根据2021年世界卫生组织对中枢神经系统肿瘤的分类，中枢神经细胞瘤（CN）被划分为II级神经元和神经元-胶质混合瘤，最常发生在侧脑室，占颅内肿瘤的0.25-0.5%。CN患者常表现为非特异性的症状和由梗阻性脑积水引起的颅内高压体征。与侧脑室胶质瘤（如大多数星形细胞瘤和上皮细胞瘤）相比，CN具有良性生物学行为，全切除后预后良好。与CN不同，脑室内胶质瘤的预后较差，需要进行更广泛的切除。因此，准确的术前诊断对脑室内肿块患者的治疗计划和预后咨询影响巨大。

现阶段，磁共振成像（MRI）是颅内肿瘤的首选成像方法。以往的研究报道了CN的几个典型MRI特征，这些征象包括扇形、宽基附着、肥皂泡、周边囊肿、液-液平及宝石征，对诊断CN具有重要价值。以前的研究表明，上述6个MRI特征可以准确区分CN与脑膜瘤和脉络丛乳头状肿瘤。然而，要将CN与室管膜内星形细胞瘤和上皮瘤区分开来仍有一定难度。此外，主观评价的诊断准确性取决于放射医师的经验水平。最近的一项研究显示，平均表观弥散系数（ADC）值在区分CN和上皮瘤方面有潜在的作用。然而，影响ADC值的因素很多，如肿瘤的异质性、序列和参数以及MRI扫描仪的场强。

随着医学图像分析方法的快速发展，放射组学已成为研究中的一个热门焦点。放射组学通过高通量计算方法从医学图像中提取大量的定量特征。基于放射组学的机器学习可以更准确地评估肿瘤的异质性。支持向量机（SVM）是一种基于统计学习理论和结构风险最小化的机器学习方法，是小样本数据库中统计学习的良好模型。通过将SVM与放射组学相结合，该方法表现出良好的学习能力和泛化能力，已被广泛应用于脑瘤诊断、分级和生存分析。然而，SVM尚未与放射组学结合用于侧脑室肿瘤的诊断。

近日，发表在European Radiology杂志的一项研究利用多参数MRI建立了一个带有机器学习的放射组学模型以实现CNs和侧脑室胶质瘤的鉴别，并将该模型的诊断表现与有经验的影像科医生进行了比较，以明确该放射组学模型提高影像科医生的诊断能力。

本项回顾性研究纳入了来自两个医疗中心的132名患者。来自第一个医疗中心的患者被分为训练队列（n = 74）和内部验证队列（n = 30）。第二个医疗中心的病人被用作外部验证队列（n = 28）。从增强的T1加权和T2加权图像中提取特征，并使用支持向量机进行放射组学模型调查。使用灵敏度、特异性和接受者操作特征曲线下的面积（AUC）评估了性能，并将该模型的性能与三位放射科医生的性能进行了比较。 

放射学模型在训练队列中的AUC为0.986，在内部验证队列中为0.933，在外部验证队列中为0.903。在三个队列中，放射科医生1的AUC值为0.657、0.786和0.708；放射科医生2为0.838、0.799和0.790；放射科医生3为0.827、0.871和0.862。当得到放射组学模型的帮助时，两名放射科医生在训练队列中的表现有所提高（P < 0.05），但在内部或外部验证队列中没有。 

 图 MRI上中枢神经细胞瘤和胶质瘤的代表性病例。上排：女性，32岁，病理诊断为CN；下排：女性，56岁，病理诊断为胶质瘤。模型的协助是κ = 0.572（P < 0-001）。在所有三个队列中，放射组学模型显示出比放射科医生更好的性能。该差异在训练队列中具有统计学意义（P < 0.008），但在内部验证或外部验证队列中没有

研究表明，基于机器学习的放射组学模型能准确区分侧脑室的CNs和胶质瘤。此外，研究提出的放射组学模型性能超过了有经验的放射科医生，并显示出在协助决策方面的潜在价值。考虑到该模型是基于各种设备和不同MRI方案的图像建立的，该模型的临床应用前景较为可观，有助于提高侧脑室肿瘤的术前诊断并指导治疗决策。

原文出处：

Haizhu Mo,Wen Liang,Zhousan Huang,et al.Machine learning-based multiparametric magnetic resonance imaging radiomics model for distinguishing central neurocytoma from glioma of lateral ventricle.DOI:10.1007/s00330-022-09319-9