定义为III-IV级弥漫性神经胶质瘤的高度神经胶质瘤是高度侵袭性的原发性脑肿瘤，预后不良。目前标准的综合治疗包括最大手术切除后辅助放化疗HGG广泛采用。为III级和IV胶质瘤中位总体存活是24个月。然而，在临床实践中，尽管HGG患者的病理分级相同且接受相似的治疗，但他们的OS可能彼此差异显着。HGG中广泛存在的OS强调了个性化治疗选择的迫切需求。临床组的分层将直接影响以图像为指导的神经胶质瘤的诊断和子序列治疗方案。因此，确定将临床组分层的有效预后因素可以帮助制定个性化的治疗策略并改善HGG的预后。相比于由放射科医生作出定性分析，基于机器学习方法radiomics可以为神经胶质瘤提供预后评估的更定量成像的生物标记。此外，基于多变量模型的估计被认为对预后分析更为可靠。目前，许多研究已经确定为脑胶质瘤其他预后因素，包括临床危险因素和遗传危险因素[氧6-甲基鸟嘌呤-DNA甲基转移酶基因启动子甲基，异柠檬酸脱氢酶突变和1p/19q1缺失。由于神经胶质瘤的异质性，仅使用一种危险因素来预测预后就具有挑战性。使用基于放射学特征，遗传和临床危险因素的综合整合的多变量模型来分析HGG的存活可能是一种更有效和可靠的方法。因此，本研究的目的是开发并从外部验证从多参数和多区域MRI图像中提取的放射学特征，以预测预后。并通过构建结合放射线特征，遗传和临床风险因素的列线图来开发HGG的风险分层模型。
　　 在这项研究中，总共147例经病理证实的HGG患者包括在内：从癌症影像档案数据库中选择112例作为训练队列，并根据纳入和排除标准从医院收集了35例，并用作独立的测试队列。由于TCIA是可公开获得的没有患者识别码的数据库，因此培训队列不需要机构审查委员会的批准。对于独立测试队列，大学的机构审查委员会批准了研究方案。考虑到回顾性研究和匿名患者数据，则无需知情同意。训练人群中IDH-M和MGMTmet的信息可从TheCancerGenomeArchive获得。在测试队列中，使用Sanger测序确定IDH-M，通过焦磷酸测序分析确定MGMTmet，IDH-M和MGMTmet检测的所有详细信息均显示在附录S2中。基线临床数据包括年龄，性别，组织学分级，治疗和OS从医疗记录中获得。从最初的病理诊断日期到死亡或死亡点计算OS。如果患者还活着，那么确定OS的最短随访时间是在最初病理诊断后的24个月。
　　 测试队列的MR图像采集：术前MRI使用8通道阵列线圈，通过3.0-T扫描仪进行。从对比增强的T1加权成像和T2液衰减倒置恢复图像中提取放射特征。对于梯度回波CE-T1WI，参数是重复时间195毫秒，回波时间4.76毫秒；T2FLAIR的TR8000毫秒，TE95毫秒和反相时间2000毫秒。切片厚度和切片间隔为5.0/1.5mm。视场为240×240mm2，矩阵：256×256。注入约0.1mmol/kg的che螯合物造影剂以进行造影剂增强成像。使用CE-T1WI图像作为模板，T2FLAIR图像具有严格的套准。一位具有15年经验的神经放射科医生使用ITK-SNAP对感兴趣的区域进行了手动细分。分别将三个卵子区域的ROI，肿瘤周围水肿区域和对侧卵白质中心的对侧正常健康白质区域）进行了分割。补充图2提供了子区域的ROI细分的详细标准。随后，对CE-T1WI和T2FLAIR图像进行了预处理，包括对偏置场进行N4校正，颅骨剥离，使用线性内插器将图像重采样为1×1×1mm3各向同性体素。通过减去对侧正常健康白质的强度值来标准化肿瘤强度来进行扫描器间协调。所有预处理均使用开源软件进行。
