基于常规MRI VASARI特征的脑胶质瘤Ki-67表达水平预测模型的建立与验证

Development and Validation of a Predictive Model for Ki-67 Expression Level in Gliomas Based on Conventional MRI VASARI Features

摘要: 目的：本研究旨在基于常规MRI VASARI特征构建并验证脑胶质瘤Ki-67表达水平的预测模型。方法：本回顾性研究共纳入241例脑胶质瘤患者，按照7:3的比例随机分为训练集(n = 168)和验证集(n = 73)。收集参与者的临床资料及术前MRI影像，提取相关VASARI影像学特征。通过单因素分析和多因素逐步回归分析筛选候选变量，建立Ki-67表达水平的Logistic回归预测模型。模型预测效能根据受试者工作特征(receiver operating characteristic, ROC)曲线下面积(area under curve, AUC)评估。采用Hosmer-Lemesshow检验模型拟合优度，并绘制校准曲线及决策曲线。结果：单因素与多因素回归分析结果显示，强化程度、肿瘤跨中线和弥散受限是Ki-67表达水平的独立预测因素。基于上述3项特征构建的预测模型在训练集和验证集中的AUC分别为0.886和0.848，Hosmer-Lemeshow检验表明模型拟合良好(训练集χ² = 3.727，p = 0.444，验证集χ² = 5.901，p= 0.207)。校准曲线显示模型的校准度较好，决策曲线分析表明模型具有较高的净收益。结论：基于常规MRI VASARI特征，我们成功构建了可有效预测脑胶质瘤Ki-67表达水平的回归模型，或可为脑胶质瘤的个体化治疗决策提供参考。

Abstract: Objective: This study aims to develop and validate a predictive model for Ki-67 expression levels in gliomas based on conventional MRI VASARI features. Methods: A total of 241 glioma patients were retrospectively included and randomly divided into a training set (n = 168) and a validation set (n = 73) at a ratio of 7:3. Clinical data and preoperative MRI images were collected, and relevant VASARI imaging features were extracted. Candidate variables were selected using univariate analysis and multivariate stepwise regression analysis to construct a Logistic regression model for predicting Ki-67 expression levels. The model’s predictive performance was evaluated using the area under the receiver operating characteristic (ROC) curve (AUC). The Hosmer-Lemeshow test was used to assess model goodness-of-fit, and calibration curves and decision curve analysis (DCA) were performed. Results: Univariate and multivariate regression analyses identified enhancement degree, midline crossing, and diffusion restriction as independent predictors of Ki-67 expression levels. The predictive model incorporating these three features achieved AUCs of 0.886 in the training set and 0.848 in the validation set. The Hosmer-Lemeshow test indicated a good model fit (training set: χ² = 3.727, p = 0.444; validation set: χ² = 5.901, p = 0.207). The calibration curve demonstrated good agreement between predicted and actual values, while decision curve analysis indicated a high net benefit. Conclusion: We successfully developed a regression model based on conventional MRI VASARI features to effectively predict Ki-67 expression levels in gliomas. This model may serve as a valuable tool for individualized treatment decision-making in glioma management.

1. 引言

胶质瘤是最常见的颅内原发肿瘤，占所有颅内恶性肿瘤的80% [1]，且近年来发病率呈逐年上升趋势[2] [3]。尽管胶质瘤在治疗方面取得了一定进展，但患者的５年生存率仍然很低[4]。2021年《世界卫生组织中枢神经系统肿瘤分类》强调了分子标志物在胶质瘤诊疗中的重要性[5]。肿瘤的特征性表现为细胞增殖失控，通常与基因异常密切相关。Ki-67是一种与DNA结合的核蛋白，仅存在于增殖细胞中，被认为是反映肿瘤细胞增殖活性的可靠生物标志物[6]。Ki-67表达水平的升高意味着肿瘤细胞的增殖活性增强，侵袭性加剧，恶性程度加重。在胶质瘤中，Ki-67的表达增高常被视为肿瘤进展的标志。识别Ki-67的关键因子，将可能为恶性胶质瘤的抗增殖治疗提供潜在的靶点。

活检是确定胶质瘤Ki-67表达水平的金标准，但由于其有创性、操作复杂且伴随并发症的风险较高，实际应用中存在一定局限。因此，术前无创评估脑胶质瘤Ki-67表达水平具有重要意义。磁共振成像凭借其优异的软组织分辨率、无电离辐射以及多方位、多参数的成像优势，在中枢神经系统疾病诊断中展现了极大的价值。当前，国内外已有研究基于MRI对脑胶质瘤患者的Ki-67表达进行了探索，主要集中于人工智能及MRI新技术领域[7]-[12]，然而，此类研究目前仍处于探索阶段，尚未实现临床广泛应用，临床工作中胶质瘤的术前评估仍然依赖于常规MRI。

