T1- t2加权信号强度比与T1-和t2 -松弛时间的相关性IDH胶质瘤中的突变状态

遗传特征是神经胶质瘤患者必不可少的诊断工作，作为手术前预测IDH突变状态有助于选择最合适的治疗策略。对于预后不良的idh -野生型(IDHwt)胶质瘤，应寻求快速和积极的手术干预¹．相比之下，对于idh突变(IDHmt)世界卫生组织(WHO) 2级和3级胶质瘤(低级别胶质瘤:LrGGs)来说，在最大切除和保持日常生活质量之间找到最佳平衡是至关重要的，因为这些胶质瘤的预后更好^{1，2，3.，4，5}．研究团体一直在努力开发能够预测疾病的非侵入性成像技术IDH胶质瘤的突变状态，包括磁共振波谱(MRS)^6，7，8灌注和扩散加权磁共振成像(MRI)^9，10以及利用传统核磁共振成像进行机器学习^5，11，12．尽管这些技术主要依赖于定量或半定量的MRI测量，定性成像特征，如“T2流体衰减反转恢复(FLAIR)不匹配标志”已被证明是预测的强大成像替代标记IDH在组织学上表现为lrgg的肿瘤中的突变状态^13，14，15．这些定性成像特征来自放射学定量测量，如T1和t2弛豫时间^15，16．理想情况下，组织松弛时间应直接通过MR松弛仪测量;然而，由于需要额外的扫描时间，这尚未纳入常规成像方案。

传统MRI的t1加权(T1W)与T2加权(T2W)信号强度之比(T1W/T2W之比:rT1/T2)已被报道为检测脑髓磷脂完整性的定量成像技术^17，18，19并且可能被用作组织松弛时间的成像替代物。本研究的目的是检验rT1/T2是预测的假设IDH组织学上lrgg的突变状态。

病人群

该研究得到了旭川医科大学医院机构审查委员会(批准号21041)和大阪国际癌症研究所(批准号1612065191)的批准。对于回顾性收集的数据，免除了书面知情同意的要求。为前瞻性招募队列中的患者提供了详细的解释，并获得了每位患者或其家属的书面知情同意。调查是按照所有有关的当地准则和条例进行的，并遵守《赫尔辛基宣言》的原则。

我们首先重新分析了先前发表的组织学LrGGs的T1和t2弛豫测量数据¹⁶并将这些T1和T2弛豫测量数据与rT1/T2进行比较(再分析队列，图2)。1）.使用MP2RAGE和多回声t2加权图像对9例胶质瘤患者进行T1和t2弛缓测量。因此，我们可以获得这9例患者的T1和T2松弛测量以及rT1/T2数据，并在排除1例K27M突变肿瘤患者后将其中8例患者的数据纳入我们的分析¹⁶．

然后，我们准备了一组新的三个队列，并进行了两个阶段的研究(图2)。1）.第一队列(探索性队列)包括25例组织学和分子组织学证实的LrGGs (IDHwt: 8, IDHmt: 17)，在旭川医科大学医院(AMUH)接受治疗。第二和第三队列被用作验证队列。验证队列1包括来自大阪国际癌症研究所(OICI)的29名患者(IDHwt: 13, IDHmt: 16)，验证队列2包括来自癌症影像档案(TCIA)/癌症基因组图谱(TCGA)低级别胶质瘤收集数据集的101名患者(IDHwt: 19, IDHmt: 82)，于2020年2月1日访问^20.，21．验证队列1可视为“国内”验证队列，验证队列2可视为“国际”验证队列。

病理诊断依据2016年WHO中枢神经系统肿瘤分类²²．根据2021年世卫组织分类系统，目前队列中的IDHwt肿瘤无法完全表征，如分子分析叔启动子突变,表皮生长因子受体没有进行基因扩增和+ 7/−10染色体拷贝数改变。纳入标准为T1WI和T2WI的可用性。排除了图像配准失败或图像不充分或不典型(如肿瘤出血)的患者。表格S1提供所有三个队列的详细信息。

基因分析

两个实验室对神经胶质瘤组织进行了遗传分析:日本旭川医科大学病理学系，用于探索性队列;以及日本大阪大阪国立医院临床研究所生物医学研究与创新部，作为验证队列1。免疫生物学检测IDH1对探索性队列进行Sanger测序，检测热点突变IDH1/2的密码子132IDH1密码子172IDH2)验证队列1^3.．的IDH肿瘤在TCIA/TCGA数据集中的突变状态从Ceccarelli等人的报告中获得。²³．