　　 特征库包括来自图像生物标记物标准化倡议的364个放射学特征，包括强度，形态，纹理，规律和小波特征。分别从CE-T1WI和T2FLAIR图像上的子区域提取了放射学特征。因此，总共获得了1456个特征。通过将数据转换为平均值为0且标准偏差为1的新分数来对所有训练放射学特征进行归一化，并使用相似方法对训练数据集的平均值和标准差进行归一化。使用最小绝对收缩和选择算子Cox回归模型从一组不相关的预测特征中选择训练队列中最有用的，具有非零系数的放射学特征。然后，将选定的放射线特征按其各自的系数加权，将选定的放射线特征进行线性组合，从而将这些选定的放射线特征合并为放射线特征。通过最小标准使用10倍交叉验证选择hyper参数。
　　 首先进行单变量Cox回归分析以研究训练和测试队列中Radio-score与OS的关联。放射学签名与OS的潜在关联首先在训练队列中进行评估，然后在测试队列中通过Kaplan-Meier生存分析进行验证。根据放射学评分将患者分为高危组或低危组，其阈值通过X-tile进行识别。高风险组和低风险组的生存曲线差异通过对数秩检验进行评估。为了从生存获益的角度研究放射线学签名与选定的遗传临床危险因素之间的关系，然后将高风险和低风险组除以放射线学签名，分别在训练和独立时按选定的遗传临床危险因素进行细分。测试队列。通过对数秩检验评估高风险或低风险组中亚组的生存曲线差异。通过将以下遗传和临床风险因素整合到多变量Cox比例风险模型中，对放射性标记物作为独立的生物标志物进行评估：组织学等级，性别，年龄，治疗-标准），IDH-M和MGMTmet，它们也首先通过单变量Cox回归和Kaplan-Meier生存分析进行了分析。为了证明放射线学签名对HGG患者的OS个性化评估的增量价值，在多变量Cox分析的基础上，结合了放射线学签名和选择的独立遗传临床危险因素的诺模图。评估观察到的结果与列线图的OS预测之间的一致性，生成了校准曲线。此外，对Harrell一致性指数进行了测量以量化判别性能。最后，决策曲线分析通过量化不同阈值概率下的净收益来确定诺模图的临床实用性。
　　 训练和测试队列中患者的临床和遗传特征。在训练和独立测试队列之间，年龄，性别，IDH-M，治疗和OS均无显着差异。III级患者，MGMTmet和2岁时存活率更高。在独立测试队列中与训练队列相比。在LASSOCox回归模型的CE-T1WI，T2FLAIR和组合序列中，分别以非零系数选择了9、5、11个放射学特征的肿瘤和瘤周围水肿区域。组合序列的放射学特征分别比CE-T1WI和T2FLAIR高C-index，并被选作最终的放射学模型。根据训练队列中患者的无线电分数，通过X-tile图计算得出的最佳无线电分数截止值为3.315。然后，通过Radio-score将患者分为低风险和高风险组。对于训练队列，放射性组签名的C指数为0.707，对于测试队列，C指数为0.711。高危和低危人群的OS除以放射学特征。低危组的患者存活时间长于高危组。根据单变量Cox回归分析，在训练和测试队列中，放射学特征，年龄和IDH与OS显着相关。多变量Cox回归分析确定了放射学特征，年龄和IDH是独立的危险因素。基于放射学签名的低风险组在训练和训练中均未按年龄和IDH细分为亚组，而基于放射学签名的高风险组在年龄和训练中均未按年龄或IDH细分。独立测试队列，因为大多数患者为IDH-W，训练队列的平均年龄为60.6±12.1，测试队列为61.6±11.9。按年龄和IDH划分的亚组的OS。HGG在Radio-score小于3.315，IDH-M和年龄小于50.5岁的患者中观察到最大的生存获益，相对于高危组。根据选定的危险因素之间的关系，通过放射线学特征，年龄和IDH构建诺模图，并获得0.764的C指数。训练队列，独立测试队列为0.758，表明预测性能得到改善。手术后1、2或3年的OS概率的列线图校准曲线。列线图的校准曲线表明，在训练和测试队列中，OS的1、2、3年的预测和观察可能性之间令人满意的一致性。决策曲线分析表明，在大多数合理阈值概率范围内，列线图的总体净收益高于放射线学特征，年龄和IDH-M。