基于常规MRI，通过肉眼量化的影像特征，在术前评估生物标志物方面具有重要价值。癌症基因组图谱计划(the cancer genome atlas, TCGA)提出了视觉可识别伦勃朗图像(visuallyaccessible rembrandt images, VASARI)的定量语义特征集，规定了30个形态学特征的标准化描述[13]。本研究基于常规MRI提取视觉可识别的VASARI特征，旨在构建一种术前脑胶质瘤Ki-67表达水平的预测模型，为临床决策提供科学依据。

2. 资料与方法

2.1. 一般资料

本研究为回顾性研究，纳入了2013年10月至2020年10月期间于我院就诊的脑胶质瘤患者，所有患者均经过手术病理确诊。具体纳入标准如下：1) 术前1周内行颅脑MR检查，至少包括T1WI、T2WI、T2-液体反转恢复序列(fliud attenuated inversion recovery, FLAIR)、弥散加权成像(diffusion weighted imaging, DWI)、对比增强T1WI (contrast-enhanced T1 weighted imaging, CE-T1WI)；2) 患者行颅脑MR检查前未接受任何治疗；3) 术后经免疫组化分析获取Ki-67表达指数。排除标准：1) 合并其他肿瘤；2) 图像质量较差(信噪比 < 1)，干扰影像学特征评估；3) 病理质量较差或结果缺失。最终共纳入241名患者。

所有入组患者均在手术切除后一周内通过免疫组织化学法(Envision法)来进行Ki-67的测量，计算阳性染色的恶性细胞占细胞总数的百分比，即标记指数(Labeling index, LI)，LI = 阳性细胞数/细胞总数 × 100%。参考既往研究[14]，我们将所纳入患者依据Ki-67标记指数分为两组，Ki-67低表达组(Ki-67 ≤ 10%)和Ki-67高表达组(Ki-67 > 10%)。其中Ki-67高表达胶质瘤患者165例，Ki-67低表达胶质瘤患者76例。所有患者按照7:3的比例随机分为训练集(n = 168)和验证集(n = 73)。本研究经青岛大学附属医院伦理委员会审核批准，豁免患者知情同意，批准文号：WZLL 28165。

2.2. 检查方法

采用GE 3.0T磁共振扫描仪及8通道头部相控阵正交线圈对患者进行扫描。扫描序列包括T1WI、T2WI、FLAIR、DWI及T1WI增强等。扫描参数：T1WI：TR 2275 ms，TE 20 ms；T2WI：TR 2500 ms，TE 100 ms；T2WI-FLAIR：TR 8000 ms，TE 120 ms；DWI：TR 5000 ms，TE 70 ms；T1WI增强扫描：TR 2250 ms，TE 24 ms；层厚5 mm，层间距1 mm，FOV 230 mm × 230 mm。T1WI增强扫描对比剂使用Gd-DTPA，静脉团注，注射剂量为0.2 mL/kg，流率为3.0 mL/s，行轴位、冠状位和矢状位扫描。

2.3. 影像学特征评估

由两名具有5年以上工作经验的放射科诊断医师，在事先未获知患者临床及病理信息的前提下，分别分析MRI图像并提取VASARI定量特征信息。若两位医师意见不一致，将邀请第三名资深诊断医师进行讨论并达成共识。

参考VASARI特征及既往研究[15] [16]，本研究共纳入以下22个常规MRI特征：肿瘤直径(轴位图像中的最长径与最短径的平均值)，病灶部位，强化程度，强化边界，卫星灶，多灶性，坏死，出血，囊变，中线结构移位，水肿形态，水肿程度，肿瘤跨中线，瘤周水肿跨中线，T1/FLAIR比例，肿瘤壁厚，软脑膜受累，室管膜受累，皮层受累，深部皮质受累，T2/FLAIR错配，弥散受限。

2.4. 统计学方法

正态分布变量以均值 ± 标准差表示，分类变量以例数(百分比)表示。组间比较分别采用t检验，χ²检验或Fisher确切概率法进行。变量筛选过程中，首先进行单因素Logistic回归分析，选取单因素分析中p < 0.1的变量纳入多因素Logistic回归模型，并应用向后逐步回归法筛选变量。基于多因素Logistic回归结果构建列线图，并绘制ROC曲线、校准曲线以及DCA曲线验证模型效能。p < 0.05 (双侧)表示差异有统计学意义。所以分析采用R 4.3.0软件进行。

