脑膜瘤是颅内第二大常见肿瘤，多为良性，预后较好，世界卫生组织(World Health Organization，WHO) Ⅱ、Ⅲ级脑膜瘤与Ⅰ级脑膜瘤比较具有恶性生长行为，有丝分裂旺盛、生长快且不均衡的特点，而且肿瘤的倍增时间短。Ⅱ、Ⅲ级脑膜瘤患者常采用手术联合放化疗的综合治疗方式，术后易复发和转移。不同亚型的脑膜瘤因组织成分不同，治疗方式不尽相同。因此，脑膜瘤术前无创分级、分型，尤其是Ⅱ和Ⅲ级脑膜瘤的准确分级对于临床治疗方案的选择具有重要意义。CT和MRI是脑膜瘤最常用且较成熟的影像学检查方法，但无法获得肿瘤血流动力学信息，在肿瘤的定性诊断、临床治疗方式的选择、评估预后、疗效判断及预测复发等方面仍有不足。随着能谱CT及MR功能成像、分子影像等新技术的应用，诊断准确率有所提高。近年来，人工智能的兴起，能更有效、无创地预测脑膜瘤分级分型，进一步提高术前诊断准确率。作者就有关脑膜瘤分级分型的影像学研究予以综述。
脑膜瘤常起源于蛛网膜帽状细胞，是中枢神经系统第二大常见肿瘤[1]，仅次于胶质瘤，占所有颅内肿瘤的36.7%[2]。根据组织病理学特征，WHO将脑膜瘤分为3个级别，15种亚型[3]，良性脑膜瘤(WHOⅠ级，9个亚型，约占65%～80%)，多数生长缓慢，术后不易复发；非典型脑膜瘤(WHOⅡ级，3个亚型，约占20%～35%)和恶性脑膜瘤(WHO Ⅲ级，3个亚型，约占3%)，侵袭性高，分化差，易复发和转移。既往研究[4]表明与WHOⅡ级相比，WHO Ⅲ级脑膜瘤具有更高的侵袭性且预后差(总生存期为2～3年)。良性脑膜瘤可保守治疗，恶性脑膜瘤以手术联合放化疗为主。因此，术前准确分级分型，可减少不必要的手术风险和患者的经济负担。随着影像技术的不断发展，不同级别脑膜瘤的影像特征得以细化，可以更好地指导临床，下面将从CT、MR功能成像、分子影像及人工智能等影像新技术方面对脑膜瘤分级分型进行综述。
CT是脑肿瘤的常用检查方法，CT平扫及增强通过肿瘤的形态、密度及血供情况等对脑膜瘤的诊断和鉴别诊断有一定的价值。能谱CT以多参数、多个单一能量成像为特点，通过单能量图像、能谱曲线、直方图和有效原子序数图等参数提供更多的组织病理学信息[5]，对病灶进行定量定性分析。能谱CT弥补了传统CT定性诊断中枢神经系统肿瘤的局限性，对颅内肿瘤的诊断有重要临床价值。岳松虹等[6]研究发现CT能谱成像中低能量水平(40～70 keV)对应的单能量CT值及能谱衰减曲线斜率对脑膜瘤的分级诊断有显著价值；病灶在低能量水平(40～60 keV)测得的单能量CT值有助于WHOⅠ级脑膜瘤分型。
CT灌注成像可测量脑膜瘤、对侧脑组织及不同级别脑膜瘤局部组织血液灌注[7]，其灌注状态与肿瘤微血管密度密切相关，了解血流动力学变化，揭示肿瘤病理生理学特征，对明确肿瘤的性质、治疗方案的选择提供依据。典型脑膜瘤表现为类圆形均匀红色高灌注；不典型脑膜瘤可见小片状低灌注区，提示坏死；恶性脑膜瘤坏死、囊变明显，呈蓝绿色或黑色。既往研究发现[7, 8]脑膜瘤灌注程度与组织学类型有关，血管瘤型脑膜瘤血供丰富，脑血容量(cerebral blood volume，CBV)和脑血流量(cerebral blood flow，CBF)明显高于其他亚型，而平均通过时间(mean transit time，MTT)较低。纤维型脑膜瘤的CBF、CBV在各型脑膜瘤中最低，呈等灌注表现，与其组织病理学中以成纤维细胞增生为主，结构紧密，血供相对较少有关。不同亚型之间的表面通透性(permeability surface，PS)差异有统计学意义，尤以血供丰富的血管瘤型脑膜瘤PS值高。张永生等[9]研究发现CT灌注成像脑膜瘤临床诊断分型符合率达91.03%，可用于诊断不同类型脑膜瘤。
虽然CＴ成像技术已广泛用于发现和诊断脑膜瘤,但是鉴别良恶性仍存在一定的困难，良性和恶性脑膜瘤的各种亚型，通过CT检查很难做出准确的诊断。
常规MRI检查是诊断脑膜瘤的有效手段，可以明确肿瘤发生的部位、形态和数目等特征以及病变向邻近脑实质侵犯的程度和范围，典型脑膜瘤呈等或(和)稍长T1、等或(和)稍长T2信号，常可显示完整的包膜。增强扫描因肿瘤内部新生血管通透性不同呈不同程度强化，由于肿瘤组织的强化程度与肿瘤的恶性程度不完全一致,导致MRI常规检查在脑膜瘤分级分型方面仍存在一定的困难。近年来，MRI新技术的出现，能够帮助临床诊断脑膜瘤并预测及评估肿瘤预后。
