一种基于DTI序列对GBM患者进行风险分层的方法及系统

本技术实施例涉及影像分析，特别涉及一种基于dti序列对gbm患者进行风险分层的方法及系统。

背景技术：

1、胶质母细胞瘤（glioblastoma，gbm）是一种异质性高、起源复杂的高度恶性的原发性脑肿瘤。gbm的绝大多数病例的年龄在40岁以上。目前临床公认的gbm治疗方案为手术切除，然后进行放疗和替莫唑胺化疗。其典型临床特征是高度侵袭性和对标准治疗方案的抵抗。2021年世界卫生组织（world health organization，who）发布了第5版中枢神经系统（central nervous system，cns）肿瘤分类办法，其中gbm的分子病理定义有所更新。异柠檬酸脱氢酶（tsocitrate dehydrogenase，idh）基因野生型且病理检验提示肿瘤组织存在坏死或微血管增生，或具有表皮生长因子受体（epidermal growth factor receptor，egfr）基因扩增、7 号染色体扩增/10号染色体缺失（+7/-10）、端粒酶逆转录酶（telomerasereverse transcriptase，tert）启动子区突变三个分子变异之一的成人弥漫性胶质瘤定义为“胶质母细胞瘤，idh 野生型”。

2、与2016年who cns肿瘤分类不同的是，idh突变型胶质瘤被从gbm中剔除，显著的降低了gbm的分子异质性。然而，在实际的临床工作中还是观察到idh野生型gbm患者的预后情况和对标准治疗方案的反应存在明显差异。这表明idh野生型gbm依旧有明显的异质性，其背后可能有潜在的亚型，且不同亚型背后可能有不同的生物学过程发挥作用。因此，能够早期、无创的识别idh野生型gbm亚型，明确各亚型背后的生物学过程，可以为精准诊疗决策提供明确指导。

3、磁共振成像（magnetic resonance imaging，mri）是目前临床上应用最广泛的医学影像学工具之一，mri可以提供有关肿瘤的位置、大小、范围和邻近脑组织结构的详细信息，还用于监测治疗反应和检测肿瘤复发情况。既往的胶质瘤影像组学研究通常依托于mri常规序列（t1wi、t2wi和flair等）开展，用于肿瘤的鉴别诊断、预测分级及预后。作为mri中的结构成像序列，弥散张量成像（diffusion tensor imaging，dti）是目前mri中唯一能活体展示脑纤维束结构的高级序列，利用脑组织中水分子扩散运动的各向异性，展示脑白质纤维束的微观结构特点，反映脑白质纤维束被肿瘤破坏与浸润的程度。现有技术通常依靠常规mri序列的影像组学特征对gbm进行风险分层，而忽视了dti序列的作用及价值，缺乏系统地研究源自dti序列的高通量影像组学特征的预后价值及生物学含义。

技术实现思路

1、本技术实施例提供一种基于dti序列对gbm患者进行风险分层的方法及系统，利用来自磁共振成像的弥散张量成像序列的影像组学特征对idh野生型胶质母细胞瘤患者进行风险分层与预后预测，并挖掘影像组学预后特征背后的生物学通路，为临床精准治疗提供重要指导。

2、为解决上述技术问题，第一方面，本技术实施例提供一种基于dti序列对gbm患者进行风险分层的方法，包括以下步骤：首先，获取gbm患者的数据集； gbm患者为胶质母细胞瘤患者；数据集包括训练集和测试集；然后，对所述数据集进行图像采集，得到磁共振dti序列；并基于所述数据集，获取转录组测序数据；所述磁共振dti序列为磁共振弥散张量成像序列；接下来，基于所述磁共振dti序列，构建影像组学模型；并基于所述影像组学模型和所述转录组测序数据，得到影像组学分析结果；然后，采用加权基因共表达网络分析以及基因集富集分析方法，对转录组测序数据进行分析，得到用于揭示影像组学特征生物学含义的交叉通路；最后，基于所述影像组学模型以及所述交叉通路，对影像组学特征背后的生物学基础进行解释。

3、在一些示例性实施例中，基于所述磁共振dti序列，构建影像组学模型，包括：对所述磁共振dti序列进行预处理，得到预处理后的磁共振dti序列；基于所述预处理后的磁共振dti序列，得到包含弥散指标参数的弥散参数图，并从所述弥散参数图中提取影像组学特征；基于所述影像组学特征，在所述训练集中筛选出最佳影像组学特征，以构成影像组学标签；基于所述影像组学标签，构建影像组学模型。

4、在一些示例性实施例中，所述弥散参数图中的弥散指标参数包括：平均扩散率、各向异性分数、轴向扩散率以及径向扩散率。

5、在一些示例性实施例中，基于所述影像组学特征，在所述训练集中筛选出最佳影像组学特征，以构成影像组学标签，包括：计算每个影像组学特征的组内相关系数值；基于所述组内相关系数值，对所述影像组学特征分别进行可重复性筛选、单因素预后筛选、套索算法特征筛选，筛选出最佳影像组学特征，以构成影像组学标签。