3. 结果

3.1. 训练集与验证集基线资料比较

训练集中有117例Ki-67高表达的胶质瘤和51例Ki-67低表达的胶质瘤，验证集中有48例Ki-67高表达的胶质瘤和25例Ki-67低表达的胶质瘤，差异无统计学意义(p > 0.05)。两数据集之间患者年龄(p = 0.291)、性别(p = 0.773)、WHO分级(p = 0.612)、肿瘤位置(p = 0.054)均无统计学意义，见表1。

Table 1. Comparison of clinical data between train and validation dataset

表1. 训练集与验证集基线资料对比

指标	Total (n = 241)	训练集 (n = 168)	验证集 (n = 73)	t, χ^2	p
年龄(岁)	49.67 ± 13.00	50.26 ± 12.67	48.33 ± 13.72	t = 1.058	0.291
性别，n (%)				χ^2 = 0.083	0.773
女性	99 (41.08)	68 (40.48)	31 (42.47)
男性	142 (58.92)	100 (59.52)	42 (57.53)
WHO分级，n (%)				χ^2 = 0.983	0.612
2	76 (31.54)	51 (30.36)	25 (34.25)
3	61 (25.31)	41 (24.40)	20 (27.40)
4	104 (43.15)	76 (45.24)	28 (38.36)
Ki-67, n (%)				χ^2 = 0.357	0.550
高表达	165 (68.46)	117 (69.64)	48 (65.75)
低表达	76 (31.54)	51 (30.36)	25 (34.25)
位置，脑叶(%)				-	0.054
额叶	116 (48.13)	73 (43.45)	43 (58.90)
颞叶	79 (32.78)	58 (34.52)	21 (28.77)
岛叶	7 (2.9)	7 (4.17)	0 (0.00)
顶叶	17 (7.05)	14 (8.33)	3 (4.11)
枕叶	5 (2.07)	2 (1.19)	3 (4.11)
脑干	6 (2.49)	6 (3.57)	0 (0.00)
小脑	11 (4.56)	8 (4.76)	3 (4.11)

3.2. 单因素Logistic回归分析及多因素Logistic逐步回归分析

将单因素Logistic回归分析p < 0.1的影像学特征纳入多因素Logistic逐步回归分析，采用向后逐步回归分析，按照最小赤池信息准则(Akaike Information Criterion, AIC)选择最优模型，最终获得3个MR特征：肿瘤强化程度、肿瘤是否跨中线、弥散受限程度，见表2。

Table 2. Univariate and multivariate Logistic regression analysis of Ki-67 in brain gliomas

