中枢神经系统肿瘤起源于中枢神经系统内的组织或结构，该病变主要发生在颅内或椎管内，具有较高的致残率和致死率，其中颅内肿瘤约占85%。颅内肿瘤即脑肿瘤，一般分为原发和继发两大类。原发性脑肿瘤是指发生在脑组织、脑膜、淋巴组织等部位的肿瘤；继发性脑肿瘤指身体其它部位的恶性肿瘤转移或侵入颅内形成的肿瘤，也称脑转移瘤。最常见的5种脑肿瘤是胶质母细胞瘤（glioblastoma，GBM）、间变性胶质瘤、原发性中枢神经系统淋巴瘤（PCNSLs）、脑膜瘤和脑转移瘤。
核磁共振（MRI）是目前常用的脑肿瘤检测方法。由于不同脑肿瘤类型在常规MRI检测结果中呈现的外观非常相似，因此MRI无法对其进行准确分类。为了克服MRI特异性低这一局限，在过去的几十年里，科研人员开发和测试了大量新的成像方法。其中，依据新生血管和组织缺氧之间已知的生理联系，研究人员开发了一种生理MRI（phyMRI）方法，其包含血管结构映射（VAM）和多参数定量血氧水平依赖（qBOLD）技术，能够组合定量表征微血管结构、新血管形成活动和氧代谢。这些创新方法带来越来越多额外成像参数的同时，也产生了大量复杂的神经成像数据，评估这些数据需要大量的计算支持且成本较高，很难在常规临床中实现。
人工智能（AI）方法，包括深度学习和传统机器学习（ML），为临床医生提供了新的数据计算解决途径。基于人工智能的成像数据分析可以通过生成多参数模型来综合评估众多的成像参数，这使得医生应对大量的数据成为可能，同时也提高了所获结果的可比性。此外，AI还具有从常规获取的图像中提取尚未发现的特征的潜力。近日，奥地利圣珀尔滕应用科学大学中央医学放射诊断研究所的研究团队在Cancers上发表了题为“Radiophysiomics: Brain Tumors Classification by Machine Learning and Physiological MRI Data”的文章。研究团队使用来自167名脑肿瘤患者的MRI数据，训练了9种常用的多类ML算法，并在一个复杂协议中生成135个分类器。随后，研究团队将phyMRI与多类ML算法相结合，并将其命名为“放射生理学”。经验证，与两位获认证的放射科医生相比，基于两种最佳ML算法（“自适应Boosting”和“随机森林”）的分类器出现的错误分类较少，且在准确度、精度方面更胜一筹，但在敏感性、特异性方面，人工评估更加准确。
图1. 研究框架。来源：Cancers
2016年1月至2021年8月期间，该研究共纳入167例新诊断的、未经治疗的脑肿瘤患者，其中女性81例、男性86例，平均年龄为62.0±13.0岁（21-91岁），这些患者被划分为ML分类器的训练和验证队列。研究人员检索的大脑MRI数据库包含560例脑肿瘤患者使用该研究方案进行的1,700多项MRI检查数据。2021年9月至2022年1月期间，有20例新诊断、未经治疗的脑肿瘤患者符合ML分类器的独立测试队列纳入标准，其中女性11例、男性9例，平均年龄58.5±15.9岁（24-79岁）。
图像特征的计算、识别和提取，以及用于表征或预后预测的数学模型的生成，被统称为放射组学。研究团队使用基于PyRadiomics软件包的3D Slicer平台中的内置软件包SlicerRadiomics提取了放射性组学特征，并使用边缘增强的高斯拉普拉斯（LoG）滤光片对放射性组学特征进行过滤和再次提取，每个MRI数据集、容积感兴趣区（volume of interest，VOI）都能分别生成200个特征，即每个成像数据集生成400个特征。研究团队使用开源软件包Weka对上述特征进行了进一步筛选，最终得到80个重现性极好的特征。
随后，研究团队再次使用WEKA软件包对ML分类器进行开发。通过9种常用的ML算法，即朴素贝叶斯（NB）、logistic回归（Log）、支持向量机（SVM）、k近邻（kNN）、决策树（DT）、多层感知器（MLP），自适应boosting（AdaBoost）、随机森林（RF）和bagging（Bag），对5种最常见的脑肿瘤进行多分类鉴别。随后，研究团队将三种VOI（CE肿瘤、瘤周水肿和CE肿瘤+瘤周水肿）的数据作为训练数据集，结合上述9种ML算法，共生成了135个ML分类器。
接下来，采用十倍交叉验证法对ML分类器进行验证，主要的性能评估指标是受试者工作特征曲线下面积（AUROC）。此外，研究团队还评估了混淆矩阵衍生的指标，包括准确性、敏感性、特异性、精确度和F评分。与瘤周水肿以及CE肿瘤+瘤周水肿的MRI数据相比，基于CE肿瘤MRI数据的多类分类器的性能更好，研究团队将进一步的评估限于CE肿瘤的ML模型中。评估结果显示，在这个模型子集中，RF和AdaBoost具有最高的AUROC，但其精度和F评分均低于kNN；对于合并的MRI数据集cMRI+phyMRI和advMRI+phyMRI，MLP显示出较高的分类性能。研究团队对这四个ML分类器进行了进一步的评估和测试。
图2. 135个不同ML分类器的AUROC、精度和F评分。来源：Cancers
研究团队将上述四个ML分类器与来自五种不同MRI方法（cMRI、advMRI、phyMRI、cMRI + phyMRI和advMRI + phyMRI）的数据集相结合，在独立验证队列中对其分类性能进行了评估，并将分类结果与放射科医生评估的分类结果相比较。结果显示，与人工评估相比，AdaBoost分类器结合advMRI、cMRI+phyMRI数据以及RF分类器结合phyMRI数据在准确性、精度、F评分、AUROC等方面表现更好；人工评估的敏感性和特异性更高。 图3. 四个分类器结合五种MRI方法的准确性、AUROC、精度和F评分。来源：Cancers
虽然脑肿瘤可以通过MRI检测到，但对它们准确分类却是困难的。该研究引入了一个新的概念——放射生理学。与已有的研究相比，研究团队使用了大量从phyMRI数据中提取的定量参数，将来自MRI方法的数据与多类ML相结合，评估了使用人工智能对脑肿瘤进行分类的情况。结果发现，放射生理学在临床环境中可以对脑肿瘤进行有效的分类，相较专业人员，人工智能在准确性、精度、F评分等方面的分类性能更强。
研究团队表示：“ML方法不能完全替代专业人员，而是对其的补充。此外，这种方法所需的时间和精力目前仍然非常高。但它提供了一种可能性，其潜力将在日常临床应用中进一步开发。”
1. Andreas Stadlbauer, Franz Marhold, Stefan Oberndorfer, et al. Radiophysiomics: Brain Tumors Classification by Machine Learning and Physiological MRI Data. Cancers 2022, 14(10), 2363. doi:10.3390/cancers14102363.2. Accurate diagnosis of brain tumors using artificial intelligencehttps://medicalxpress.com/news/2022-06-accurate-diagnosis-brain-tumors-artificial.html· END ·