　　 在当前的研究中，放射学标志被确定为独立的预后生物标志物和分层的HGG患者。年龄和IDH是低危人群的重要补充。包含放射学特征，年龄和IDH状态的列线图改善了个性化OS预测的性能。HGG在Radio-score小于3.315，IDH-M和年龄小于50.5岁的患者中观察到最大的生存获益，相对于高危组。放射学特征包括CE-T1WI和T2FLAIR图像中的4个纹理，2个肿瘤形状，3个一阶和2个小波特征，这些特征可以预测神经胶质瘤的OS，并在研究中将患者分为高危和低危组。CE-T1WI包含肿瘤中局部血管生成和血脑屏障破坏的信息。T2FLAIR反映了肿瘤细胞的解剖信息和密度。来自这两个序列中的radiomics特征可以量化的综合信息来表征神经胶质瘤的异质性。以前的研究已经证实，预后信息可以从胶质瘤[的放射图像中推断，在假设表明纹理特征可以表征GBM的异质性并预测OS。放射组学可以反映GBM的异质分布，从而影响生存分层。发现多参数放射学签名有可能为GBM提供更好的预后性能。此外，证实组合的11个放射学特征可以准确反映肿瘤和水肿区域中血管生成和细胞增殖的完整异质信息，这与HGG的预后密切相关。
　　 多变量Cox回归分析确定了放射学特征，年龄和IDH是独立的危险因素。进一步分析了放射学特征，年龄和IDH状态之间的关系。通过放射线学签名分层的高危人群中，通过IDH和年龄的亚分层分析分别不存在亚组。这表明对于高危组而言，放射学签名是足够的非侵入性成像生物标志物，并且部分反映了IDH状态和年龄信息，因为该组的大多数患者为IDH-W，平均年龄为60.6岁旧。它证实IDH突变可将α-酮戊二酸转化为2-羟基戊二酸，从而最终抑制血管生成和细胞增殖。CE-T1WI和T2FLAIR影像的放射学特征可以反映高危人群的生物学过程。在低风险组中，患者分别按IDH和年龄成功地分为亚组。IDH-M和年龄小于50.5的患者比IDH-W和年龄大于等于50.5的患者存活时间更长。因此，年龄和IDH是低危人群放射学签名的重要补充。出国看病服务机构的研究首先通过证明放射学签名，IDH和年龄之间的生存受益关系来扩展知识。
　　 肿瘤恶性的复杂性可能会考虑多种危险因素之间的相互作用时，可以更好地反映。必须通过为每个患者分配总点数来考虑多个风险因素的列线图。一项整合了放射学特征，年龄和KPS的最新研究成功改善了GBM的OS预测性能。中央神经系统的肿瘤的2016WHO分类首先界定胶质瘤IDH基因型，这是重要的遗传标志与相当大的预后价值。考虑到研究中放射学特征，IDH和年龄之间的关系，将这些变量组合成列线图，并通过0.764的C指数提高了预测能力，这表明在HGG中结合多个变量进行个体化OS预测的增量价值耐心。在低风险组中观察到HGG患者具有更大的生存获益，相对于高风险组，OS的OS大约增加了3年得分大于等于3.315，IDH-W，年龄大于等于60.0。因此，强烈建议低风险组的患者采用当前的标准疗法以获得生存益处，而高风险组的患者最好添加其他更具攻击性的疗法，例如免疫疗法或靶向疗法。
　　 在出国看病服务机构的研究中仍然存在一些局限性。首先，尽管使用了独立的测试队列，但使用的回顾性数据样本量相对较小。应该收集多中心数据以测试模型的稳定性能。其次，由于TCIA队列中成像参数的异质性，出国看病服务机构仅包括常规序列，而未研究高级MR序列。第三，TCGA患者无法获得某些变量，例如切除范围和KPS。总之，放射性标记物是HGG的独立预后生物标志物，已成功将患者分层。年龄和IDH是放射学签名的重要补充，特别是对于低危人群。包含放射学特征，IDH和年龄的列线图改善了个性化OS评估的性能，这可能是临床使用的神经胶质瘤治疗指南的新补充。