弥漫性胶质瘤是原发性恶性脑肿瘤中最具侵略性的一种，死亡率极高。在2016年修订的WHO分类系统中，弥漫性胶质瘤现在包括五个分子亚型。(I）少突胶质瘤和无活力少突胶质瘤，IDH-mut和1p19q共同删除；（II）弥漫性和无活力星形细胞瘤，IDH-mut；（III）弥漫性和无活力星形细胞瘤，IDH-野生型（wt）；（IV）胶质母细胞瘤（GBM），IDH-mut；以及（V）GBM，IDH-wt。亚型I、II和III为低级别胶质母细胞瘤（LGG）。新的分类系统大大提高了对患者预后的预测和对个体化治疗的指导。
影像学是临床实践中最要的评估手段之一，是医学科学的一个重要方面。计算技术的进步促进了放射组学的发展。在放射组学中，带有生物信息的医学图像被转化为可进一步分析的高维数据（即预定的定量特征）。深度卷积神经网络（DCNN）使用卷积层的堆叠（从几层到100多层不等）来学习输入图像数据的不同抽象层次。与传统技术相比，DCNN在众多医学图像分析应用中取得了出色的表现。
近日，发表在European Radiology杂志的一项研究开发了基于放射组学和基于DCNN的预测弥漫性胶质瘤分子亚型的评估系统，探讨了放射组学和DCNN特征之间的相关性，为弥漫性胶质瘤的无创准确分型提供了技术支持。
本研究从北京天坛医院回顾性地收集了总共1016名弥漫性胶质瘤患者的数据。患者被随机分为训练集（n = 780）和验证集（n = 236）。根据2016年WHO的分类，弥漫性胶质瘤可分为四个二元分类任务（任务I-IV）。分别开发了基于放射组学和深度卷积神经网络（DCNN）的预测模型，并用ROC曲线比较其性能。此外，放射组学和DCNN的特征被可视化，并与t分布的随机嵌入技术和Spearman的相关测试进行比较。 
在训练集中，DCNN模型的曲线下面积（AUC）在所有任务中都优于放射组学模型，DCNN模型的准确度（从0.90到0.94）在任务I、II和III中优于放射组学模型。在独立验证集中，DCNN模型的准确度在所有任务中都优于放射组学模型（0.74-0.83），DCNN模型的AUCs（0.85-0.89）在任务I、II和III中优于放射组学模型。在特征可视化分析中，DCNN特征表现出比放射组学特征更优越的鉴别能力，而它们的一般相关性很弱。

图 在四个分类任务中，LASSO选择的放射组学特征和前128个DCNN特征之间的相关性的Circos可视化（A-D）。计算了放射组学和DCNN特征之间的Spearman等级相关系数（用

Tags： European Radiology：如何无创获得弥漫性胶质瘤的分子亚型？影像学有话说！