基于MRI影像组学定量分析探索偶发脑膜瘤生长的新型预测因子

　　本研究针对偶发脑膜瘤（IDM）的生长预测难题，开发了基于3D Slicer 5.6.2和PyRadiomics 3.1.0的半自动分析程序，通过对49例患者的T2加权MRI影像组学特征进行批量t检验，首次发现10个与肿瘤生长显著相关的定量特征（p<0.05），为临床决策提供了新型影像生物标志物。

　　

通过探索性定量分析MRI影像组学特征，研究人员发现了预测偶发发现脑膜瘤（incidentally discovered meningioma, IDM）肿瘤生长的潜在新指标。这项研究旨在通过MRI数据中的定量影像组学特征，识别与肿瘤生长相关的因素，以辅助治疗决策。

研究方法中，比较了24例肿瘤生长病例与25例无生长病例的初始MRI T2特征。开发了基于开源软件3D Slicer 5.6.2和PyRadiomics 3.1.0的内部程序，实现半自动批量t检验分析，显著缩短了数据处理时间。感兴趣区域（regions of interest, ROIs）被放置在肿瘤内部、肿瘤外缘、全脑以及对侧白质区域。共分析了107个特征，涵盖七个类别：一阶统计量（First Order）、形态特征（Shape）、灰度共生矩阵（Gray Level Co-occurrence Matrix, GLCM）、灰度游程矩阵（Gray Level Run Length Matrix, GLRLM）、灰度区域大小矩阵（Gray Level Size Zone Matrix, GLSZM）、灰度依赖矩阵（Gray Level Dependence Matrix, GLDM）和邻近灰度色调差异矩阵（Neighboring Gray Tone Difference Matrix, NGTDM）。使用t检验识别显著预测因子。

研究结果显示，来自五个类别的十个特征表现出显著差异（p<0.05），包括：2个一阶统计量、2个形态特征、4个灰度共生矩阵特征、1个灰度区域大小矩阵特征和1个邻近灰度色调差异矩阵特征。

结论认为，这些影像组学特征可作为IDM生长的潜在预测指标。未来需通过更大样本研究和验证来确认其临床效用并提升预测准确性。