单个影像学生物标志物准确性有限且缺乏观察者间比较。研究人员此前开发了两种多变量Logistic模型(模型A纳入钙化评分,模型B纳入囊变评分),可在数分钟内通过标准临床MRI预测胶质瘤基因型,但尚未在CNS WHO 2021定义的mGBM中进行外部验证。
## 二、研究目的
本研究旨在外部验证该Logistic策略对CNS WHO 2021定义的mGBM的预测性能,并将Logistic模型结果与一名专家和一名培训医师的诊断性最佳猜测进行比较。
## 三、研究方法与关键技术
研究为回顾性影像数据研究,获得英国健康研究管理局伦理批准(IRAS 326758)。连续纳入2023年1月至12月通过诺丁汉大学医院(NUH)脑肿瘤服务中心(Tessa Jowell卓越中心)诊断的弥漫性胶质瘤患者,纳入标准包括经证实的分子诊断、IDH和1p19q遗传学结果、适当时补充检测和甲基化谱分析以实现CNS WHO 2021整合诊断,以及术前MRI可用性。排除非弥漫性胶质瘤诊断、术前MRI序列缺失和病灶最小径<10 mm者。共筛选134例,最终纳入108例。分子分析采用福尔马林固定石蜡包埋组织,IDH(R132H)阴性肿瘤行多基因Sanger测序,1p/19q状态通过荧光原位杂交(FISH)或定量PCR拷贝数检测确定,适当时行全基因组甲基化芯片分析。MRI采集来自东米德兰放射学联盟(EMRAD)六家医院的不同1.5T和3T扫描仪,序列包括T1、T2、T2-FLAIR、增强T1和弥散加权成像(DWI),b值为0和1000 s/mm2,部分扫描仪额外采集b=500 s/mm2。两名神经放射医师(观察者1为14年经验专家ST,观察者2为第4年住院医师NM)在对组织结果和彼此结果设盲的情况下独立评估肿瘤位置、对比增强模式、囊变和钙化。ADC量化采用单圆感兴趣区(ROI)测量ADCmean,以对侧半卵圆中心正常表现白质ADCnawm计算rADCmean。Logistic模型A和B的公式在Microsoft Excel中运行,通过log比值比计算个体mGBM概率,概率≥0.5判为mGBM。统计分析包括Wilson得分区间、Hanley-McNeil方差法、2,000次bootstrap重采样、McNemar检验、DeLong检验和Holm校正,校准评估采用CITL、校准截距、校准斜率、O/E比值和Brier评分。
## 四、研究结果
### 患者队列与分子分组
108例患者(平均年龄56.9±15.5岁,范围20~82岁)中,85例(78.7%)为IDHwt/mGBM,15例(13.9%)为IDHmut/1p19q完整,8例(7.4%)为IDHmut/1p19q联合缺失。组织学CNS WHO 4级占80.6%,2~3级占19.4%。
### ADC量化与观察者一致性
IDHwt mGBM的rADCmean平均值分别为观察者1的1.3±0.3和观察者2的1.2±0.3,IDHmut/1p19q完整肿瘤分别为2.2±0.5和2.0±0.7,IDHmut/1p19q联合缺失肿瘤分别为2.0±0.3和1.6±0.2。rADCmean的ICC为0.79,ADCmean为0.80,ADCnawm为0.97(均p<0.001),显示良好至优异的可重复性。
### 形态学评估
增强模式的加权kappa为0.82(p<0.001),其中76.9%为边缘强化、11.1%为斑片或实性强化、12.0%无强化。肿瘤位置的kappa为0.90(p<0.001)。钙化评估的kappa为-0.016(p=0.79),显示一致性差。囊变评估的kappa为0.84(p<0.001)。
### 多变量模型性能
观察者1使用模型A正确分类103/108例(95.4%),灵敏度97.6%,特异度87.0%,AUC 0.98(95% CI:0.95~1.00);使用模型B正确分类105/108例(97.2%),灵敏度98.8%,特异度91.3%,AUC 0.96(95% CI:0.93~1.00)。观察者2使用模型A正确分类94/108例(87.0%),灵敏度97.6%,特异度47.8%,AUC 0.93(95% CI:0.88~0.98);使用模型B正确分类99/108例(91.7%),灵敏度96.5%,特异度73.9%,AUC 0.94(95% CI:0.90~0.98)。
### 有无模型辅助的诊断性能
观察者1无辅助时正确分类104例(96.3%),灵敏度98.8%,特异度87.0%。观察者2无辅助时正确分类91例(84.3%),灵敏度87.1%,特异度73.9%。观察者2使用模型A后准确率提高至87.0%,使用模型B后提高至91.7%。经Holm校正后,观察者内差异均无统计学显著性(校正McNemar p≥0.46)。观察者1无辅助时显著优于观察者2(校正p=0.004),但使用模型A或B时无显著差异(校正p=0.12和0.28)。所有配对AUC比较经Holm校正后均无统计学显著性(校正DeLong p≥0.10)。
### 非典型mGBM亚组
8例(9.4%)mGBM被观察者1评为无强化或实性强化。观察者1通过视觉评估全部正确诊断,使用模型A或B时7例(87.5%)正确。观察者2仅正确诊断1例(12.5%),但使用模型A时8例全部正确(100%,95% CI:63.1%~100.0%),使用模型B时7例正确(87.5%,95% CI:47.3%~99.7%)。两例组织学为CNS WHO 2~3级的mGBM,观察者1通过视觉和模型均正确识别,观察者2无辅助时错误、使用模型A或B时均正确。
### 模型校准
模型B在不同观察者间校准最一致,斜率分别为1.13(95% CI:0.62~1.64)和0.88(95% CI:0.50~1.25),O/E比值1.03和1.00,Brier评分0.04和0.06。模型A校准较差,尤其观察者2的CITL为-1.67、斜率为0.52、O/E比值0.93、Brier评分0.09,提示该系统过度预测。
## 五、讨论与结论总结
讨论部分指出,该外部验证结果优于先前的第一轮验证,专家使用模型B获得轻微增益,培训医师使用模型A和B均产生显著改进,尤其是灵敏度从87.1%提高至97.6%(模型A)和96.5%(模型B),准确率从84.3%提高至87.0%和91.7%。培训医师对无强化mGBM的正确分类从12.5%提高至100%(模型A)和87.5%(模型B),支持该工具识别非典型疾病的作用。模型B的校准更一致,而模型A的校准更依赖观察者,可能因缺乏CT评估钙化所致。本队列中mGBM比例高(78.7%),预测值需结合此背景解读。本方法不同于计算放射组学,可即时支持临床MRI报告。观察者间对钙化的一致性差(kappa -0.016),但增强模式、位置和囊变的kappa均超过0.82。rADCmean的ICC 0.79表明在坏死性mGBM中仍具有可重复性。
结论:研究结果表明Logistic范式能够预测CNS WHO 2021定义的mGBM,包括研究中少数影像学非典型肿瘤。该工具提高了培训医师的准确率,尤其是对致死性肿瘤识别的灵敏度。在非选择性弥漫性胶质瘤人群中,经验丰富的神经放射医师的基因分型性能与已报道的放射组学方法相似。需要进一步验证,尤其是在缺乏边缘强化的mGBM中。