APP下载

基于MRI-T1增强影像组学特征分析预测脑膜瘤p53基因表型

2021-06-21欧阳治强李倩孙学进鲁毅

放射学实践 2021年6期
关键词:特征模型

欧阳治强, 李倩, 孙学进, 鲁毅

脑膜瘤(meningioma)起源于脑膜上皮细胞,约占所有颅内肿瘤的37%[1]。2016年WHO中枢神经系统肿瘤分类将其分为Ⅲ级15个亚型,不同级别、不同亚型的脑膜瘤有着不同侵袭性、复发率和临床预后[2]。目前,WHO分级系统已成为影响脑膜瘤临床治疗方案制定以及预后评估关键因素,但仅依赖该分级系统还不足以让临床医生完全掌握脑膜瘤复杂生物学行为,这是因为脑膜瘤存在丰富变异性,组织学上不同亚型良性脑膜瘤即使在完全切除后也可能变异成为非典型或间变型等高级别亚型,进而表现出高复发风险和较差的临床预后[3-4],而想要了解这些复杂生物学行为就必须对脑膜瘤基因分子学特征进行研究。p53基因作为人类最重要的抑癌基因,其突变所涉及肿瘤类型极为广泛,研究表明人类50%以上的肿瘤组织中存在p53基因突变[5],包括肝癌、乳腺癌、胃癌和前列腺癌等,而脑膜瘤作为颅内最常见的肿瘤之一,其肿瘤大小、恶性程度、复发率及预后均与p53基因有着密切的联系。然而,现阶段临床主要通过组织标本的免疫组化分析或基因测序来明确脑膜瘤p53基因表型,其中取样误差[6-7]、时效欠佳以及费用高昂等不利因素都限制了p53基因在脑膜瘤患者治疗方案制定以及预后评价中的作用。相比之下,影像组学(radiomics)能够及时、全面、无创地对肿瘤整体特征进行评价[8]且之前的研究证实通过影像组学预测肿瘤p53基因表达具有一定可行性[9-10];本研究运用影像组学特征分析方法探索性地构建脑膜瘤p53基因预测模型,期望能为临床医生前瞻脑膜瘤生物学行为提供一定分子学依据。……

登录APP查看全文

猜你喜欢

特征模型
一半模型
重尾非线性自回归模型自加权M-估计的渐近分布
如何表达“特征”
不忠诚的四个特征
3D打印中的模型分割与打包
FLUKA几何模型到CAD几何模型转换方法初步研究
线性代数的应用特征
一个相似模型的应用