[学术前沿] 人工智能预测脑胶质瘤相关癫痫发生 天坛医院与中科院合作取得突破性进展

神外前沿编者按目前，脑胶质瘤相关癫痫的研究越来越受到业界的重视。众所周知，脑胶质瘤是中枢神经系统中发病率最高的原发性肿瘤，且多以癫痫起病。尤其是低级别胶质瘤的致痫性更强，总体癫痫发病率高达65-90%。如何预测和预防脑胶质瘤术中及术后的癫痫发生，是摆在当今神经外界的一个重要课题。近日，北京天坛医院江涛教授团队与中国科学院自动化研究所田捷教授团队合作研究，利用人工智能技术，在这个领域取得了研究突破。

                                                                                                                         

     

      神外前沿讯，近日，北京天坛医院江涛教授团队与中国科学院自动化研究所田捷教授团队合作研究，通过影像组学特征提取和机器学习技术，构建出低级别胶质瘤继发癫痫风险的AI预测模型。该模型使神经外科医生能够准确地和个体化地预测低级别胶质瘤患者发生癫痫的风险。此之前，由于经验有限，一般医生通过脑肿瘤的磁共振影像，很难准确预测肿瘤相关癫痫的发生风险。本项研究通过人工智能技术学习大量脑肿瘤患者的磁共振影像和临床信息特点，深度挖掘其中关联，从而获得医生难以获得的诊断经验。

      本项研究的论文《Radiomics analysis allows for precise prediction of epilepsy in patients with low-grade gliomas》于2018年4月在线发表在国际神经影像学领域知名期刊《NeuroImage: Clinical》。研究者：刘振宇（并列一作）、王引言（并列一作）、刘幸（并列一作）、杜洋、唐振超、王凯、魏靖伟、董迪、臧亚丽、戴建平、江涛（通讯作者）、田捷（通讯作者）

      据悉，癫痫发作是低级别胶质瘤最常见的首发症状。大多数低级别胶质瘤患者在疾病过程中的不同阶段会出现癫痫症状。癫痫的出现严重影响病人的生活质量，且影响是深远的。突然出现的癫痫发作可能造成人身伤害，使用抗癫痫药物可能引起长期的认知损害。预测癫痫的发生，将可能在一定程度上减小癫痫对患者带来的伤害。该研究回答了神经外科医生关注的这一问题，通过提取400余个磁共振影像组学特征，应用AI机器学习方法寻找和选择与低级别胶质瘤继发癫痫相关的重要特征，从而创建了基于影像组学的低级别胶质瘤患者癫痫风险预测模型。该模型从临床实际问题出发，医工合作，研究成果可以辅助指导临床实践，为脑胶质瘤的手术策略和个体化治疗方案的优化提供支持证据。

研究内容简介如下

      近年来大数据技术与医学影像辅助诊断的有机融合产生了新的影像组学方法，其通过从影像中提取海量特征来量化肿瘤等重大疾病，可以有效解决肿瘤异质性难以定量评估的问题，具有重要的临床价值。影像组学技术来源于计算机辅助诊断（computer aided diagnosis，CAD），目前已经发展成为融合影像、基因、临床等信息的辅助诊断、分析和预测的方法。影像组学作为医工交叉的产物，其应用先进的计算机方法解决临床具体问题。影像组学的处理流程总结归纳为以下部分：（1）影像数据的获取；（2）肿瘤区域的标定；（3）肿瘤区域的分割；（4）特征的提取和量化；（5）基于机器学习的分类和预测。该研究的流程图简单描述如下图所示：

                                                                                                                                     

图1.研究技术路线图 作者首先使用专家标记的肿瘤感兴趣区和T2加权图像来生成一个肿瘤立方体，覆盖肿瘤区域。然后，根据肿瘤的大小，提取三组定量特征。

                                                                                                                                                                        

图2.肿瘤空间位置特征

采用多变量Logistic回归分析方法，以年龄、性别、组织病理学和影像组学特征为依据。在训练集上建立了癫痫预测模型。采用似然比检验，Akaike的信息准则为终止规则。该模型的分类精度为79.38%，在训练集中AUC = 0.8754，分类精度为75.00%，在验证集中AUC = 0.8162，具有较高的判别能力。通过图像展示的结果也说明了影像组学特征可以用来提高预测低级别胶质瘤病人发生癫痫的精度。如图3所示：

                                                                                                                                        

图3.肿瘤位置特征（A）和三维影像特征（B）的多变量分析ROC曲线（粉红线代表训练集中的性能，蓝色线代表验证集中的性能）。（C）最佳特征参数选择。（D）影像组学特征的ROC曲线。

为了实现影像组学分析，需要选择预测能力强的影像学特征。本研究选取了若干三维影像特征作为关键特征。这些特征不仅定量描述了肿瘤影像学的直观感觉，而且反映了丰富的肿瘤异质性和微环境信息。继而，应用AI机器学习模型筛选出了癫痫发生的最具预测性特征。例如，本研究提示，具有较高影像学同质性(Uniformity)的肿瘤继发癫痫的发生风险显著增加。

                                                                                                                                        

 

图4.对两例位置和体积类似的低级别胶质瘤，AI模型准确预测出其的癫痫风险。第一例的癫痫风险评分为1.1066，第二例的癫痫风险评分为-0.0970（评分以0为分界）。

在独立验证组的患者病例上证实，该模型可以通过病例的肿瘤影像学特征，成功实现个体化地预测肿瘤引起患者癫痫发作的风险。进一步结合影像组学特征和临床特征，作者建立出综合预测模型，提升了临床信息对癫痫风险的预测能力。

小结：

脑胶质瘤在影像学上呈现的特征是重要的形态学信息，反映肿瘤的生物学行为，后者很可能与肿瘤继发癫痫事件有关。其中一些影像学关键信息，可能无法通过医生肉眼来定量描述，所以一般医生很难通过磁共振影像判断肿瘤的癫痫发作风险。在该研究中，作者定量地提取脑胶质瘤影像组学信息，通过机器学习方法在国际上首次建立可以用来预测低级别胶质瘤继发癫痫风险的人工智能预测模型。该模型的建立可为指导脑胶质瘤临床个体化治疗提供重要依据。

论文原文如下