作者：任思雨，陈皓岩，王佳宁，河北大学附属医院

脑胶质瘤起源于神经胶质细胞，是中枢神经系统最常见的原发性颅内恶性肿瘤，世界卫生组织（world health organization，WHO）将脑胶质瘤分为1~4级，其中1级和2级定义为低级别脑胶质瘤，3级和4级为高级别脑胶质瘤。尽管目前已有成熟的临床诊疗管理，但脑胶质瘤作为最致命的原发性脑肿瘤，患者生存率仍较低，脑胶质母细胞瘤（4级）患者的中位生存期为10~15个月，2级和3级脑胶质瘤患者的中位生存期不超过7年。肿瘤病理分级、基因表型不同、复发/假性进展是造成脑胶质瘤生存预后差异显著的主要原因。

目前，影像组学已应用于脑胶质瘤术前分级、基因型预测、肿瘤微环境及预后评估等方面，对脑胶质瘤患者个体化诊疗及临床管理具有重要价值。本文就MRI影像组学在脑胶质瘤诊疗中的研究进展予以综述，从而为脑胶质瘤患者实施个体化诊疗提供临床指导。

1. 影像组学概述

影像组学是一种从标准医学图像中挖掘高通量影像图像特征以定量描述肿瘤特征的图像分析技术，是通过医学影像获取更多的信息来协助临床的一种辅助诊断方式，具有无侵入性、可重复性高、经济高效、客观准确等优势，在肿瘤性病变中发展最快，目前已广泛应用于脑胶质瘤、肺癌、乳腺癌、前列腺癌等肿瘤的分级、基因型预测、治疗效果评价以及预后评估方面。

2. 影像组学在脑胶质瘤预后评估中的应用

2.1 预测脑胶质瘤分级

脑胶质瘤病理分级不同，肿瘤侵袭性和浸润深度不同，其手术决策方案及预后也存在差异，脑胶质瘤级别越高，预后越差。目前，脑胶质瘤分级诊断主要依赖于术后病理学检查，而影像组学能在术前无创预测脑胶质瘤病理分级，这对患者的预后评估及临床管理方面有重要意义。Xu等建立了基于多参数扩散加权成像（DWI）的机器学习（ML）模型，研究预测低级别与高级别脑胶质瘤分级，受试者工作特征曲线（ROC）曲线下面积（AUC）达到了0.84。

Du等纳入210例脑胶质瘤患者，建立基于术前常规多序列MRI影像组学模型，包括DWI 和增强T1WI（CE-T1WI），应用支持向量机（SVM）分类器的预测性能最好（平均AUC 为0.85），能够方便、准确、无创地将成人脑胶质瘤分为2~4级。Lin等应用多序列MRI构建影像组学模型结合质子磁共振波谱成像（1H-MRS）和扩散张量成像（DTI），取得了0.97的高AUC值，证明基于多参数MRI的影像组学与定量参数相结合在鉴别高级别脑胶质瘤和低级别脑胶质瘤的病理分级方面具有较高的效能。

许多研究表明，影像组学已成为一种有前途的非侵入性脑胶质瘤分级方法，功能MRI纳入多参数模型较单序列模型效能较好，但并不是序列越多越好，寻找最佳组合序列是以后的研究方向。2021 年第五版世界卫生组织中枢神经系统肿瘤分类（2021年WHO CNS 5）强调了分子标志物在脑胶质瘤分类中的意义，因此未来的研究有必要按照新版的中枢神经系统分类开发更高效能的MRI影像组学模型，精准术前诊断与分级，奠定手术基础。

2.2 预测脑胶质瘤分子标志物

异质性是脑胶质瘤最重要的特性之一。肿瘤异质性即肿瘤内部包含着基因型和表现型各异的肿瘤细胞亚群。不同患者、相同患者不同肿瘤部位、不同发病阶段之间的基因型存在差异。诸多研究显示，肿瘤分子标志物能更准确预测脑胶质瘤患者的预后和治疗反应，如果肿瘤存在相同的基因型，即使病理分级不同，也可能具有相似的生物学行为和预后。

