石钰阳何 平* 刘 奕安利智田 宇

(1、河北工业大学人工智能与数据科学学院,天津300401 2、天津医科大学研究生院,天津300203)

脑胶质瘤是最常见的中枢神经系统肿瘤，WHO将其分为I～IV级，高级别胶质瘤术后复发率和病死率极高,严重威胁人们的身心健康[1]。烷化剂是恶性胶质瘤常用的化疗药物之一,但是一些患者出现较高的耐药性,使得临床治疗效果不佳[2]。近年来研究表明,烷化剂耐药的主要原因是由于DNA修复蛋白O6-甲基鸟嘌呤-DNA甲基转移酶(MGMT)的存在。故2016年WHO做出更新，将MGMT启动子甲基化增加为胶质瘤预后的独立预测指标，自此对MGMT启动子甲基化的测定被提到了前所未有的高度[3]。

MGMT启动子甲基化作为脑胶质瘤中重要的分子生物学标记，已逐渐在临床病理学诊断中展开应用，然而医学上常用的病理免疫组化检测MGMT启动子的甲基化状态并不完全可靠[4]。

放射组学将宏观的影像量化，并客观的预测微观分子表达，以期于术前给予临床及病理指导。多项研究探讨了利用纹理特征预测MGMT甲基化状态的有效性[5]，但这些特征可能不能完全表征图像，从而限制了模型的潜力。近年来的研究通过分析多区域特征来探索肿瘤的微环境，证明了多区域图像分析对肿瘤的诊断及预后治疗有重要临床意义[6-7]。

多项研究证明将量化的MRI放射组学特征与机器学习方法相结合[8-9]，建立模型可以用于临床诊断。支持向量机（Support Vector Machine，SVM）作为一种监督学习的分类方法，在解决高维非线性，以及小样本数据分类问题中具有很大优势，并且已成功应用在基因识别和癌症肿瘤诊断方面[10]。……