作者：欧阳群慧，
PBZ 是肿瘤与正常脑组织的交界区，影像学看似正常，但病理证实存在肿瘤细胞，且在细胞、分子及转录水平呈现异常。PBZ 参与构成肿瘤微环境，对肿瘤生长、侵袭和免疫抑制起重要作用。因此，深入研究PBZ的生物学特征对于优化胶质瘤治疗策略和提高患者生存质量至关重要。由于解剖位置特殊、PBZ 微环境异质性及样本获取伦理和技术限制，PBZ 临床研究面临诸多挑战。开发无创评估工具对PBZ 生物学特性至关重要。影像学检查，特别是MRI 在胶质瘤诊断、分子分型和疗效评价中发挥重要作用。
近年来，影像组学通过分析医学图像中的海量信息，实现了肿瘤无创异质性评估，显著改善了胶质瘤的临床管理。然而，以往研究多集中于肿瘤核心部分，对PBZ 潜在信息的关注不足。研究表明，胶质瘤的异质性不仅存在于肿瘤核心，还扩展到瘤周区。瘤周微环境与细胞的相互作用可导致缺氧、血管生成和肿瘤浸润，影响GBM患者预后。分析PBZ 特征有助于评估肿瘤生物学。
近年来，随着对PBZ 的关注增加，瘤周影像组学取得一定进展。本综述总结了瘤周影像组学在胶质瘤临床研究中的应用，分析其挑战并展望未来，以指导个体化精准治疗，保护患者正常脑组织功能。
1. 瘤周区的概念及瘤周影像组学在当前胶质瘤中研究焦点的文献计量分析
由于对PBZ 既往关注不够，目前尚无准确或共识性的定义。狭义的PBZ 指肿瘤周边血管源性
LEMÈE等将肿瘤从中心向外分为坏死区、活性肿瘤区、交界区和瘤周区四个部分。为全面了解胶质瘤瘤周影像组学的研究热点与进展，我们对近5年的文献进行了计量学和可视化分析。关键词共现图谱显示该领域主要关注胶质瘤分类、生存期、WHO分级、分子分型预测及鉴别诊断。进一步聚类分析表明研究重点在于grade、molecular typing、survival、recurrence、differentiation 和treatment response。
根据上述分析，我们分别聚焦胶质瘤的鉴别诊断、分级预测、分子分型预测、术后复发及患者预后逐一展开。
2. 瘤周影像组学用于胶质瘤的鉴别诊断
在临床诊疗中，胶质瘤需要与单发
联合所有统计学差异参数的预测模型对HGGs 的识别敏感度可达100%，特异度为66.7%，表明瘤周区域纹理分析能有效鉴别HGGs 和单发脑转移瘤。XIAO等利用T1-CE 全肿瘤区、全肿瘤边缘向内5 mm至向外扩展5 mm的脑-肿瘤交界区以及全肿瘤+扩展的瘤周5 mm区的三个感兴趣区（region of interest, ROI）影像组学特征鉴别脑脓肿和GBM，其中全肿瘤影像组学特征联合瘤周水肿与全肿瘤体积比表现最佳。
KIM 等基于T1-CE、T2WI 和表观扩散系数（apparent diffusion coefficient,ADC），比较肿瘤强化区和全肿瘤联合瘤周水肿区的影像组学特征，以鉴别原发性
DONG 等发现，瘤周水肿区的T1WI 灰度大小区域矩阵（gray level size zone matrix,GLSZM）及T1-CE 的灰度依赖矩阵（gray level dependence matrix, GLDM）、灰度游程矩阵（gray level run-length matrix, GLRLM）特征，结合决策树（decision tree, DT）、支持向量机（support vector machine, SVM）、神经网络（neural network, NN）、朴素贝叶斯（naive Bayes, NB）和k 最近邻（k-nearest neighbor, KNN）分类器，可鉴别单发脑转移瘤（metastatic brain tumor，MET）和GBM。
SAMANI 等利用磁共振扩散张量成像（diffusion tensor imaging, DTI）的自由水体积分数（free water volume fractions, FW-VF）参数和卷积神经网络（convolutional neural network, CNN）特征，以85% 的准确率区分胶质瘤和MET。PARVAZE 等通过分析脑转移瘤（brain metastasis, BM）、
BATHLA 等基于多参数MRI （multiple parameter,mpMRI）的T1WI、T2WI、FLAIR、T1-CE 和扩散加权成像（diffusion-weighted imaging, DWI）肿瘤核心（enhancing tumor, ET）和肿瘤周围区域（peritumoral region, PTR）图像，结合机器学习（machine learning,ML）或深度学习（deep learning, DL），对GBM、BM和PCNSL 进行分类。结果显示，基于T1-CE-ET 和T2-PTR 数据集的DL 模型表现最佳，曲线下面积（area under the curve, AUC）为0.854，表明PTR 的影像组学特征对鉴别胶质瘤具有重要价值。