2021年WHO CNS 5强调了组织学表型和基因分型对脑胶质瘤诊断和分级的重要性，特异性分子标志物对于患者的预后评估和个体化治疗具有重要意义。异柠檬酸脱氢酶（isocitrate dehydrogenase，IDH）突变、O6-甲基鸟嘌呤DNA甲基转移酶（O6-methylguanine-DNA methyltransferase，MGMT）启动子甲基化、1号染色体短臂及19号染色体长臂（1p/19q）共缺失等是与患者预后有关的重要分子标志物。目前，基因型主要通过术后对肿瘤标本的测序或免疫组织化学来获得，且获得的小样本并不能反映整个肿瘤的完全异质性。因此，在术前非侵入性精确诊断脑胶质瘤基因型对患者的临床治疗管理有重要价值。

MRI影像组学预测IDH基因型：IDH是一种与脑胶质瘤相关的关键遗传标志物，对脑胶质瘤的发病机制和预后进展起着重要作用。WHO在2016年根据IDH基因将脑胶质瘤分为突变型（IDH-M）和野生型（IDH-W）。IDH-W的低级别脑胶质瘤在分子特征和预后方面与脑胶质母细胞瘤相似，IDH-M脑胶质瘤的预后优于IDH-W。目前IDH相关的影像组学研究主要基于常规MRI或功能MRI序列。

Choi等基于1166例脑胶质瘤患者（2~4级）的术前常规MRI影像，包括CE-T1WI、T1WI、T2WI 和液体衰减反转恢复（fluid attenuated inversion recovery，FLAIR）图像，建立了一个全自动模型，该模型在内部测试数据集和2个外部验证数据集预测IDH 基因型的准确率分别为0.94、0.88 和0.79，AUC 分别为0.96、0.94和0.86。Usuzaki等从肿瘤强化、肿瘤坏死核心、瘤周水肿/浸润组织区域中提取影像组学特征，使用患者的性别和年龄、影像组学特征建立了一个多模态模型预测IDH状态，得到了0.956的AUC值。

Liang等建立了一个基于多参数MRI 序列的影像组学模型，包括T1WI、T2-FLAIR、CE-T1WI和表观扩散系数（ADC），在预测IDH基因型中，多参数影像组学模型在训练和验证队列中产生的AUC 值分别为0.960和0.804，表现优于单序列模型。合并临床模型后，组合模型性能进一步提高，训练组和验证组的AUC 分别为0.963 和0.892。Cindil 等得出结论，最大相对脑血容量（rCBV）和百分比信号恢复（PSR）在IDH-M和IDH-W组之间显示出显著差异（P≤0.001），动态磁敏感对比增强灌注成像（DSC-MRI）的PSR和rCBV 的组合AUC值达到0.955的辨别能力。

上述研究表明，影像组学是预测IDH基因型的一种便捷有效的方法，临床特征等的加入可提高模型的预测效能，基于功能成像的影像组学可能有助于改善评估效能，但研究结果尚无定论，未来需要更多临床中心的研究，以提高模型结果的准确性。MRI影像组学预测MGMT启动子甲基化：MGMT是一种对烷化剂损伤的DNA起到修复作用的酶，MGMT基因启动子CpG岛甲基化在判断脑胶质瘤患者预后及预测肿瘤对烷化剂药物耐药性方面具有重要意义。发生MGMT启动子甲基化的脑胶质瘤患者对放疗和化疗更敏感，具有更长的生存期。

Crisi等基于GBM患者的动态磁敏感对比灌注加权成像（DSC-PWI）数据的rCBV和相对脑血流量（rCBF）图获得定量影像特征，建立深度学习模型，结果表明该模型预测MGMT启动子甲基化状态的敏感度为0.75，特异度为0.85，AUC 为0.84。He等建立了临床模型、T1WI模型、T2WI模型、CE-T1WI 模型、DWI 模型和ADC 模型、多序列（T1WI、T2WI、CE-T1WI、DWI、ADC）模型、临床特征结合多序列模型建立组合模型，通过ROC曲线分别验证模型性能，结果显示多序列模型在预测MGMT状态效能高于单序列模型，临床特征的加入可进一步提高多序列模型的预测效能，AUC 值0.88。