T1w/T2w (rT1/T2)图像重建

表格S1详细列出了MRI采集参数。探索性队列中的大多数图像使用通用电气3t扫描仪(芝加哥，伊利诺伊州，美国)获得，验证队列1中的图像使用西门子3t扫描仪(德国埃尔兰根)获得。TCIA队列(验证队列2)的图像由不同MRI供应商的1.5和3t扫描仪获得。使用Mango软件(版本4.0.1;德克萨斯大学健康科学中心，https://ric.uthscsa.edu/mango/mango.html(于2022年3月6日访问)。我们使用了一种内部成像软件，该软件包含了从T1WI和T2WI重建rT1/T2图像的算法²⁴．计算rT1/T2的算法和MATLAB代码可以从Ganzetti等人开发的SPM12开源工具箱中获得(https://www.nitrc.org/projects/mrtool/(于2022年3月6日访问)¹⁸．Ganzetti等人之前报道了重建分析的细节。¹⁸．首先使用SPM12对原始T1WI和T2WI进行偏置场校正(https://www.fil.ion.ucl.ac.uk/spm/(于2022年3月6日访问)。然后根据从脑脊液、骨骼和软组织等非脑组织中提取的强度调整强度直方图。最后，使用NIfTI“扫描仪-解剖”坐标系，对处理后的T2WI进行共配准并除以处理后的T1WI生成rT1/T2图像(图2)。2）.

MP2RAGE和多回波T2WI的T1、t2弛豫测量

在3t MR扫描仪(Prisma;西门子医疗，埃尔兰根，德国)。将MP2RAGE图像转换为t1松弛时间图，进行t1松弛测量。通过将多回波t2加权图像转换为t1松弛时间图进行t2松弛测量。在这两种情况下，松弛测量通过贝叶斯推理建模(Olea Nova+;佳能医疗系统，枥木，日本)。进一步的技术细节已在之前报道过¹⁶．

兴趣体素(VOIs)分割及平均rT1/T2计算

作者1具有6年神经外科经验，在ITK-SNAP软件(版本3.8.0，http://www.itksnap.org(于2022年3月6日访问)。在t2wi上设计voi，以视觉识别病理高强度区域，尽可能避免模糊和模糊异常病变(图2)。S1）.最后一位作者，有22年的神经外科经验，然后评估了voi并确定了它们的位置或要求修改(发生在5个voi中)(表1)S1）.这些voi (TCIA-00067、TCIA-00071、TCIA-00110、TCIA-00111、TCIA-00113)的Dice相似系数在0.52 ~ 0.81之间。使用NIfTI“一般仿射变换”坐标系对T2WI进行该操作。

在NIfTI“扫描-解剖”坐标系下，每张rT1/T2图像与NIfTI“一般仿射变换”坐标系下的T2WI图像使用神经学研究中的体积成像进行共配准，包括共配准和roi (VINCI;德国科隆马克斯·普朗克神经学研究所，http://www.nf.mpg.de/vinci3/，于2022年3月6日访问)，以确保使用NIfTI“一般仿射变换”坐标系进行进一步分析(图2)。S2）.然后将三维voi应用于rT1/T2图像，计算voi内的平均rT1/T2 (mrT1/T2)(图2)。2）.当数据可用时，将VOIs应用于T1和t2弛豫时间图。

图像特征提取

根据上述方法提取T1WI和T2WI图像特征²⁵．T1WI和T2WI在截断上0.1%的信号后转换为256级灰度图像。由于rT1/T2图像本质上是定量的，因此没有对rT1/T2图像执行此程序。基于T1WI、T2WI和rT1/T2图像的voi内256级灰度直方图计算一阶纹理特征。在灰度共生矩阵(GLGM)和灰度运行长度矩阵(GLRLM)分析中测量二阶纹理特征。每张图像共提取了49个成像特征(表1)S2）.前面已经提供了提取的成像特征的详细信息²⁵．纹理特征仅用于比较队列之间的图像特征，而不用于预测IDH突变状态。这样的多参数变量需要庞大的训练数据集来建立可靠的预测模型。

