基于深度学习超分辨MRSI与[18F]-FACBC PET联合的术前胶质瘤诊断:一项活检验证研究

《Frontiers in Oncology》:A biopsy-validated study of combined DL-upscaled MRSI and (18F)-FACBC PET for presurgical glioma diagnosis

【字体: 大 中 小 】 时间:2026年09月30日 来源:Frontiers in Oncology 3.4

编辑推荐:

  医学影像对于胶质瘤的管理至关重要。与结构MRI相比,联合氨基酸PET可能改善胶质瘤的诊断、活检靶向和肿瘤勾画。磁共振波谱成像(MRSI)通过检测N-乙酰天冬氨酸(NAA)、肌酸(Cr)和胆碱(Cho)等代谢物,对结构MRI和PET形成补充,这些代谢物是脑健康和

  
医学影像对于胶质瘤的管理至关重要。与结构MRI相比,联合氨基酸PET可能改善胶质瘤的诊断、活检靶向和肿瘤勾画。磁共振波谱成像(MRSI)通过检测N-乙酰天冬氨酸(NAA)、肌酸(Cr)和胆碱(Cho)等代谢物,对结构MRI和PET形成补充,这些代谢物是脑健康和肿瘤恶性程度的标志物,但MRSI受限于较低的空间分辨率。本研究评估深度学习增强的超分辨MRSI是否能提高诊断准确性,并作为胶质瘤分类中PET的补充或替代方案。研究纳入10例胶质瘤患者(年龄24-80岁)。所有患者均接受术前[18F]-FACBC PET/MRI检查,包括质子二维MRSI。手术中采集32个图像引导活检样本,分类为胶质瘤组织或非肿瘤组织,并根据IDH1状态进行分类。对每个活检位置,计算PET的肿瘤-背景比(TBR)和标准化摄取值(SUV),以及MRSI的tCho/NAA和tCho/tCr比值。采用ROC分析评估[18F]-FACBC PET、超分辨MRSI及其组合在区分胶质瘤与非肿瘤组织及IDH1状态中的准确性。在评估的单个生物标志物中,基于深度学习模型的tCho/NAA比值在区分胶质瘤与非肿瘤组织方面表现出最高的表观AUC(AUC = 0.87,95% CI: 0.66-1.0),相比之下tCho/tCr(AUC = 0.81,95% CI: 0.54-1.00)、SUV(AUC = 0.71,95% CI: 0.49-0.90)和TBR(AUC = 0.68,95% CI: 0.48-0.86)较低。将TBR与tCho/NAA和/或tCho/tCr联合使用可改善组织分类,其中TBR+tCho/NAA+tCho/tCr组合效果最佳(AUC = 0.91,95% CI: 0.71-1.0)。MRSI对IDH1状态的预测能力较差(tCho/NAA: AUC = 0.67,95% CI: 0.44-0.88;tCho/tCr: AUC = 0.38,95% CI: 0.17-0.60),而PET是优秀的预测指标(SUV: AUC = 0.83,95% CI: 0.66-0.95;TBR: AUC = 0.82,95% CI: 0.65-0.94),SUV、tCho/NAA和tCho/tCr的组合是最佳预测指标(AUC = 0.96,95% CI: 0.88-1.0)。将深度学习超分辨MRSI与[18F]-FACBC PET联合使用似乎增强了胶质瘤与非肿瘤组织之间的区分能力,这一发现需要在更大规模的前瞻性研究中加以验证。

论文解读

一、研究背景与目的

成人弥漫性胶质瘤根据2021年世界卫生组织(WHO)中枢神经系统肿瘤分类,分为胶质母细胞瘤IDH野生型(4级)、星形细胞瘤IDH突变型(2-4级)以及伴1p/19q联合缺失的少突胶质细胞瘤IDH突变型(2-3级)。胶质瘤具有高度异质性,不同区域表现出不同的性质和恶性程度。术前影像对于肿瘤勾画、预测诊断和手术规划至关重要。
结构磁共振成像(MRI)因其高分辨率软组织对比度成为脑肿瘤检查的首选影像方法,但在识别最恶性区域方面可能存在局限。代谢成像是提供活体组织代谢活动无创可视化的一组诊断技术,可通过正电子发射断层扫描(PET)或磁共振波谱成像(MRSI)实现。代谢活动改变可提示潜在病理,并可能反映肿瘤的存在和侵袭性。胶质瘤细胞表现出跨膜氨基酸转运增加以促进增强的蛋白质合成,氨基酸PET示踪剂[18F]-FACBC利用这一机制。既往研究表明,与标准MRI相比,[18F]-FACBC PET可提高识别结构MRI可见异常之外肿瘤浸润的诊断准确性。
MRSI提供特定代谢物含量的信息,如N-乙酰天冬氨酸(NAA)、肌酸+磷酸肌酸(Cr+PCr,简称tCr)和含胆碱代谢物(tCho)。在胶质瘤中,NAA降低提示神经元丢失,而tCho升高反映膜转换增加;因此tCho/tCr和tCho/NAA比值升高是肿瘤检测和治疗评估的关键生物标志物。然而,MRSI的空间分辨率低于结构MRI,通常限制在16×16至64×64体素。深度学习模型近年来被测试为替代性超分辨方法,结果令人鼓舞。
本研究旨在以图像引导活检为参考,探讨超分辨MRSI与[18F]-FACBC PET相比及联合使用时,对胶质瘤与非肿瘤组织分类和IDH1状态判定的诊断准确性。