表2. 脑胶质瘤Ki-67指数的单因素及多因素Logistic回归分析结果

特征	单因素回归分析			多因素回归分析
	Beta	OR (95%CI)	p	Beta	OR (95%CI)	p
肿瘤直径	0.38	1.46 (1.20~1.78)	<0.001
部位
左侧		1.00
右侧	0.17	1.18 (0.61~2.27)	0.619
中线区	−1.01	0.36 (0.11~1.18)	0.092
强化程度
无强化		1.00			1.00
轻度强化	1.85	6.33 (2.07~19.40)	0.001	1.76	5.80 (1.67~20.11)	0.006
明显强化	3.59	36.19 (12.90~101.51)	<0.001	2.95	19.06 (5.04~72.13)	<0.001
强化边界
清晰		1.00
不清晰	−0.09	0.92 (0.39~2.16)	0.842
无强化(不适用)	−3.09	0.05 (0.02~0.14)	<0.001
卫星灶
有		1.00
无	−1.61	0.20 (0.07~0.55)	0.002
多灶性
单发		1.00
多发	−0.43	0.65 (0.16~2.69)	0.552
坏死
有		1.00
无	−2.29	0.10 (0.05~0.21)	<0.001
出血
无		1.00
有	0.98	2.67 (1.02~7.02)	0.047
囊变
有		1.00
无	−0.19	0.83 (0.42~1.65)	0.593
中线结构移位
有		1.00
无	−1.19	0.30 (0.12~0.75)	0.009
水肿形态
类圆形		1.00
不规则形	0.89	2.44 (1.18~5.04)	0.016
无水肿(不适用)	−1.43	0.24 (0.07~0.83)	0.024
水肿程度(水肿范围/肿瘤范围)
轻度水肿(比值 ≤ 1/2)		1.00
中度水肿(1/2 ≤ 比值 ≤ 1)	1.01	2.75 (1.30~5.83)	0.008
高度水肿(比值 ≥ 1)	1.59	4.89 (1.31~18.31)	0.018
无水肿(比值为0)	−1.47	0.23 (0.07~0.76)	0.016
肿瘤跨中线
无		1.00			1.00
有	0.83	2.28 (1.05~4.99)	0.038	1.64	5.15 (1.72~15.46)	0.003
瘤周水肿跨中线
无		1.00
有	0.03	1.03 (0.47~2.23)	0.949
T1/FLAIR比例
近似		1.00
小于FLAIR	−0.79	0.46 (0.22~0.94)	0.035
明显小于FLAIR	−1.04	0.35 (0.06~2.20)	0.265
肿瘤壁厚
薄壁 < 3 mm，均匀		1.00
厚壁 > 3 mm，壁结节	0.11	1.11 (0.12~10.33)	0.926
实性，明显强化	−0.51	0.60 (0.06~6.21)	0.668
无或模糊	−2.91	0.05 (0.01~0.49)	0.009
软脑膜受累
无		1.00
有	1.93	6.87 (2.53~18.63)	<0.001
室管膜受累
无		1.00
有	1.23	3.42 (1.10~10.59)	0.033
皮层受累
无		1.00
有	0.44	1.55 (0.72~3.34)	0.262
深部白质受累
有		1.00
无	−0.69	0.50 (0.27~0.94)	0.031
T2/FLAIR错配
无		1.00
有	−2.26	0.10 (0.03~0.32)	<0.001
弥散受限
无受限		1.00			1.00
弥散受限	2.72	15.17 (6.76~34.01)	<0.001	1.44	4.24 (1.30~13.75)	0.016
不明确(模糊)	0.48	1.61 (0.50~5.16)	0.421	−0.77	0.46 (0.11~1.96)	0.295

3.3. 预测模型的构建与可视化

经过Logistic回归分析得出联合预测因子Y = −3.41 + 1.76轻度强化 + 2.95明显强化 + 1.64肿瘤跨中线 + 1.44弥散受限 − 0.77弥散不明确(模糊)。根据上述预测模型构建列线图对模型进行可视化，见图1。

Figure 1. Nomogram for predicting Ki-67 in brain gliomas

图1. 脑胶质瘤Ki-67指数的预测模型列线图

Figure 2. The ROC curve and AUC of the prediction model in the training and validation sets

图2. 预测模型在训练集和验证集的ROC曲线及AUC值

Figure 3. The calibration curves of the prediction model in the training and validation sets

图3. 预测模型在训练集和验证集的校准曲线

Figure 4. The DCA curves of the predication model in the training and validation sets

图4. 预测模型在训练集和验证集的临床决策曲线

参照每个影像学特征上方的标准量尺，可以得到该特征所得到的分数，各个特征的分数相加得到最终的总分，从总分向下对应，即可得到患者脑胶质瘤Ki-67表达水平的概率。

3.4. 预测模型的验证

通过绘制ROC曲线、校准曲线及DCA曲线并进行Hosmer-Lemeshow检验对模型进行验证。结果显示：训练集AUC为0.886 (0.834~0.938)，验证集AUC为0.848 (0.756~0.941)，表明预测模型具有较好的区分度，见图2；Hosmer-Lemeshow检验结果显示模型具有良好的拟合度(训练集χ² = 3.727，p = 0.444，验证集χ² = 5.901，p = 0.207)；校准曲线显示训练集与验证集中预测值与理论值走行一致、接近，表明模型具有较高的校准度，见图3；DCA曲线表明模型曲线具有较高的净收益，见图4。