统计和t分布随机邻居嵌入(t-SNE)分析

使用Prism 9 for macOS (GraphPad Software, San Diego, CA, USA)进行统计分析。mrT1/T2与IDH采用Mann-Whitney U检验和受试者工作特征(ROC)曲线分析研究突变状态。一个p-value小于0.05被认为是显著的。采用t分布随机邻域嵌入(t-SNE)分析研究三个队列之间MRI质量和特征的差异。本分析使用了带有默认参数的0.15版本的Rtsne包(表1)S3，S4,S5）²⁶．

松弛测量与rT1/T2的相关性

在LrGG组织学组织中T1-松弛时间和T2-松弛时间(分别缩写为T1-松弛和T2-松弛)与rT1/T2相关性的初步研究中，共对114,465个体素进行了体素分析。T1-和T2-弛豫与rT1/T2呈指数相关性(rT1/T2 = 1.63exp)^{−0.0005 t1-relax}+ 0.30, rT1/T2 = 1.27exp^{−0.0081 t2-relax}+ 0.48;R²= 0.64, 0.59)。3.A、B)。进一步比较IDHwt和IDHmt肿瘤体素的rT1/T2差异，发现IDHwt肿瘤体素的rT1/T2显著高于IDHmt肿瘤体素(中位数= 1.06 vs. 0.73);p< 0.0001)。3.C)。这些发现支持了进一步的研究，以验证rT1/T2作为预测肿瘤的影像学替代指标的假设IDH组织学上lrgg的突变状态。

测定rT1/T2截断值，区分LrGG的IDH突变状态

使用AMUH的探索性队列来探索和确定用于区分IDHwt和IDHmt肿瘤的平均rT1/T2 (mrT1/T2)的临界值。如图所示。4A, mrT1/T2在IDHwt肿瘤中显著高于IDHmt肿瘤(中位数= 0.74 vs. 0.66);p< 0.05)。ROC曲线分析显示，mrT1/T2鉴别IDHmt的最佳临界值为0.666 ~ 0.677，敏感性58.8%，特异性87.5% (AUC = 0.75);p< 0.05)。4B)。

rT1/T2截断值在国内和TCIA/TCGA数据集的验证

然后使用国内队列(来自OICI的验证队列1)和国际公共数据集(TCIA/TCGA队列)验证确定的mrT1/T2截断值。OICI队列验证了IDHwt和IDHmt肿瘤之间mrT1/T2的统计学差异(中位数= 0.83 vs. 0.63)。p= 0.02)。5A)。OICI队列的ROC分析显示AUC为0.75 (p= 0.02)，灵敏度为56.3%，特异性为69.2%，使用先前获得的检测IDHmt肿瘤的截止值(图2)。5B)。

在验证队列2 (TCIA/TCGA队列)中，IDHwt和IDHmt肿瘤之间的mrT1/T2无显著差异(p= 0.08)。6A)。验证队列2 (TCIA/TCGA队列)的ROC分析显示，使用先前获得的检测IDHmt LrGGs的截止值，灵敏度为42.7%，特异性为73.7% (AUC = 0.63，p= 0.08)。6B)。

原始图像特征对rT1/T2重构的影响

我们进一步研究了原始T1WI和T2WI图像特征对重建rT1/T2图像的影响。原始T1WI和T2WI的t-SNE分析显示探索性队列(AMUH队列)和验证队列(OICI队列)中的图像特征聚类，而验证队列2 (TCIA/TCGA队列)中的图像特征分散在t-SNE1和t-SNE轴上(图2)。7A).从T1WI和T2WI重建rT1/T2后，所有数据点的聚类更加密集(图2)。7B)，使AMUH和OICI队列的数据点更接近。然而，与两个国内队列相比，从TCIA/TCGA队列获得的数据点仍然分散。进一步分析发现，TCIA/TCGA队列数据点的分散部分归因于组成整个队列的机构的多样性(图2)。S3A)。从T1WI和T2WI重建rT1/T2不足以聚类所有数据点，这在亨利福特医院的数据中尤为明显(图2)。S3B)。

对整个队列的原始T1WI和T2WI特征以及rT1/T2特征的t-SNE分析无法区分IDH突变状态(图2)S4）.