Chen等使用MR影像组学结合深度学习方法来预测脑胶质瘤MGMT启动子甲基化状态，回顾性研究了56例MGMT启动子甲基化患者和55例MGMT启动子非甲基化患者，提取T1WI、T2WI、ADC和CE-T1WI四个序列的整个肿瘤区域和肿瘤核心区域感兴趣区（ROI）的影像组学特征，研究发现CE-T1WI结合基于肿瘤核心ROI的ADC模型表现出最好的性能，AUC为0.90，研究表明基于MRI影像组学的深度学习方法在预测胶质瘤中MGMT启动子甲基化方面具有较高的诊断性能。

Huang等基于影像组学使用ML算法预测脑神经胶质瘤患者MGMT启动子的甲基化状态，取得了更高的效能（AUC=0.91），表明影像组学结合ML 有助于提升MGMT启动子甲基化状态的预测。张馨月等回顾性搜集112例IDH-W脑胶质母细胞瘤患者的术前多参数MRI及临床数据，通过结合MRI影像组学与ML，选出最佳特征，训练并验证出最优模型，训练集与验证集中的AUC分别为0.933与0.915，这表明MRI影像组学结合ML算法可以有效预测IDH-W脑胶质母细胞瘤MGMT启动子甲基化状态，实现了IDH基因与MGMT基因级联表达的预测。

MRI影像组学预测1p/19q状态：染色体1p/19q共缺失是一种染色体变异，指1号染色体短臂和19号染色体长臂同时缺失。2021年WHO CNS5将临床病理特征与分子特征密切结合起来，以IDH及1p/19q状态作为脑胶质瘤分子分型的核心依据，将成人弥漫性胶质瘤简化为三类：（1）星形细胞瘤，IDH突变型不伴1p/19q共缺失型；（2）少突胶质细胞瘤，IDH突变伴1p/19q共缺失型；（3）胶质母细胞瘤，IDH野生型。

IDH突变和染色体1p/19q联合缺失是脑胶质瘤的重要分子生物学标志物，与脑胶质瘤的诊断、治疗及预后密切相关。1p/19q共缺失患者对丙卡巴肼、洛莫司汀和长春新碱（PCV）方案的敏感性更高，1p/19q共缺失的低级别胶质瘤患者的预后明显优于1p/19q完整患者。然而，1p/19q状态主要通过荧光原位杂交（FISH）、基于聚合酶链反应（PCR）等实验室检测方法测量，这受到肿瘤样本不可获得性、肿瘤异质性、相对较长的检测周期等限制，突出了在手术前获得1p/19q状态的重要性。因此，迫切需要影像组学对1p/19q状态进行无创评估，以促进脑胶质瘤患者的个性化治疗。

首先，在单独预测1p/19q 共缺失状态的研究中，Fan等回顾性从157例WHO Ⅰ级神经胶质瘤患者MRI图像中提取影像组学特征，包括T1WI、T2WI和CE-T1WI图像，应用于嵌套交叉机器预测模型，在术前预测1p/19q状态，结果显示预测模型的AUC值和准确率分别为0.81和0.76。Li等同样得出结论，其开发的影像组学模型预测1p/19q共缺失状态，平均AUC达到了0.82。王瀚苇等基于术前ADC序列建立影像组学模型来预测成人颅内较低级别脑胶质瘤1p/19q分子特征，该影像组学模型在训练集及验证集中均显示出良好的预测性能，在训练集中AUC为0.896，准确率0.85；验证集的AUC值0.778，准确率0.77。

以上研究表明基于影像组学的方法可较为准确预测胶质瘤1p/19q状态。其次，由于IDH基因突变常伴1p/19q染色体缺失，根据不同的肿瘤分级、IDH突变和1p/19q共缺失状态，Li等通过建立多种影像组学模型，发现支持向量机预测肿瘤分级效果最好，逻辑回归在联合预测IDH突变及1p/19q共缺失状态时效果最好。Lu等提出一种基于ML的多模态MRI影像组学模型，预测1p/19q和IDH基因型分子亚型，准确率高达0.96。