以上研究显示，MRI 瘤周影像组学能有效鉴别胶质瘤。结合瘤内和瘤周特征及多模态影像可提高诊断准确性，但也会增加模型复杂性和特征冗余。未来需甄别有价值的序列和区域特征，以提升模型泛化能力和临床实用性。
3. 瘤周影像组学用于胶质瘤分级的术前预测
不同级别的胶质瘤治疗方案和预后差异显著。低级别胶质瘤主要通过手术切除辅以放化疗，预后较好；高级别胶质瘤则采用最大范围安全切除结合放化疗，预后较差。术前无创准确预测胶质瘤分级对制订手术方案和后续治疗至关重要，但目前依赖有创的病理活检，无法全面反映肿瘤内部情况。
CHENG等从多中心的285 名患者术前mpMRI中提取肿瘤内部（intratumoral volume, ITV）和周围（peritumoral volume, PTV）特征，设计算法捕捉指定半径的周围区域信息来解决PBZ 边界不清的问题。结合PTV和ITV后的影像学标签AUC值达到0.975，优于现有方法且泛化性能强，实现胶质瘤分级的准确、非侵入性预测。
MALIK 等提取42 名GBM和36 名LGG患者的常规MRI 序列（T1-CE、T2-FLAIR、DWI）的PBZ 影像组学特征，使用四种机器学习分类器建模，AdaBoos（t Adaptive Boosting）分类器表现最优，AUC 为0.96。TAN 等基于T1-CE 的瘤内影像组学模型、瘤周水肿及T2-FLAIR的瘤内联合瘤周水肿区开发六种影像组学模型，发现融合瘤内和瘤周特征的XGBoost （eXtreme Gradient Boosting）分类器在区分LGG和HGG方面表现出色，凸显了PBZ在胶质瘤分级预测中的重要性。以上研究表明，MRI 瘤周区域（包括瘤周水肿和肿瘤核心外扩展区）影像组学技术在术前无创预测胶质瘤病理分级方面具有潜力，通过整合瘤内和瘤周特征，进一步提升了预测效能，达到了较高的AUC值。
4. 瘤周影像组学用于胶质瘤的分子分型预测
2016 年WHO 首次在中枢神经系统肿瘤分类中引入分子分型，2021 年WHO CNS 5进一步强调了分子标志物的重要性，深化了胶质瘤的诊断与分级，并为个体化治疗和预后评估提供了依据。当前研究多集中于结合影像组学预测胶质瘤分子分型，而对PBZ的单独分析较少。PBZ采样存在偏倚、伦理问题及异质性挑战，相关研究有限，但尸检证实其存在浸润性肿瘤。
NIMBALKAR等通过实时定量聚合酶链反应（quantitative polymerase chain reaction,qPCR）验证了8 个基因在PBZ中的上调表达，特别是
这一发现表明PBZ 具有独特的基因表达特征，可能成为潜在的生物标志物。尽管病理组织活检仍是分子分型的“金标准”，影像组学在预测分子标志物方面具有无创、便捷、可重复的优势。
LIN 等利用MRI 集成（magnetic resonance imaging compilation, MAGIC）技术的T1WI、T2WI 和质子密度（proton density, PD）定量参数图，研究了ET、非强化区（non-enhancing tumour and necrosis,NET）和瘤周水肿区（peritumoral edema, PE）在区分胶质瘤级别及预测
SUN 等的研究表明，基于T1WI 和T2WI的瘤周影像组学（ 向外扩展5~20 mm）在预测Ki-67 和p53 水平方面具有价值，特别是T2WI 瘤周10 mm区域的p53 预测模型AUC 为0.709，20 mm区域的Ki-67 预测模型AUC 为0.773，进一步证明了瘤周影像组学特征对胶质瘤分子分型预测的重要性。
VILS 等通过T1-CE 序列和自主开发的半自动分割工具，扩展肿瘤周围区并结合瘤周及瘤内VOI 来预测GBM 患者的O6 甲基鸟嘌呤-DNA 甲基转移酶（O6-methylguanine-DNA methyltransferase, MGMT）状态，发现纳入瘤周区域后预测性能最佳，显示了瘤周影像组学特征在预测MGMT状态方面的潜力。以上研究表明，多模态瘤内、瘤周联合的影像组学特征在胶质瘤分子分型预测方面具有潜在的应用价值，为指导影像引导的多点穿刺、精准评价胶质瘤的分子分型提供依据。
5. 瘤周影像组学预测胶质母细胞瘤术后复发、患者预后
GBM 5 年生存期不到10%，由于浸润性生长方式，术后5 年90%的患者会经历复发，而约90%的复发发生在瘤周。无创预测GBM 术后复发、PBZ 的浸润范围和预后并对患者进行危险分层能够有效改善预后同时指导精准手术切除。GAO等通过将PBZ向外扩展3 mm发现瘤内和瘤周影像组学特征对预测患者生存同样重要。联合分析这些区域的影像组学特征可提高三年生存率预测的准确性，具有潜在临床指导价值。
