Euro Radiol：如何发现结核性脑膜炎的肉眼不可见改变？MR放射组学的新尝试！

据统计，结核病（TB）仍然是全球十大死因之一，在冠状病毒（COVID-19）大流行之前，TB是单一感染性病原体造成的主要死因。结核性脑膜炎（TBM）是结核病最严重的形式，约占肺外结核的5-10%。在早期，TBM的前驱症状通常是隐性发病，然后慢慢发展为脑膜炎，给疾病的早期诊断和随后的治疗带来巨大困难。即使在接受抗结核药物治疗后，TBM的死亡率仍高达10.0-36.5%。临床结预后要取决于治疗的初始阶段。因此，早期诊断和治疗对于改善TBM患者的预后具有重要意义。

磁共振成像（MRI）是诊断和管理TBM及相关并发症的最有用和最广泛的成像方法。基底池强化是TBM中最一致的神经影像学发现。然而，在晚期之前，传统的影像学检查很难发现这一影像学发现。因此，目前仍难以及时发现颅内病变，与临床不良预后密切相关。

作为一种定量分析方法，放射组学可以利用自动化的数据表征算法将ROI的图像数据转化为高分辨率、可发现的特征空间数据，最终实现对信息的深度分析和应用。放射组学已被广泛应用于肿瘤影像学领域，包括鉴别诊断、肿瘤分期、基因分型、治疗反应和患者生存预测。值得一提的是，由于非肿瘤性病变的常规影像诊断存在定性和定量的问题，非肿瘤性疾病的放射组学研究也具有重要的临床价值。要从图像中提取特征，首先应划定ROI。卷积神经网络在医学图像分割中得到了广泛的应用。nnU-Net是一个新提出的用于医学分割任务的模型，其核心设计思想是通过自适应预处理和模型训练策略，而不是人工参数调整，对各种数据集获得更可靠的分割结果。然而到目前为止，还没有相关研究将nnU- Net应用于基底池的分割。

近日，发表在European Radiology杂志的一项研究评估了nnU-Net在基底池自动分割中的应用，从nnU-Net分割的ROI中提取放射组学特征并构建了放射组学特征模型以探索TBM患者基底池的细微变化，为临床实现超早期的TBM诊断提供了技术支持。

本项回顾性研究招募了来自中国3家医院的184名TBM患者和187名非TBM对照者（训练数据集，158名TBM患者和159名非TBM对照者；测试数据集，26名TBM患者和28名非TBM对照者），使用nnU-Net对FLAIR图像中的基底池进行分割。随后，从FLAIR和T2加权（T2W）图像中分割的基底池中提取了放射组学特征，特征选择分三步进行。支持向量机（SVM）和逻辑回归（LR）分类器被应用于构建放射组学特征，以直接识别TBM患者的基底池变化。最后，通过接受者操作特征（ROC）曲线分析、校准曲线和决策曲线分析（DCA）评估了诊断性能。 

在训练和测试数据集中，分割模型的平均Dice系数分别达到0.920和0.727。带有7个基于T2WI的放射组学特征的SVM模型对基底池的变化取得了最佳的辨别能力，在训练数据集中AUC为0.796（95%CI，0.744-0.847），在测试数据集中AUC为0.751（95%CI，0.617-0.886），具有良好的校准。DCA证实了其临床实用性。 

图 基底池在轴位FLAIR图像上的ROI位置。红色表示桥前池（a）。橙色、黄色、蓝色、绿色和紫色分别表示小脑上池、硬脑膜池、环池、四叠体池和侧裂池（b）

本研究提出了一个全自动的基于深度学习的放射组学模型，可识别TBM中基底池肉眼不可见的细微变化，为TBM的超早期识别及诊断提供帮助改善其诊断。

原文出处：

Qiong Ma,Yinqiao Yi,Tiejun Liu,et al.MRI-based radiomics signature for identification of invisible basal cisterns changes in tuberculous meningitis: a preliminary multicenter study.DOI:10.1007/s00330-022-08911-3