与其他研究人员一起，我们报道了肿瘤组织的T1和t2弛豫特性与肿瘤组织的T1和t2弛豫特性密切相关IDHlrgg的突变状态^16，27．这些观察结果是通过采用传统的磁共振弛豫技术获得的^16，28或者通过新开发的磁共振指纹识别技术²⁹．然而，由于扫描时间方面的额外要求，这两种技术都尚未被纳入常规的LrGG成像研究¹⁶或序列和后处理优化^30.，31．相比之下，传统的结构MRI(即T1WI和T2WI)可以部分表征组织在射频诱导的核磁共振自旋极化后的弛豫特性。例如，T2-FLAIR错配标志利用了定量组织松弛特性所代表的常规结构MRI的定性成像特征，从而能够检测idh突变1p/19q完整肿瘤^{13，14，15，16}．

本研究旨在探索利用rT1/T2从定性常规结构MRI中检索定量数据的可能性，rT1/T2最初是作为脑内髓磷脂含量的成像替代方法提出的¹⁷．虽然确切的病理机制尚不清楚^19，32， rT1/T2检测多发性硬化症的相对较高的灵敏度表明，它可能适用于表征大脑内的组织微观结构³³．如图所示。3.rT1/T2与组织T1、T2弛豫时间呈良好的相关性。此外，在国内两组组织学LrGGs患者队列中，我们探索并验证了病变内rT1/T2均值可以区分IDHwt和IDHmt肿瘤，其敏感性为56%-59%，特异性为69-88%(图2)。4和5）.这些令人鼓舞的发现支持了rT1/T2可用于手术前测定的假设IDH组织学上LrGGs的突变状态，不进行组织松弛特性的直接测量。

然而，在国内队列(验证队列1)中获得的结果并没有在TCIA/TCGA队列(验证队列2)中得到重复(图2)。6）.虽然IDHmt肿瘤的rT1/T2低于IDHwt肿瘤的趋势得到了再现，但与国内队列相比，差异要小得多。我们认为这种差异是由于国内队列(探索性和验证性队列1)和TCIA/TCGA队列(验证性队列2)在图像质量和图像特征上的差异造成的。正如预期的那样，TCIA/TCGA队列比国内队列具有更大的图像特征多样性，可能是因为TCIA/TCGA队列包含来自美国四个不同医疗机构的图像(图2)。7和无花果。S3）³⁴．表格S1表明每个机构对MRI采集参数有不同的偏好，这可能会影响最终的分析。最近一项针对多发性硬化症患者rT1/T2的多中心临床研究结果证实了这一观点，该研究使用了不同场强的磁共振扫描仪。在整个队列中观察到rT1/T2的广泛变化，可能是由于输入数据的异质性³⁵．因此，使用rT1/T2进行预测IDH突变状态时，可能需要使用预设的MRI采集方案或机构相关的截止值。

必须解决本研究的几个局限性。首先，国内两个队列的样本量相对较小，IDHwt和IDHmt在三个队列中的分布存在差异。这种分布差异可能是TCIA/TCGA队列中截断值无法验证的原因。理想情况下，一个具有较大样本量和肿瘤均匀分布的队列IDH突变状态是验证我们发现的必要条件。二是总体敏感性和特异性不高，临床常规应用不能接受。由于数据不足，目前的回顾性研究无法整合其他成像方式进行分析;然而，将rT1/T2与扩散和灌注MRI相结合可能会提高诊断的准确性，这方面的研究应在未来进行。例如，最近的一项研究提出了弥散和灌注MRI相结合的概念IDH突变检测，但需要外部验证³⁶．第三，如Ganzetti等人所述，rT1/T2重建过程中的一些手术非常复杂。¹⁸，尤其是图像强度归一化。本研究中使用的归一化方法使用非脑组织(包括脑脊液、骨骼和软组织)校准图像强度;然而，深度学习等其他方法可以为改善rT1/T2分析提供潜在的解决方案³⁷．最后，最近深度学习和人工智能的快速发展提高了诊断的准确性IDH胶质瘤的突变状态，报道的敏感性和特异性分别为0.88和0.86¹²，这比本研究的结果要高得多¹²．最合适的机器学习算法还有待确定。因此，仅通过T1WI和T2WI重建rT1/T2的简单性仍然具有吸引力，尽管需要进一步改进和验证。

本研究结果表明，组织学上LrGGs的rT1/T2与T1和T2松弛时间密切相关。国内两个队列rT1/T2均值能够区分IDHwt和IDHmt肿瘤，差异均有统计学意义。然而，由于原始TCIA/TCGA队列中影像学特征的多样性，这一结果并未在原始TCIA/TCGA队列中得到验证。