4. 讨论

胶质瘤是中枢神经系统中最常见的原发性肿瘤，具有高发病率和高死亡率的特点。Ki-67蛋白的表达水平是评价胶质瘤增殖活性和预测患者预后的一个关键指标[17]，高水平的Ki-67表达通常意味着肿瘤细胞增殖活性较强，患者的生存期较短[18]。因此，术前无创评估脑胶质瘤的Ki-67表达水平具有重要的临床价值。作为一种无创手段，MRI凭借其多参数成像功能，已成为中枢神经系统肿瘤的首选检查工具。尽管磁共振功能成像技术较常规MRI能提供更丰富的诊断信息，但其图像采集过程相对复杂、后处理过程较为繁琐、图像空间分辨率较低、扫描时间长，这些因素限制了其在临床上的广泛应用。此外，一些基层医院难以满足功能性成像对仪器设备的要求。基于常规MRI图像制定的VASARI特征集[19]，为胶质瘤的诊断提供了统一且规范的标准。该特征集由多个机构经验丰富的放射学专家共同制定和验证，以病变位置、形态、边缘、周围及远处改变作为分类标准[13]，具有较好的可重复性和临床应用价值，为胶质瘤的无创术前诊断提供指导。因此，本研究采用的是常规磁共振成像的图像，通过单因素及多因素Logistic回归分析，按照最小AIC原则选择了脑胶质瘤Ki-67表达水平的3个独立预测因素：肿瘤强化程度、肿瘤是否跨中线、弥散受限程度。

脑肿瘤的强化程度与血脑屏障的破坏密切相关，Ki-67表达水平较高的肿瘤通常具有较高的恶性程度和侵袭性，更易造成血脑屏障的破坏，从而出现明显的强化[20]。强化的程度被认为是胶质瘤恶性进展的重要标志[21]。在本研究中，强化程度被证实为Ki-67高表达的独立危险因素，与现有理论相符。钱丽霞等[22]研究发现脑胶质瘤患者在增强T1WI图像中的强化程度与Ki-67表达水平呈正相关。Gates等[23]基于MR图像建立了Ki-67表达图用以指导立体定向活检，其结果显示Ki-67高表达往往出现在肿瘤强化区域。这些研究结果进一步证明了脑胶质瘤的强化程度与Ki-67表达之间的密切联系。Ki-67高表达胶质瘤具有更高的侵袭性。Asari等[24]的研究证实了不同恶性程度的胶质瘤MRI特征存在差异，他们的病例中低级别与高级别的胶质瘤跨中线生长情况不同，结果与我们的研究相似。此外，本研究还观察到弥散受限是Ki-67表达水平的独立预测因素，DWI是通过测量水分子的弥散状态来进行的[25]，Ki-67高表达的胶质瘤生长活跃，细胞密度与核质比例高，细胞内含水量高于细胞外间隙，因此其DWI信号较高，ADC值相对较低。既往国内外已有多项研究[26]-[28]均证明了弥散受限在Ki-67表达水平评估中的价值。

本研究基于肿瘤强化程度、肿瘤是否跨中线、弥散受限程度3个常规MRI VASARI特征，构建了预测模型并进行验证。结果显示训练集与验证集ROC曲线的AUC分别为0.886和0.848，表明该预测模型具有较高的区分度，诊断效能与同类研究相当[12]。此外，本研究将该预测模型可视化为列线图，方便临床医生直观评估脑胶质瘤患者Ki-67高表达的风险。验证结果也表明，该模型在校准度和临床净收益方面均表现良好。本研究为预测脑胶质瘤Ki-67表达水平提供了一种便捷、全面且非侵入性的评估手段，有望辅助优化诊疗方案。

本研究主要有以下不足：1) 本研究为单中心回顾性研究，尽管所有纳入的患者都严格符合纳排标准，但仍然难以控制混杂因素，例如患者的治疗史等，这些因素可能影响Ki-67的表达水平，从而影响模型的准确性。未来需要多中心、前瞻性的验证；2) 本研究的影像学特征由医师主观评估，尽管两位医师进行了评估并通过第三位医师进行仲裁，但VASARI特征的提取仍依赖于医师的主观判断，依然无法完全避免主观判断的偏差；3) 本研究中Ki-67表达指数的获取依赖于病理检查时所取的组织，病理取材位置的精确性可能会使部分患者的Ki-67表达水平存在高估或低估的情况。因此，我们应继续扩大样本量进行多中心研究并增加外部验证。同时，VASARI特征可结合其他功能性成像参数，建立联合预测模型，探索联合预测与单一预测模型的差异和效果，这将是未来研究的一个重要方向。

5. 研究结论

基于肿瘤强化程度、肿瘤是否跨中线、弥散受限程度3个常规MRI VASARI特征构建的预测模型预测效能良好，对术前无创预测脑胶质瘤的Ki-67表达水平具有一定临床参考价值。

致 谢

感谢本次科研及论文写作过程中导师及科室同事的指导和大力支持。

利益冲突

所有作者声明不存在利益冲突。

NOTES

^*通讯作者。