CHOUGULE 等利用29 名GBM患者的T1-CE、FLAIR和ADC图像建立机器学习模型预测复发区域，远处和局部复发的准确率分别为80.1% 和71.4%。RATHORE 等将GBM患者瘤周水肿区定义为邻近肿瘤ROI（N-ROI）和肿瘤远隔ROI（F-ROI），并提取特征建立预测模型，测试和验证队列中的准确率分别为87.51% 和89.54%。
REN等基于多中心GBM复发患者术前、术后及随访MRI PBZ的两个亚区（复发或肿瘤浸润、非复发或水肿），联合四种机器学习分类器发现CatBoos（t Categorical Boosting）分类器在测试集中的AUC为0.81±0.09，准确率为84%±6%，表明PBZ可能是预测复发高危区域的关键，为手术和放疗提供潜在指导。
PRASANNA 等利用多模态MRI 的PBZ、强化区和坏死区影像组学特征预测GBM患者的生存期，发现PBZ 特征能更好地捕捉肿瘤异质性，优于核心区（如增强区和坏死区）及临床因素，更准确地预测长生存期（>18 个月）和短生存期（<7 个月）。另有研究收集134 名GBM 患者的多模态MRI 数据（T1-CE，T1WI，T2WI，FLAIR），提取五类ROI（坏死+非增强区、强化区、水肿区、坏死+非增强+强化区、全肿瘤+水肿区）的影像组学特征，建立生存预测模型。结果显示，水肿区在预测无进展生存期（progression-freesurvival, PFS）方面表现最佳，表明PBZ影像组学特征对PFS有独特贡献。
LATYSHEVA等使用限制性谱成像技术（restriction spectrum imaging, RSI）将强化区向外扩展5 mm、5~10 mm 和10~15 mm 定义为强化周围区（PEZ）、瘤周近区域（NZ）和瘤周远区域（FZ），发现RSI 细胞指数，尤其是PEZ 和NZ 中的指数与较短生存期相关。
基于RSI 的瘤周区特征有助于优化手术切除范围、指导活检和
6. 总结与展望
影像组学在胶质瘤研究中的应用日益深化，尤其在揭示瘤周微环境特征方面发挥了重要作用，对PBZ 的研究将对胶质瘤尤其是GBM的治疗具有深远影响，可推动靶向药物研发和精准手术规划，从而降低复发率和并发症。结合PBZ 特征与机器学习，可实现个性化手术导航，改善患者预后。未来需要开展多中心、大样本的前瞻性研究，系统收集和分析不同治疗阶段的影像数据，挖掘PBZ 影像组学特征与疗效之间的关联。当前在胶质瘤PBZ 研究中，不同研究对PBZ 的定义和分割方法多样化，缺乏统一标准。
（1）影像学上，部分研究将PBZ 定义为T1-CE未强化但在T2WI 和FLAIR 序列呈高信号的水肿区域，该方法易于识别且可重复性强，适用于研究和临床实践。
（2）另一些研究通过定量体素扩展对比增强的肿瘤核心来定义PBZ，以期找到最佳瘤周范围，改善患者预后并降低术后神经功能受损风险。借助机器学习的数据处理能力，可以制订精准切除方案，指导神经外科手术，推动个性化医疗发展，提升治疗效果和生存质量。
（3）部分研究尝试利用分子标志物表达来界定PBZ，但尚未发现稳定可靠的分子标志物，仍需进一步研究。当前对瘤周区域的分割主要包括手动和半自动分割。手动分割由经验丰富的放射科医生根据T2WI、T2-FLAIR 及T1-CE 等序列勾勒术后增强和水肿区域，虽然精准但耗时且难以大规模应用。
半自动分割结合软件工具或算法，如3D-Slicer 和GLISTR，先自动生成肿瘤边界，再经人工微调以提高精度，兼具效率与准确性，但仍需人工干预。自动分割在处理边界模糊或特征不典型的图像时应用较少，准确性不如手动或半自动方法。
基于瘤周影像组学的胶质瘤研究面临以下挑战：（1）缺乏图像获取标准，导致数据可比性低，影响研究成果的广泛适用性。（2）ROI 勾画方式不一致，使得特征提取不稳定，影响模型稳定性和可靠性。（3）特征选择和建模方法差异大，模型预测性能参差不齐，难以通过扩大样本量验证泛化能力。（4）瘤周范围界定模糊，不同研究所用PBZ 大小各异，需确定最佳PBZ 范围以准确反映胶质瘤微环境信息。（5）影像组学特征与组织病理学相关性不足，需要前瞻性研究验证生物标志物，提高临床认可度。
综上所述，为了建立更为准确、可靠的预测模型以辅助胶质瘤治疗的临床决策，未来需要更多关于瘤周影像组学的研究，特别是在图像获取标准化、ROI勾画一致性、多模态图像融合应用、瘤周范围界定以及影像组学与病理组织学的相关性研究等方面进行进一步的探索和优化。
来源：欧阳群慧,华克磊,方来平,等.瘤周影像组学在胶质瘤中的研究进展[J].
(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)