MR灌注成像反映活体组织微血管及局部血流灌注情况[10]，其定量评价指标包括平均通过时间、脑血流量、脑血容量[11, 12]等，以相对脑血容量在临床上应用较为广泛。脑膜瘤属于颅内脑外肿瘤，无血脑屏障，CBV表现为高灌注[13]。恶性脑膜瘤的rCBV平均值高于良性脑膜瘤[14]。良性脑膜瘤各组织亚型rCBV平均值由高到低为血管瘤型＞脑膜皮细胞型＞过渡型＞纤维细胞型，rMTT平均值由高到低为血管瘤型＞脑膜皮细胞型＞纤维细胞型和过渡型[15]。Zikou等[16]研究31例WHOⅠ级脑膜瘤和8例WHO Ⅱ、Ⅲ级脑膜瘤，发现病灶/正常脑组织rCBV和瘤周/正常脑组织rCBV有助于鉴别Ⅰ级和Ⅱ、Ⅲ级脑膜瘤。动脉自旋标记(arterial spin labeling，ASL) CBF图的定性评价有助于鉴别颅内良性脑膜瘤(WHOⅠ级)与较高级别(WHO Ⅱ、Ⅲ级)脑膜瘤[17]。既往研究[18]表明瘤周水肿最大rCBV为2.5 mL/100 g时鉴别良、恶性脑膜瘤的敏感度为75%，特异度为84.6%，准确度为83.3%。Todua等[19]对术前行灌注加权成像(perfusion weighted imaging，PWI)检查的29例脑膜瘤患者研究发现，PWI有助于鉴别良、恶性脑膜瘤，瘤周水肿的最大rCBV和相应的rMTE值随肿瘤分级的不同而不同。
总之，MRI灌注能综合评价组织灌注、血容量及血管的渗透性，有助于术前评估脑膜瘤微血管状态，PWI可作为研究脑膜瘤分级和进展的有用影像学指标。
磁共振扩散成像是在平面回波成像技术基础上发展而来的一种新的成像方法，可以定量测量平均表观扩散系数(apparent diffusion coefficient，ADC)及部分各向异性分数(fractional anisotropy，FA)[12]，获得体素内水分子的各向异性程度和扩散情况，FA清晰的显示白质纤维的形态、与周围组织的解剖关系。平均扩散峰度(mean kurtosis，MK)通过间接预测细胞增殖情况，在脑膜瘤分级上有更大的潜力。
扩散加权成像(diffusion weighted imaging，DWI)是一种基于测量组织内水分子扩散的非侵入性技术，它提供了组织的微观结构信息，这对肿瘤的术前分级很重要。既往研究表明脑膜瘤的ADC值与其组织学分级、肿瘤细胞计数、肿瘤增殖指数呈负相关[18, 19]，对脑膜瘤分级有意义的独立因素是脑膜瘤的ADCmin值，即脑膜瘤ADCmin低，b值高，提示脑膜瘤为高级别脑膜瘤，Ⅱ、Ⅲ级脑膜瘤的ADC均值低于Ⅰ级脑膜瘤，ADC均值可用于鉴别良性脑膜瘤和不典型恶性脑膜瘤。Surov等[20]研究49例脑膜瘤，发现Ⅱ、Ⅲ级脑膜瘤的ADC均值低于Ⅰ级脑膜瘤，ADC均值与肿瘤增殖指数呈负相关，ADCmin与肿瘤细胞计数呈负相关，ADC均值可用于鉴别良性肿瘤和不典型/恶性肿瘤。有人研究[21]389例脑膜瘤发现阈值ADC值为0.85×10-3 mm2/s可以区分Ⅰ级脑膜瘤和Ⅱ、Ⅲ级脑膜瘤。有人研究[17]发现Ⅰ级脑膜瘤的FA值明显高于Ⅱ、Ⅲ级脑膜瘤。扩散峰度成像(diffusion kurtosis imaging，DKI)是一种先进的非高斯扩散成像技术。作为DTI的延伸，它能更好地表征病理组织的微结构复杂性[22]。DKI提供传统的扩散张量度量，包括各向异性分数(fractional anisotropy，FA)和平均扩散率(mean diffusion，MD)，并生成额外的峰度度量，Xing等[23]研究发现MK取0.875×10-3 mm2/s时，鉴别良恶性脑膜瘤的敏感度和特异度分别为70%和89%，曲线下面积为0.780。DKI直方图分析有助于脑膜瘤分级和亚型的鉴别。MK的第90个百分位数可作为预测脑膜瘤分级的最佳参数，DKI直方图各参数与Ki-67标记指数呈正相关(P＜0.05)[24]。