二、研究设计与关键方法

研究人员开展了一项活检验证的探索性研究。23例接受弥漫性胶质瘤初次切除的成年患者(其中1例为WHO 1级神经节胶质瘤)接受了[18F]-FACBC PET/MRI检查,包括MRSI。其中13例患者最终接受了具有足够空间对应性和组织质量的图像引导活检,排除3例后(1例影像定位数据丢失,2例活检诊断不确定),最终分析队列为10例患者(3例女性,年龄24-80岁),共32个图像引导活检样本。26个活检样本被分类为胶质瘤组织,6个为非肿瘤组织。活检还根据IDH1 R132H热点突变的存在与否分类为IDH1野生型(n=8)或IDH1突变型(n=24)。
研究采用的主要关键技术方法包括:混合PET/MRI系统(Siemens Biograph mMR)同时采集解剖MRI、质子二维MRSI和[18F]-FACBC PET;MRSI采用二维点分辨光谱(PRESS)序列,矩阵16×16插值至32×32;使用LCModel软件对每个体素的MR谱进行分析,生成代谢物图;研究人员开发了一种基于深度学习的超分辨模型,将代谢物图从32×32(面内6.875×6.875 mm2)超分辨至128×128(1.25×1.25 mm2),该模型采用卷积架构,包含堆叠的高频注意力块(HFABs)和跳跃连接,以增强精细空间细节,并采用门控前馈网络改善特征细化和稳定性;模型在BraTS2020数据集上训练,使用合成代谢物图与FLAIR图像配对。PET图像使用3D OSEM迭代算法重建,并纳入点扩散函数、衰减和散射校正。活检坐标通过导航系统的融合矩阵转换至MRI和PET图像空间,随后通过配准映射至MRSI空间进行代谢物提取。

三、研究结果

活检覆盖率:深度学习超分辨图覆盖的活检比例(87.5%)显著高于最近邻方法(75%)(p = 0.005),但低于PET的覆盖率(p = 0.06)。二维MRSI切片仅覆盖部分肿瘤区域。
胶质瘤与非肿瘤组织分类:ROC分析显示,基于深度学习的MRSI代谢比值表现出高于最近邻插值的表观诊断准确性,tCho/NAA的AUC为0.87(95% CI: 0.66-1.00),tCho/tCr的AUC为0.81(95% CI: 0.54-1.00),而最近邻方法的相应AUC分别为0.55和0.62(p = 0.016和p = 0.033)。在单个生物标志物中,tCho/NAA表现最佳,AUC为0.87;tCho/tCr具有最高灵敏度(0.92);SUV表现可接受(AUC = 0.71);TBR表现较差(AUC = 0.68)。将TBR或SUV与tCho/NAA或tCho/tCr联合使用可改善胶质瘤/非肿瘤分类,其中TBR+tCho/NAA+tCho/tCr组合达到最佳AUC为0.91(95% CI: 0.71-1.00)。DeLong检验显示,包含TBR、tCho/NAA和/或tCho/tCr的组合相比单一模态提供了显著更高的诊断准确性(p < 0.05)。ROC分析确定的最佳阈值为tCho/NAA ≥ 2.37和tCho/tCr ≥ 1.21。
IDH1突变状态分类:代谢比值tCho/NAA和tCho/tCr对IDH1突变状态分类表现较差(AUC分别为0.67和0.38)。TBR和SUV均表现出更强的性能,SUV略优(AUC = 0.83)。SUV、tCho/NAA和tCho/tCr的组合将IDH1突变状态分类的准确性提高至AUC = 0.96(95% CI: 0.88-1.00,p < 0.05)。

四、讨论与结论

研究结果表明,MRSI衍生的代谢比值具有诊断潜力,tCho/NAA和tCho/tCr可提高超越[18F]-FACBC PET单独使用的诊断准确性。TBR、tCho/NAA和tCho/tCr组合在胶质瘤与非肿瘤组织分类中获得最高AUC(0.91),而tCho/NAA、tCho/tCr和SUV组合改善了IDH1野生型与突变型组织的分类(AUC = 0.96)。PET和MRSI提供互补信息,PET主要反映特定代谢通路,而MRSI提供肿瘤内的生化浓度。
研究存在若干局限性:样本量较小,报告的AUC为表观(重代入)估计值,未进行内部或外部验证;大多数肿瘤为高级别,结果可能不适用于低级别样本和较少见的胶质瘤类型;缺乏正常组织的对照活检;MRSI和PET的空间分辨率差异可能导致直接可比性问题;深度学习模型在合成数据集上训练,可能不涵盖涡流伪影、场不均匀性、可变采集和MR系统设置等挑战性因素;深度学习模型的"黑箱"性质引发可解释性和可信度方面的伦理关切。
研究结论:基于深度学习的MRSI模型使用tCho/NAA比值在诊断胶质瘤与非肿瘤区域方面优于SUV、TBR和tCho/tCr,而将TBR与tCho/NAA和/或tCho/tCr联合使用可改善组织分类。对于区分IDH1突变状态,SUV和TBR优于MRSI衍生参数,而tCho/tCr与TBR和SUV的组合略微改善了分类。PET和MRSI提供互补性见解,可潜在地增强诊断。未来需要更大规模、活检对照的队列和患者水平的统计分析来完善整合的PET/MRSI方法,并验证其联合临床影响。标准化不同PET示踪剂和扫描仪的采集方案和阈值对于提高胶质瘤诊断的可重复性和可靠性至关重要。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号