MGMT甲基化阳性合并1p/19q共缺失的肿瘤通常对放疗和化疗更敏感。通过预测分子亚型，临床医师可以推测每例患者的治疗反应情况及预后，有利于制定个体化治疗方案。赵伟等基于多模态MRI构建影像组学模型，无创性预测MGMT启动子甲基化高级别脑胶质瘤的1p/19q缺失状态，结果显示该模型在训练集和测试集中的AUC分别为0.924和0.864，诊断效能较高。以上研究表明MRI影像组学在多分子联合预测中同样具有较高的诊断价值。MRI 影像组学预测表皮生长因子受体（EGFR）突变状态：EGFR是一种跨膜受体酪氨酸激酶。

EGFR过表达和/或突变在细胞分裂、迁移、粘附、分化和细胞凋亡中起核心作用。EGFR的遗传改变是胶质母细胞瘤的主要受体酪氨酸激酶病变。在胶质母细胞瘤中，EGFR扩增增加了肿瘤的侵袭和增殖特性以及对放化疗的耐药性，EGFR改变的检测被用作胶质母细胞瘤的预后标志物。Li等基于270例已知EGFR表达状态的低级别脑胶质瘤患者的T2WI图像，进行特征提取，使用逻辑回归模型，预测低级别神经胶质瘤中的EGFR表达水平，训练集的准确度达到0.83，AUC值为0.90，在验证集中达到0.90，AUC值为0.95，结果表明常规MRI影像组学能够较好地预测低级别神经胶质瘤患者EGFR表达水平。

Hu等开发了一个影像基因组学ML模型，使用传导高斯过程（GP）来量化不确定性，该模型可以较准确预测EGFR扩增状态，并发现肿瘤EGFR的扩增在强化区域更为普遍。未来提高影像基因组学ML模型性能，有助于更准确地预测EGFR状态。MRI影像组学预测其他基因型：目前，通过影像组学方法预测脑胶质瘤其他分子分型的研究相对较少，但相关研究均表明影像组学模型具有较高的预测价值，如α地中海贫血伴智力低下综合征X连锁（X-linked alpha thalassemia mental retardation syndrome，ATRX）基因是位于X 染色体α 地中海贫血伴智力低下综合征的致病基因，在DNA修复和端粒维持方面具有重要作用，脑胶质瘤中IDH突变型存在ATRX缺失的比例高达90%以上，ATRX可作为星形细胞瘤（IDH突变型）特异的分子标志物。ATRX缺失的星形细胞瘤患者的预后更好。

Calabrese等共招募了199例高级别脑胶质瘤患者，从每个肿瘤ROI中提取影像组学特征，包括T1WI、T2WI、FLAIR、磁敏感加权成像（SWI）和DWI，通过随机森林回归模型来预测ARTX的突变状态，该模型AUC为0.97。端粒酶逆转录酶（TERT）启动子突变是成人脑胶质瘤中最常见的单基因突变，TERT启动子突变状态是低级别脑胶质瘤精准诊断和预后预测的重要生物标志物。

卢俊等基于109例低级别胶质瘤患者ADC和CE-T1WI图像，构建影像组学预测模型，结果表明联合分析模型（ADC+CE-T1WI）的预测效能最佳，训练集AUC为0.928，验证集中AUC为0.878。这表明基于ADC和增强MRI的影像组学模型能有效预测低级别胶质瘤TERT启动子突变状态，将不同序列的影像组学特征结合可提高预测效能。

Jiang等回顾性纳入了116例低级别脑胶质瘤，在3D-CE-T1WI（三维对比增强）和T2WI序列上勾画肿瘤、肿瘤周围区域和肿瘤加肿瘤周围区域强化图像的ROI，根据IDH状态对肿瘤进行了分层，结果发现基于肿瘤区域特征模型显示出最佳性能，训练队列中的AUC为0.948，验证队列中为0.827。在IDH 亚组中，肿瘤特征的AUC 为0.750~0.940。这表明无论IDH状态如何，基于MRI的影像组学特征对于低级别脑胶质瘤中TERT启动子突变状态的无创评估都是较为可靠的。