脑膜瘤患者术前行磁共振扩散成像，结合ADC值、FA值、MK有助于术前评估脑膜瘤良恶性、肿瘤与周围白质纤维解剖关系，指导手术及评估预后。由ADCmin、FA值等组成的MRI扩散参数联合应用可以鉴别高级别和低级别脑膜瘤，诊断准确率为96.2%。
磁共振波谱(magnetic resonance spectroscopy，MRS)是基于MRI的又一新型功能分析诊断方法，通过肿瘤内部组织细胞代谢反映其病理改变，有助于肿瘤性病变的超早期诊断和监测。常用代谢物包括N-乙酰天冬氨酸(N-acetylaspartic acid，NAA)、肌酸(creatine，Cr)和胆碱(choline，Cho)[25]，脑膜瘤属于脑外肿瘤，不含神经元，常表现为高胆碱峰，NAA和Cr峰检测不到，以此鉴别星型细胞瘤；丙氨酸缺失可作为诊断脑膜瘤的另一重要特征。
Lin等[26]研究13例高度恶性脑膜瘤(WHO Ⅱ、Ⅲ级)和22例低度恶性脑膜瘤(WHOⅠ级)，结果表明Cho/NAA在高级别和低级别脑膜瘤之间有显著差异。1H-MRS定量分析有助于鉴别脑膜瘤的不同亚型[27]。既往研究发现[28, 29]，良性脑膜瘤与恶性脑膜瘤相比，Cr浓度升高，Cho浓度和Cho/Cr比值降低，良性脑膜瘤各亚型间代谢产物NAA、Cho无明显差异，而Cr浓度、NAA/Cr、Cho/Cr、NAA/Cho比值有显著差异。Chernov等[30]认为1H-MRS虽然可用于高增殖活性脑膜瘤的鉴别诊断，但不能为这些肿瘤的其他恶性放射学预测指标增加实质性的诊断信息。既往研究结果存在差异，可能与病例较少有关。
MRS可以反映脑膜瘤患者的病理生理及生物代谢情况，有效地检测出神经递质、氨基酸代谢和脂肪代谢等微量代谢物，有助于脑膜瘤术前定性、分级诊断。
正电子发射计算机断层(positron emission tomography，PET)是一种分子成像技术[31]，PET应用F-18-FDG、C-11、N-13等显像剂，可以显示人体内细胞、分子或者基因水平的生物学、病理学过程，进一步实现疾病早期定量与定性诊断。PET-CT的出现，使形态影像学与功能影像学得到了良好的结合，更有利于对脑膜瘤进行全面的评价。
Okuchi等[32]比较18F-脱氧葡萄糖(18F-deoxyglucose，FDG)-PET和铊-201 (Tl)-SPECT (single photon emission computed tomography)对脑膜瘤的分级能力，发现低级别脑膜瘤与高级别脑膜瘤之间SUVmax、SUVRmax、TURmean和TURmax均有显著性差异；AUC分别为0.817 (SUVmax)、0.781 (SUVRmax)、0.810 (TURmean)和0.831 (TURmax)；低、高级别脑膜瘤敏感度为72.7%、71.4%，特异度为90.9%、87.5%。既往研究发现[33]，FDG PET-CT较MET PET-CT对诊断WHOⅠ、Ⅱ级脑膜瘤具有较高的敏感度，FDG和MET摄取均可用于评估脑膜瘤的肿瘤增殖情况。18F-脱氧葡萄糖(18F-FDG) PET主要用于鉴别脑膜瘤的良、恶性。Slot等[34]的Meta分析显示，WHOⅡ、Ⅲ级与WHOⅠ级的平均标准化摄取值(standardized uptake value，SUV)分别为2.51 (1.36，3.66)和0.42 (0.12，0.73)，而WHOⅡ、Ⅲ级的SUV为95% CI (1.36，3.66)，肿瘤与正常组织比率(T/N比率)存在差异。Mitamura等[35]发现，WHOⅡ级脑膜瘤的SUVmax和最大T/N比率显著高于WHOⅠ级脑膜瘤，也有研究发现WHOⅠ、Ⅱ级脑膜瘤之间无明显差异。
18F-FDG-PET的SUV和T/N比率有助于无创性鉴别脑膜瘤的良、恶性。T/N比率对高级别脑膜瘤的诊断有较高的特异度。目前，对其他PET示踪剂的研究太少，无法得出明确的结论。
