近日，《表型组学》（Phenomics）在线发表了复旦大学华山医院任彦课题组与复旦大学类脑智能科学与技术研究院张孝勇课题组题为“Deep Learning-Assisted Quantitative Susceptibility Mapping as a Tool for Grading and Molecular Subtyping of Gliomas”的研究论文。

扫二维码｜查看原文论文DOI链接：

https://link.springer.com/article/10.1007/s43657-022-00087-6

论文pdf链接：
https://link.springer.com/content/pdf/10.1007/s43657-022-00087-6.pdf?pdf=button
引用格式：
Rui, W., Zhang, S., Shi, H. et al. Deep Learning-Assisted Quantitative Susceptibility Mapping as a Tool for Grading and Molecular Subtyping of Gliomas. Phenomics 3, 243–254 (2023). https://doi.org/10.1007/s43657-022-00087-6
该研究通过使用深度学习的inception-CNN算法，利用了多模态MRI胶质瘤的弱标注（仅在单一层面标注肿瘤）实现了对于胶质瘤的分级以及分子分型（IDH1突变和ATRX表达缺失），揭示了深度学习在助力胶质瘤分类任务中的潜力，确定了深度学习辅助定量磁化率成像在胶质瘤分级和分子亚型鉴定中的价值，并为MRI图像分类提供了一个潜在的深度学习工具。
（GBM:多形性胶质母细胞瘤；OGG:其他级别胶质瘤；LGG：低级别胶质瘤；HGG：高级别胶质瘤）
研究背景
胶质瘤是最常见的原发性颅内肿瘤，占所有恶性脑肿瘤的 81%。世界卫生组织（WHO）中枢神经系统肿瘤分类标准将胶质瘤分为1至4级，分别表示不同的恶性程度，4级恶性程度最高。不同级别的胶质瘤患者接受不同的手术计划、放射治疗和辅助化疗策略。异柠檬酸脱氢酶（IDH）突变和X 连锁α地中海贫血/精神发育迟滞蛋白（ATRX） 缺失的存在对胶质瘤的诊断和治疗至关重要。组织病理学、免疫组织化学和/或测序是用于胶质瘤分级和分子亚型诊断的主要方法，但所有这些方法都是侵入性检查，需要手术获取组织标本。目前，定量磁化率成像（QSM）已成为一种敏感可靠的磁共振（MRI）定量技术，用于检测人体组织的铁含量。近年来，以卷积神经网络（CNN）为代表的深度学习（DL） 方法在肿瘤分型方面取得了一定进展，但基于QSM影像特征的研究尚不多见。该研究旨在探索DL辅助QSM在胶质瘤分级和分子亚型鉴定中的价值。
研究方法

该研究纳入了 42 例接受术前 T2 FLAIR、增强 T1WI（T1WI+C）和 QSM磁共振扫描（场强3.0 Tesla）的胶质瘤患者；采用组织病理学和免疫组化染色确定胶质瘤的分级，以及IDH1 和ATRX亚型；使用 Insight Toolkit-SNAP对肿瘤进行手动标注；设计具有若干个 Inception层的CNN作为训练编码器（图1），从 MRI 切片中捕获多尺度特征，采用五倍交叉验证作为训练策略；训练集、验证集和测试集的样本大小比为 4：1：1；性能通过准确度和AUC(ROC曲线下面积）进行评估。

图1:同一受试者的图像切片在通道维度上进行连接作为多模态的输入。只有一层的切片标注有肿瘤掩模作为弱标注，该掩模输入到 Inception-CNN 进行监督，相邻的切片输入到共享权重编码器以获得相近的输出

研究结果

该研究对于脑MRI胶质瘤进行了多个分类任务的测试。首先是Inception-CNN在不同的单模态上的表现能力，从表1可以看出QSM相对于其它的一些方法有着明显的性能提升。而后，为了证明QSM图像特征的价值，我们将自动提取的一些影像学特征与非图像学特征输入分类器，进行Shapley 值分析，从图2可以看出QSM的重要程度远高于其它的模态，而影像学特征也远重要于非影像学特征。同样，使用t-SNE对于提取的特征进行降维的可视化，从图3显示QSM的聚类效果是优于其它的模态的。表2总结了不同的模态混合的结果，显示多模态的效果优于单模态的效果，其原因可能是多模态提供了丰富的语义信息。最后，Inception-CNN方法与其它的基准方法比较的结果显示了Inception-CNN方法的有效性（图4、图5）。
表1: 利用Inception-CNN进行脑胶质瘤分级和分子亚型预测时，不同磁共振成像模态的性能比较。通过五倍交叉验证进行模型评估。

图2: Inception 网络提取的影像特征与非图像特征（性别，年龄）结合，用于胶质瘤分类时的Shapley 值分析，用于评价Inception网络提取的各图像特征和非图像特征对于四个分类任务（a-d）的重要性（a 为 OGG/GBM，b 为 LGG/HGG，c 为 IDH1（±），d 为 ATRX（±））

图3: t-SNE可视化了四个脑胶质瘤分类任务（a 为 OGG / GBM，b 为 LGG / HGG，c 为 IDH1（±），d 为 ATRX（±））的模态（T1WI，T2 FLAIR 和 QSM）特征分布

表2: 多模态 MRI 图像组合对于胶质瘤分级和分子亚型识别的性能指标

图4: 五折 ROC 曲线显示了将三种 MRI 模态结合，使用该研究提出的方法在四个脑胶质瘤分类任务上的表现（a 代表 OGG/GBM，b 代表 LGG/HGG，c 代表 IDH1（±），d 代表 ATRX（±））。阴影范围表示五折交叉验证的标准差。

