脊索瘤是一种恶性肿瘤，起源于原始脊索的残余。它占所有原发性恶性骨肿瘤的1％至4％。它是一种罕见的疾病，发病率低，每年约0.5至0.8/百万。脊索瘤生长缓慢，具有攻击性，局部侵袭性，预后不良。它可能在转移表现出来之前有很长的潜伏期。脊索瘤通常根据颅骨，脊柱或骶骨部位进行描述。25％至35％的病例发生在颅底。在治疗策略方面，颅底脊索瘤需要更全面地考虑保留神经功能，通常比其他部位的病变更复杂，治疗策略通常包括最大但安全的切除术和术后外束放射治疗。结果不佳主要是由于广泛的局部复发。局部复发率高达43％至85％，并且最复发发生在4年术后，并且存在用于预测复发没有有效的方法。
　　 radiomics的发展探索，从数字图像中提取的数量特征和给定的基本病理生理学之间的关系，为研究人员提供了一个强大的工具。基于大型成像数据集的放射性分析已成功应用于肿瘤学研究]。并且兴趣领域内确定关联增加肿瘤的异质性和成像特征之间的映射。从常规医学图像中检测到的高通量定量特征，放射医学使肿瘤学家能够在肿瘤检测，表型亚型，治疗反应评估和预后方面提供更加个性化的医疗保健。放射组学方法提供了前所未有的机会，以低成本和非侵入性的方式改善肿瘤学的决策支持。放射学分析在肿瘤学领域的成功应用，研究人员假设放射组学分析可以为颅底脊索瘤的术后复发提供可靠的预测。进行了放射学分析，以确定与颅底脊索瘤术后复发相关的定量成像特征，开发和内部验证的T2加权磁共振成像为基础的放射组学作为一种新颖为颅底脊索瘤患者提供4年复发概率的个体化预处理评估方法。
　　 海外医疗网研究人员重点关注了80例颅底脊索瘤患者。所有患者均于2010年6月至2014年1月在首都医科大学北京天坛医院入选。BTH-CMU伦理委员会批准了研究人员的研究，并获得了所有患者的书面知情同意书。
　　 研究人员研究的纳入标准如下：（a）在BTH-CMU进行诊断和手术，（b）位于颅底脊柱区的肿瘤。根据以下标准排除患者：（a）图片存档和通信系统中没有脑治疗前T2-wMRI，（b）不完整的临床病理学或随访数据，（c）随访时间小于4多年没有复发，（d）复发时间超过4年。根据手术时间以1：1的比例将所有登记的患者分成两个队列。40名患者被分配到训练组，而另外40名患者被分配到独立验证队列。所有患者在最初1年内每3个月进行一次随访，在2-5岁时每6个月进行一次随访，然后在5年后每年进行一次。该研究的主要终点是PFS的时间。根据随访MRI结果确定复发日期。从手术时间到复发时间或最后可用接触时间计算随访时间。
　　 脑成像和肿瘤掩蔽使用12通道仅接收头部线圈，在MagnetomTrio3.0T扫描仪上获得MR图像。对于特征选择，研究人员使用了在PACS中存档的对比T2-w数字成像和医学通信图像，而不应用任何预处理或标准化。研究人员使用ITK-SNAP软件进行三维手动分割。两名经过委员会认证的放射科医师在原生空间中对每位患者的MR图像绘制了肿瘤面罩，这些放射科医师对患者的临床信息不知情。感兴趣的区域覆盖整个肿瘤并且在每个切片上的MR图像上描绘。当两位放射科医师确定的各个面罩之间的差异小于5％时，将肿瘤面罩合并。当这两个面罩之间存在大于5％的差异时，所使用的面罩由高级放射科医师确定。