综上所述，多项研究表明MRI影像组学在预测脑胶质瘤分子分型方面取得了较大进展，其不仅可以对单个分子分型进行预测，也可对不同分子分型进行联合预测，具有很高的应用价值。影像组学的进步有利于脑胶质瘤患者临床治疗方案的调整与制订，并对患者的预后具有指导意义。

2.3 MRI影像组学鉴别术后放化疗脑胶质瘤复发/假性进展（pseudoprogression，PsP）

PsP是一种与治疗反应相关的亚急性病变，常发生在术后放化疗后3个月内，影像学表现为病灶周边的环形强化，有占位征象，类似肿瘤复发进展。PsP通常无需特殊治疗，后续随访检查这种强化体积减小或保持稳定。而复发的脑胶质瘤因其进展迅速、预后差，可能需要重复手术，二者的治疗策略和预后完全不同，误将PsP认为是真性进展可能会导致不必要的手术和过度放化疗。两者的鉴别取决于持续的影像学随访，但至少需要4~6个月才能获得可靠的鉴别诊断，这可能导致治疗延迟或不适当的治疗实施。因此，早期无创、准确预测脑胶质瘤治疗后反应至关重要。

Ari等纳入了131 例高级别脑胶质瘤患者，搜集患者治疗前MRI 图像，提取CE-T1WI影像组学特征，建立广义强化回归模型，结果显示该常规影像组学模型具有较好预测脑胶质瘤PsP的能力，AUC值达到0.91。已有研究证明结合功能成像有助于进一步提高常规MRI影像组学的评估效能。Fu等从CE-T1WI和FLAIR序列图像中分别提取影像组学特征，基于CE-T1WI、FLAIR、CE-T1WI+FLAIR序列分别建立影像组学模型，结果显示基于CE-T1WI+FLAIR 序列的多参数模型性能最佳，该模型预测脑胶质瘤PsP AUC值为0.96。

Park等建立基于深度学习分割的影像组学模型，测试CE-T1WI、ADC和CBV特征组合模型识别治疗反应的性能，结果显示该组合模型在识别PsP方面与人工手动分割的诊断性能相当，同时临床特征的加入可进一步提高影像组学的评估效能。脑胶质瘤术后复发和PsP的鉴别仍然是临床上亟待解决的难题。以上研究表明基于常规MRI和功能MRI的影像组学模型在对脑胶质瘤术后复发或PsP的早期无创鉴别表现出良好的性能。但现有研究的样本量较小，未来需要多中心搜集数据并运用深度学习方法训练模型为脑胶质瘤复发和PsP的鉴别提供更重要的诊断意义。

2.4 MRI影像组学预测脑胶质瘤生存期

神经胶质瘤作为易侵袭、复发率高和死亡率高的原发性颅内肿瘤，随着手术切除、化疗和放疗以及新型疗法的应用，脑胶质瘤的治疗虽取得了一定的进展，但高级别脑胶质瘤患者的生存状况依然很差。影像组学作为一种可揭示肿瘤内异质性特征的工具，可以在术前无创预测脑胶质瘤患者的生存期，在指导临床手术决策和预测预后、临床管理方面是极有潜能的。Yan等建立基于脑胶质瘤患者术前MRI图像的影像组学预测模型，预测患者中位总生存期（overall sur-vival，OS）一致性指数达0.751，无进展生存期（progression free survival，PFS）一致性指数达0.722。

You等基于307例IDH-W胶质母细胞瘤患者的常规MRI图像构建深度学习特征，对IDH-W胶质母细胞瘤患者进行预后生存预测与替莫脞胺辅助化疗疗效预测，一致性指数在训练数据集上达到0.840，在测试数据集上达到0.798。不同患者的临床因素较为复杂，除了脑胶质瘤的级别、分子分型与预后密切相关外，患者的年龄、性别、肿瘤大小及位置相关临床因素与预后也相关。Jia等基于术前常规MRI影像组学使用ML算法预测患者的OS，并与临床危险因素结合建立预测模型，临床因素的加入进一步提高了模型的稳定性和预测能力，AUC为0.877，DWI 序列的加入进一步提高了诊断性能。Rauch等使用MRI影像组学结合ML，建立肿瘤生长速预测模型，证实了肿瘤生长速度是影响低级别脑胶质瘤的OS的关键预测指标。Wang等基于DTI开发了影像组学模型，与临床模型结合生成影像组学-临床列线图，该图比单独的影像组学模型或临床模型更能预测IDH野生型胶质母细胞瘤患者生存期。