6、在一些示例性实施例中，基于所述组内相关系数值，对所述影像组学特征分别进行可重复性筛选、单因素预后筛选、套索算法特征筛选，筛选出最佳影像组学特征，以构成影像组学标签，包括：基于所述数据集与评估者间测试集之间相同患者的影像组学特征，计算每个影像组学特征的组内相关系数值，并删除组内相关系数值小于阈值的影像组学特征，得到一次筛选特征；采用单因素比例生存分析对所述一次筛选特征再次进行筛选，得到二次筛选特征；采用套索算法与单因素比例风险回归分析对所述二次筛选特征再次进行筛选，得到最佳影像组学特征，以构成影像组学标签。

7、在一些示例性实施例中，所述评估者间测试集通过从所述数据集中抽取部分患者的rflair配准图像，并重复二维肿瘤感兴趣区的描绘过程所产生；所述rflair配准图像为磁共振成像液体衰减反转恢复序列的配准图像。

8、在一些示例性实施例中，基于所述影像组学模型和所述转录组测序数据，得到影像组学分析结果，包括：基于所述影像组学模型，对所述测试集中患者进行风险评估，得到每位患者的影像组学风险得分；基于所述训练集，得到最佳截断值；并基于所述最佳截断值，将患者分为高风险组与低风险组，结合所述转录组测序数据进行影像基因组学分析，得到影像组学分析结果。

9、在一些示例性实施例中，基于所述影像组学模型以及所述交叉通路，对影像组学特征背后的生物学基础进行解释，包括：基于所述影像组学模型以及所述交叉通路，分别从单个影像组学特征的生物学含义、dti参数的生物学含义两个方面探索影像组学特征的生物学含义，对影像组学特征背后的生物学基础进行解释。

10、第二方面，本技术实施例还提供了一种基于dti序列对gbm患者进行风险分层的系统，包括：依次连接的数据集模块、dti序列获取模块、模型构建模块以及数据分析模块；数据集模块用于获取gbm患者的数据集；所述gbm患者为胶质母细胞瘤患者；所述数据集包括训练集和测试集；dti序列获取模块用于对所述数据集进行图像采集，得到磁共振dti序列；并基于所述数据集，获取转录组测序数据；所述磁共振dti序列为磁共振弥散张量成像序列；模型构建模块用于根据所述磁共振dti序列，构建影像组学模型；数据分析模块用于根据所述影像组学模型和所述转录组测序数据，得到影像组学分析结果；并采用加权基因共表达网络分析以及基因集富集分析方法，对转录组测序数据进行分析，得到用于揭示影像组学特征生物学含义的交叉通路；并基于所述影像组学模型以及所述交叉通路，对影像组学特征背后的生物学基础进行解释。

11、在一些示例性实施例中，模型构建模块包括依次连接的预处理模块、特征提取模块、影像组学标签模块以及影像组学模型模块；预处理模块用于对所述磁共振dti序列进行预处理，得到预处理后的磁共振dti序列；特征提取模块用于根据所述预处理后的磁共振dti序列，得到包含弥散指标参数的弥散参数图，并从所述弥散参数图中提取影像组学特征；影像组学标签模块用于根据所述影像组学特征，在所述训练集中筛选出最佳影像组学特征，以构成影像组学标签；影像组学模型模块根据所述影像组学标签，构建影像组学模型；其中，所述弥散指标参数包括：平均扩散率、各向异性分数、轴向扩散率以及径向扩散率。

12、本技术实施例提供的技术方案至少具有以下优点：

13、本技术实施例提供一种基于dti序列对gbm患者进行风险分层的方法及系统，该方法包括以下步骤：首先，获取gbm患者的数据集； gbm患者为胶质母细胞瘤患者；数据集包括训练集和测试集；然后，对数据集进行图像采集，得到磁共振dti序列；并基于数据集，获取转录组测序数据；磁共振dti序列为磁共振弥散张量成像序列；接下来，基于磁共振dti序列，构建影像组学模型；并基于影像组学模型和转录组测序数据，得到影像组学分析结果；然后，采用加权基因共表达网络分析以及基因集富集分析方法，对转录组测序数据进行分析，得到用于揭示影像组学特征生物学含义的交叉通路；最后，基于影像组学模型以及所述交叉通路，对影像组学特征背后的生物学基础进行解释。

14、本技术提供的基于dti序列对gbm患者进行风险分层的方法，通过利用来自mri弥散张量成像序列（dti）的影像组学特征对idh野生型胶质母细胞瘤（gbm）患者进行风险分层与预后预测，采用可靠的影像基因组学分析技术探索影像组学特征的生物学含义，并挖掘影像组学预后特征背后的生物学通路，为临床精准治疗提供重要指导。