　　 通过提取大量的定量特征来捕获描述肿瘤特征的放射学图像特征。本研究共提取了620个通常用于放射组学分析的3D成像特征，分为四组，包括：（I）一阶统计，17个特征;（二）基于形状和尺寸的特征，8个特征;（三）质地，51个特征;和（IV）小波特征，544特征。第一组使用一阶统计量化肿瘤强度特征，所述一阶统计量由所有肿瘤体素强度值的直方图计算，其通过常用和基本度量来描述MR图像内的体素强度的分布。第2组由基于肿瘤形状的特征组成。第3组由文本特征组成，这些特征能够量化在肿瘤体积内可观察到的纹理内的肿瘤内异质性差异。肿瘤体积内的所有三维方向上计算，从而考虑每个体素与周围体素相比的空间位置。包括灰度共现，灰度级游程长度，灰度级大小纹理矩阵和邻域灰度差矩阵。根据原始图像的小波分解计算强度和纹理特征，从而将特征聚焦在肿瘤体积内的不同频率范围上。将一维和未抽取的三维小波变换应用于每个MR图像，其将原始图像X分解为8个分解。Coiflet1小波应用于原始MR图像。对于每个分解，研究人员计算了FOS和纹理特征。使用MATLABR20115b实施所有预处理，特征提取和选择方法。
　　 由于在这项研究中检测到如此多的特征，如果所有特征都用于构建放射性组学特征，过度拟合可能是一个潜在的问题。特征选择和建模基于与Glmnet的训练队列。Pearson相关系数用于估计复发概率与每个特征之间的相关性作为单变量分析。P值<0.05的特征被认为与复发概率相关，并被选择到以下过程中。研究人员使用最小绝对收缩和选择算子方法来选择最重要的特征，然后建立一个包含选定变量的Logistic回归模型。为了避免过度拟合，研究人员将alpha设置为1，然后使用循环坐标下降法选择调节参数λ，其中最小λ设置为0.01，并且λ的数量设置为100，选择参数λ，其中留下一个交叉验证错误是最小的，用于交叉验证的损失是类。特征的大部分系数减少到零，并且由LASSO选择的特征的剩余非零系数被定义为Rad-Score：将每个患者的Rad得分计算为所选特征的线性组合。按各自的系数加权。所有Rad-score组合形成Radiomics签名。使用接受者操作特征曲线解释放射性组学特征预测4年内复发的能力，并且在训练和验证群组中计算ROC曲线下面积。
　　 分类变量的人口统计学和临床病理学数据的频率和比例，而连续变量报告了中位数和范围。分别使用Fisher精确检验和方差F检验分析检查分类和连续变量的差异。所有统计检验都是双侧的，分析在R版本3.4.1中进行。感兴趣的关键人口统计学和临床病理学数据是手术年龄，性别和组织学变异。在每组人口统计学和临床病理学数据中，两组之间没有显着差异。显着性设定为P<0.05。
　　 在训练队列的基础上，研究人员从MR图像中选择了与4年复发概率最强相关的5个特征来构建放射医学特征，包括原始球形度不均，Coif1GLCM聚类阴影，Coif2GLCM相关性，Coif3GLCM和方差。，Coif5GLRLM短期强调。使用训练的逻辑回归模型计算训练和验证群组中的放射学分析。根据ROC曲线解释放射性组学特征预测4年内复发的能力。它在训练组中达到了分类准确度=85.00％，AUC=0.8600并且分类准确度=85.00％，AUC=0.8568的表现。
　　 采用放射组学方法对MR图像数据进行研究，探讨颅底脊索瘤4年复发概率与放射组学特征之间的关系。采用Pearson相关系数和LASSO回归分析来选择与复发相关的特征。Logistic回归分类模型的结果表明，基于MRI的放射免疫学方法可以根据患者的4年复发概率成功地对患者进行分层。
　　 这是第一项基于MR图像定量分析的放射学方法研究，用于预测脊索瘤的复发。如果在治疗前可以确定高复发风险，那么应该进行更积极的治疗和更多的随访。可以为患者开发个体化放射治疗和随访方案。本研究存在局限性。这是一项回顾性和小样本研究，所有的MR图像都是由同一台扫描仪在相同的成像协议下获得的，这降低了分类模型的泛化能力。
　　 总之，研究人员确定了与颅底脊索瘤复发相关的放射学特征。基于所选择的关键放射组学特征，构建了允许有效的非侵入性复发预测的机器学习模型。研究人员的预测模型结果表明，放射组学分析可以为脊索瘤的个体化评估提供有效的工具。