陈 浪 杜 鹏 高 松^*

徐州医科大学第二附属医院影像科

摘要(Abstract)：

目的 探讨基于多模态MRI影像组学的机器学习模型术前鉴别孤立性脑转移瘤（SBM）与高级别胶质瘤（HGG）的价值。方法回顾性分析118例脑肿瘤患者（HGG 62例，SBM 56例），采集T1WI、T2WI、T2-FLAIR、DWI及ADC图像。勾画肿瘤实体区、坏死区及瘤周水肿区（PTE），提取1316个影像组学特征，经方差阈值、SelectKBest及LASSO筛选后，按7:3划分训练组（82例）与验证组（36例）。构建逻辑回归（LR）、支持向量机（SVM）、随机森林（RF）及XGBoost模型，评估其鉴别效能并与两名高年资医师比较。结果 LASSO筛选出14个最优特征，主要源于T2-FLAIR序列PTE区（5个）及DWI序列实体区（4个）。验证组中XGBoost模型表现最佳：AUC=0.942（95%CI:0.890-0.984），准确率89.7%，敏感度91.2%，特异度87.5%，显著优于两名医师的平均诊断效能（AUC0.842、0.858，均P<0.05）。决策曲线显示XGBoost在0.1-0.8阈值范围内净获益最高。结论 基于多模态MRI影像组学的XGBoost模型能有效鉴别HGG与SBM，联合T2-FLAIR瘤周水肿区及DWI实体区特征时效能优异，可作为可靠的术前无创辅助诊断工具。

关键词(KeyWords)：

高级别胶质瘤；孤立性脑转移瘤；磁共振成像；影像组学

参考文献(References)：

［1］Louis DN，Perry A，Wesseling P，et al. The 2021 WHO Classification of Tumors of the Central Nervous System: a summary ［J］. Neuro Oncol， 2021， 23（8）:1231-1251. 

［2］Weller M， van den Bent M， Preusser M， et al. EANO guidelines on the diagnosis and treatment of diffuse gliomas of adulthood［J］. Nat Rev Clin Oncol， 2021， 18（3）:170-186. 

［3］Lambin P，Leijenaar RTH，Deist TM，et al. Radiomics: the bridge between medical imaging and personalized medicine［J］. Nat Rev Clin Oncol， 2017， 14（12）:749-762. 

［4］黄毅力，付倩茹，刘雯，等.基于多序列 MRI 影像组学 术前鉴别脑胶质母细胞瘤与孤立性转移瘤［J］.放射学实践，2025， 40（12）：1499-1509. 

［5］Bae S， Choi YS ， Ahn SS ， et al. Radiomic MRI phenotyping of glioblastoma: improving survival prediction ［J］. Radiology， 2018， 289（3）:797-806. 

［6］Qian Z， Li Y ， Wang Y ， et al. Differentiation of glioblastoma from solitary brain metastases using radiomic features based on DWI and FLAIR ［J］. Acad Radiol ， 2021 ， 28 （5）:e127-e136. 

［7］Demirel E， Dilek O. Utilizing radiomics of peri-lesional edema in T2-FLAIR subtraction digital images to distinguish high-grade glial tumors from brain metastasis［J］. J Magn Reson Imaging， 2024， 60（1）:123-133.