2.5 MRI影像组学预测脑胶质瘤肿瘤微环境（TME）

已有研究发现，TME在脑胶质瘤的生长和侵袭中起着重要作用。神经胶质瘤的TME由肿瘤细胞、免疫细胞、基质细胞及其各种分泌因子组成。巨噬细胞是高级别脑胶质瘤中最常见的浸润性免疫细胞，分为抑制肿瘤的M1型以及促进肿瘤的M2型，不同表型的巨噬细胞对肿瘤的作用不同，使脑胶质瘤患者免疫治疗复杂化。

Fan等进一步研究了影像组学与TME巨噬细胞浸润的关系，证实了MRI和M2巨噬细胞浸润强相关性，表明基于影像组学预测模型有望替代传统基因组学模型为免疫治疗提供临床指导。Li等从652例脑胶质瘤患者术前T2WI图像中提取影像组学特征，通过基于ML方法构建影像组学模型，结果表明该模型可以稳定预测脑胶质瘤患者的生存期，并有助于术前评估脑胶质瘤肿瘤中巨噬细胞浸润的程度。Chen等的研究表明基于CE-T1WI序列的影像组学特征在术前能够有效预测高级别脑胶质瘤患者的肿瘤相关巨噬细胞浸润水平，有助于患者的个体化治疗。胶质瘤干细胞（glioma stem cells，GSC）具有促进肿瘤发生、分化及自我更新的能力，已然成为胶质瘤治疗的新靶点。

CD44和CD133是GSC的常见标记物，在肿瘤细胞的增殖、转移和存活中发挥调节作用，CD44和CD133表达水平的增加与胶质瘤患者的预后不良显著相关，其中CD44被证明是低级别脑胶质瘤患者整体生存预后的独立风险因子。Wang等基于T2-FLAIR序列特征建立影像组学模型，对低级别脑胶质瘤患者CD44的表达水平具有良好的预测价值，间接预测了患者的生存预后，有助于患者的个体化诊疗方案制定。目前多数研究都是基于常规MRI建立影像组学模型，功能MRI与TME的相关性研究匮乏，功能MRI能够从多方面反映肿瘤的内在信息，未来的研究应纳入功能MRI，以期进一步提高影像组学预测胶质瘤TME效能。

3. 总结与展望

本文综述了MRI影像组学在脑胶质瘤的病理分级、基因分型、预后评估及TME等方面的最新进展，表明基于MRI影像组学在脑胶质瘤诊疗中有重要价值，但是要应用于临床实践中仍存在一些不足：

（1）大多数MRI影像组学在脑胶质瘤中的研究是单中心、回顾性研究，样本量有限，得出的研究结论可能存在潜在的选择偏倚，因此需要开展前瞻性的多中心、大样本的研究以及更多成像序列的加入来验证能否进一步提高影像组学模型的预测效能。

（2）传统的影像组学研究大多集中于对脑胶质瘤的单个分子分型改变的研究，而对肿瘤在某一方面相关基因的联合预测分析较少。

（3）不同MRI设备和参数差异较大，以后的研究应采用规范化的图像采集方式并在统一参数的设置下进行ROI的勾画与分割。

目前与脑胶质瘤预后有关的影像组学模型研究大多是依据2016年的中枢神经系统分类，之后的研究应基于最新版2021年WHO CNS 5，以期实现脑胶质瘤的精准诊疗。

来源：任思雨,陈皓岩,王佳宁.MRI影像组学在脑胶质瘤诊疗中的研究进展[J].临床放射学杂志,2025,44(09):1778-1783.DOI:10.13437/j.cnki.jcr.2025.09.018.