影像组学可以从医学影像图像中提取高通量的特征对肿瘤等病变进行量化和分析，通过深度挖掘数据，建立影像与肿瘤异质性、细胞及基因水平之间的联系，进而提供更为精准的临床决策。目前脑膜瘤的影像组学研究多基于MR成像方法，可以提取肿瘤形态特征、灰度直方图特征、表征肿瘤异质性的纹理特征和高阶特征等，已广泛应用于脑膜瘤的分级分型。深度学习[36]是人工智能研究中最热门的领域，在处理大数据和提取有效信息方面具有优势，因此逐渐成为分析医学影像图像的首选方法，近年来许多学者将人工神经网络[37](artificial neural network，ANN)应用到MR快速成像中，为研究脑肿瘤提供了全新途径。目前脑膜瘤定性的标准是建立在组织病理学分析的基础上，发展一种有效的、无创的术前预测脑膜瘤分级分型的神经影像学方法具有重要意义，这将为临床准确诊断和患者咨询提供有价值的信息[38]。
Chu等[39]将82例低度恶性脑膜瘤(WHOⅠ级)和16例高度恶性脑膜瘤(WHOⅡ级7例，WHOⅢ级9例)按7∶3的比例随机分为训练组和试验组，筛选出9个特征参数，建立了脑膜瘤分级的放射组学预测模型。发现基于增强T1WI图像的放射组学在脑膜瘤分级预测中有较好的临床应用价值。Coroller等[40]研究发现放射学特征分类器和语义特征分类器能显著预测脑膜瘤的分级，将二者结合进一步提高了分类能力。研究发现[41]基于多参数MRI的放射组学特征的机器学习在脑膜瘤分级中能够获得高AUC评分，并具有高敏感度和高特异度。Laukamp等[42]研究发现FLAIR形状圆度、FLAIR/T1CE灰度级、DWI/ADC-灰度级变异性和FLAIR/T1CE-灰度级能量四个统计独立的放射组学特征对较高级别的脑膜瘤有最强的预测价值，在多变量Logistic回归模型中，这些特征的组合区分Ⅰ级和Ⅱ级脑膜瘤的AUC为0.91。总之，基于影像组学的特征对脑膜瘤的常规分级是可行的，多因素Logistic回归模型具有更强的分类性能。Park等[43]研究了136例基于整个肿瘤体积的增强后T1 (T1 contrast，T1C)加权图像、ADC和FA图的放射组学特征在脑膜瘤分级和组织亚型鉴别中的作用，结果表明基于机器学习分类器的放射组学特征T1C、ADC及FA对脑膜瘤分级很有用。Chen等[44]从T1C图像中提取40个纹理参数，经特征选择和分类器建模，结果显示基于LDA的模型比基于SVM的模型表现出更好的诊断性能。总之，从T1C图像中提取纹理特征的机器学习算法有可能作为脑膜瘤术前分级的辅助成像生物标志物。Hale等[45]研究发现机器学习算法(machine learning，ML)较传统的统计模型(如Logistic回归)对脑膜瘤的分级更具预测性，具有更高的判别能力。Niu等[38]基于增强MRI与放射组学对3种亚型脑膜瘤鉴别进行了初步研究，该研究对T1C图像提取的385个放射组学特征进行Fisher判别分析，采用留一交叉验证法对模型进行验证。研究者将241例3种亚型脑膜瘤(80例上皮性脑膜瘤，80例纤维性脑膜瘤，81例移行脑膜瘤)分为4组(上皮与纤维、纤维性与移行性、上皮与移行性、上皮与纤维、移行性)，第1、2、3、4组的判别准确率分别为99.4%、98.8%、100%、100%，1、2、3、4组留一交叉验证结果分别为91.3%、95.0%、100%、94.2%，综上所述，影像组学在脑膜瘤亚型的鉴别诊断中提供令人满意的表现，因此具有潜在的临床应用价值。
脑膜瘤术前准确分级对其预后及治疗方式的选择具有重要意义，MRI功能成像及分子影像对脑膜瘤的术前分级和诊断提供了部分信息。精准医疗已成为医学发展的趋势，脑膜瘤影像组学与深度学习分析是基于人工智能的一个很有前途的新研究领域，目前的研究主要集中在影像表型和脑膜瘤分级之间。随着影像组学与深度学习分析过程中不断克服困难，它在脑膜瘤中的应用将会有很大的扩展，从风险分层到精确的诊断、预后和治疗。
National Natural Science Foundation of China (No. 81772006). Lanzhou University Second Hospital "Cuiying Technology Innovation Plan"Applied Basic Research Project (No. CY2017-MS03).
全体作者均声明无利益冲突。