图5:基于不同算法（GLM、SVM 和三层卷积 CNN）和inception-CNN（该文使用方法）辅助三个模态的 MRI 在四个分类任务中进行分类的结果，该文方法的表现优于其他算法

研究结论
与其它算法相比，Inception-CNN 辅助定量QSM在胶质瘤分级和分子亚型分型方面具有明显优势。
Abstract
This study aimed to explore the value of deep learning (DL)-assisted quantitative susceptibility mapping (QSM) in glioma grading and molecular subtyping. Forty-two patients with gliomas, who underwent preoperative T2 fluid-attenuated inversion recovery (T2 FLAIR), contrast-enhanced T1-weighted imaging (T1WI + C), and QSM scanning at 3.0T magnetic resonance imaging (MRI) were included in this study. Histopathology and immunohistochemistry staining were used to determine glioma grades, and isocitrate dehydrogenase (IDH) 1 and alpha thalassemia/mental retardation syndrome X-linked gene (ATRX) subtypes. Tumor segmentation was performed manually using Insight Toolkit-SNAP program (http://www.itksnap.org). An inception convolutional neural network (CNN) with a subsequent linear layer was employed as the training encoder to capture multi-scale features from MRI slices. Fivefold cross-validation was utilized as the training strategy (seven samples for each fold), and the ratio of sample size of the training, validation, and test dataset was 4:1:1. The performance was evaluated by the accuracy and area under the curve (AUC). With the inception CNN, single modal of QSM showed better performance in differentiating glioblastomas (GBM) and other grade gliomas (OGG, grade II–III), and predicting IDH1 mutation and ATRX loss (accuracy: 0.80, 0.77, 0.60) than either T2 FLAIR (0.69, 0.57, 0.54) or T1WI + C (0.74, 0.57, 0.46). When combining three modalities, compared with any single modality, the best AUC/accuracy/F1-scores were reached in grading gliomas (OGG and GBM: 0.91/0.89/0.87, low-grade and high-grade gliomas: 0.83/0.86/0.81), predicting IDH1 mutation (0.88/0.89/0.85), and predicting ATRX loss (0.78/0.71/0.67). As a supplement to conventional MRI, DL-assisted QSM is a promising molecular imaging method to evaluate glioma grades, IDH1 mutation, and ATRX loss.

复旦大学附属华山医院芮文婷、复旦大学类脑智能科学与技术研究院博士生张圣杰及复旦大学附属华山医院施惠东为共同第一作者；复旦大学附属华山医院任彦副主任医师、类脑智能科学与技术研究院张孝勇青年研究员为本文共同通讯作者。本研究得到国家自然科学基金面上项目及上海市科委基金等项目的资助与支持。

通讯作者任彦

任彦博士，副主任医师，复旦大学附属华山医院放射科。致力于中枢神经系统肿瘤影像学诊断和临床应用研究，系华山医院神经肿瘤多学科专家诊疗团队主要成员。中华医学会放射学会医工交叉学组成员、上海抗癌协会神经肿瘤专委会员、上海市生物医学工程学会智慧医学诊断专委会委员以及上海市中西医结合学会医学影像专业委员会儿科学组委员。2013-2016年博士毕业于复旦大学附属华山医院影像医学与核医学专业。2011年-2013年期间曾先后于美国南加州大学Keck医学院医学中心、洛杉矶儿童医院和加州大学戴维斯分校大学医院放射科访问学习。目前主要从事脑胶质瘤多模态磁共振成像与胶质瘤分子生物学特性的相关性研究以及人工智能辅助下脑胶质瘤分子亚型磁共振诊断分类研究。近年来主持完成上海市科学技术委员会课题一项，以第一或通讯作者发表European Radiology，Journal of Magnetic Resonance Imaging，Neuroradiology等杂志相关研究论文10余篇。 

张孝勇

张孝勇博士，现任复旦大学青年研究员，中国图象图形学会脑图谱专委会委员，中华放射学会国际交流工作组委员，中国老年学和老年医学学会慢病远程与智能管理分会常务委员。研究方向主要聚焦在大脑的磁共振成像、人工智能分析及分子影像研究，重点关注神经系统疾病大脑微环境的可视化及脑影像数据驱动的机器学习算法。在磁共振代谢成像技术及医学图像处理领域做出了若干原创性贡献。已发表学术论文50余篇，其中以通讯作者/第一作者发表学术论文30余篇，代表性成果发表在Medical Image Analysis，IEEE Transactions on Medical Imaging，Advanced Science 及 Cancer Research等权威学术期刊。研究成果曾被国际医学磁共振学会（ISMRM）以研究亮点报道。作为课题负责人主持多项国家自然科学基金项目及上海市项目，并以研究骨干参与国家自然科学基金重大项目、集成项目等。

Phenomics期刊简介

Phenomics是一本新创的同行评审国际期刊，聚焦表型组学前沿研究，搭建全球表型组学领域专家交流的国际平台，推动该领域相关的理论创新和学科发展。

本期刊拥有强大的国际编委团队，复旦大学金力院士担任主编，美国系统生物学研究所Leroy Hood院士、澳大利亚莫道克大学Jeremy Nicholson院士、德国莱布尼兹环境医学研究所Jean Krutmann院士、复旦大学唐惠儒教授共同担任副主编，复旦大学丁琛教授担任执行主编，另有来自全球多国的三十多位著名科学家共同组成编委团队，以及四十多位青年科学家组成青年编委团队。

我们诚挚地邀请广大科研人员投稿！ 

Phenomics官网：https://www.springer.com/journal/43657

投稿链接：https://www.editorialmanager.com/pnmc/

编辑部邮箱：phenomics@ihup.org.cn、phenomics@fudan.edu.cn

欢迎关注Phenomics官方公众号

文章来源：人类表型组计划公众号