综述
多模态MRI在胶质瘤基因分型中的研究进展
磁共振成像, 2022,13(8) : 130-134. DOI: 10.12015/issn.1674-8034.2022.08.029
摘要

胶质瘤是中枢神经系统最常见的原发肿瘤,具有高度异质性。基因分型对胶质瘤的临床治疗方案的制订及预测预后具有重要意义。目前,研究较为成熟及广泛的基因分型有:异柠檬酸脱氢酶(isocitrate dehydrogenase, IDH)、1p/19q非编码缺失、O6-甲基鸟嘌呤-DNA-甲基转移酶(O6-methylguanine-DNA methyhransferase, MGMT)、端粒逆转录酶(telomerasereverse transcriptase, TERT)、表皮生长因子受体(epidermal growth factor receptor, EGFR)等。多模态MRI如扩散张量成像(diffusion tensor imaging, DTI)、神经突方向离散度与密度成像(neurite orienttation dispersion and density imaging, NODDI)、平均表观传播扩散子(mean apparent propagator, MAP)-MRI、酰胺质子转移(amide proton transfer, ATP)成像及2-羟基戊二酸MR波谱(2-hydroxyglutarate magnetic resonance spectroscopy, 2HG-MRS)等可以从多方面预测胶质瘤基因分型,从而指导进行下一步治疗。T2液体衰减反转恢复(T2-fluid attenuated inversion recovery, T2-FLAIR)不匹配征是IDH突变星形细胞瘤的高特异度,低敏感度的成像标志物,具有可观的临床应用潜能。本文就这几项MRI技术及T2-FLAIR不匹配征在胶质瘤基因分型方面的研究进展作一综述。

引用本文: 高伟林, 吴琼. 多模态MRI在胶质瘤基因分型中的研究进展 [J] . 磁共振成像, 2022, 13(8) : 130-134. DOI: 10.12015/issn.1674-8034.2022.08.029.
参考文献导出:   Endnote    NoteExpress    RefWorks    NoteFirst    医学文献王
扫  描  看  全  文

正文
作者信息
基金 0  关键词  0
English Abstract
评论
阅读 0  评论  0
相关资源
引用 | 论文 | 视频

本刊刊出的所有论文不代表本刊编委会的观点,除非特别声明

胶质瘤是中枢神经系统最常见的原发肿瘤,具有高度异质性。2016年世界卫生组织(World Health Organization, WHO)中枢神经系统分类中加入了基因分型[1]。而2021年WHO中枢神经系统肿瘤分级[2]中,由于某些分子标记物可以提供可靠的预后信息,不再局限于组织学特征分级,而是结合分子与组织学分级。基因与分子参数现在已被用作进行肿瘤分级和评估预后的有效信息。

通过穿刺或者手术切除等方法取得胶质瘤标本进行病理检测是基因型获取的金标准。如果术前获取基因分型及分子参数可采取个体化治疗方案,可产生良好预后及较长的生存时间。而术前穿刺为一种有创检查,其副作用大。MRI作为一种重要无创工具,近年来多模态MRI及T2液体衰减反转恢复(T2-fluid attenuated inversion recovery, T2-FLAIR)不匹配征在胶质瘤基因分型中的应用显示出巨大的潜力。本综述旨在阐述多模态MRI技术及T2-FLAIR不匹配征在胶质瘤基因分型中的研究进展。

1 多模态MRI在胶质瘤基因分型中的应用

多模态MRI是结合两种或多种MRI技术对患者进行诊断和检查的一种新的成像方式,便于在诊断、治疗和监测中获取进一步的信息。多模态MRI技术可为临床医生提供与肿瘤相关的解剖、代谢、细胞功能等重要信息,有助于指导临床医生的手术计划和切除范围及预后预测,以更好地告知患者治疗风险[3]

1.1 扩散张量成像

扩散张量成像(diffusion tensor imaging, DTI)是扩散加权成像(diffusion weighted imaging, DWI)的扩展,将扩散张量模型应用于DWI数据,沿给定体素的三个轴中的每个轴的扩散,并产生三维椭球体。DTI的参数有各向异性分数(fractional anisotropy, FA)、平均扩散系数(mean diffusivity, MD)、轴向扩散系数(axial diffusivity, AD)、径向扩散系数(radial diffusivity, RD)等。

Huang等[4]对两个医疗中心的40例低级别岛叶胶质瘤的一项研究发现,与IDH突变型相比,IDH野生型的FA值较高,而FA偏度及MD直方图参数值较低;其次,端粒酶逆转录酶(telomerase reverse transcriptase, TERT)启动子的突变与FA值升高和MD值降低有关。且FA的第25百分位对IDH突变和TERT启动子突变的预测效率最高。这表明IDH突变的胶质瘤表现出更均匀的肿瘤群体和更低的细胞密度。编码端粒酶的TERT启动子突变会导致肿瘤细胞不受控制地增殖,导致了更高的FA和更低的MD。Figini等[5]也报道了类似的研究结果,在IDH突变的胶质瘤患者中发现FA值较低而MD值较高。与此结果相反的是,Augelli等[6]在对47例高级别胶质瘤患者的研究中,发现在IDH1突变型和IDH1野生型两组之间FA值差异无统计学意义。Tan等[7]发现胶质瘤的最大FA值低于正常组织;与野生型相比,IDH1突变型的FA值下降,但随着组织学分级的增加,差异不太明显。事实上,当比较WHO Ⅲ级和Ⅳ级胶质瘤时,发现IDH1突变型和IDH1野生型肿瘤之间的FA没有显著差异。

此外有学者[8]对38例高级别脑胶质瘤患者进行了DTI扫描,评估其MGMT基因类型,研究发现与MGMT启动子非甲基化的肿瘤相比,MGMT启动子甲基化的肿瘤FA值显著降低。与这一研究结果不一致的是,Huang等[4]研究结果发现MGMT甲基化与非甲基化之间FA或MD相关直方图参数无显著性差异;Ahn等[9]研究同样得出MGMT甲基化组和非甲基化组之间DTI的ADC和FA值没有显著差异。前者认为MGMT的甲基化抑制了损伤修复蛋白的功能,从而使肿瘤对替莫唑胺敏感[10]。因此,MGMT甲基化与胶质瘤的侵袭性不同,与FA或MD的改变无关;后者认为反映肿瘤浸润导致白质破坏的FA显示出潜在的显著区域性和解剖特异性变化。MGMT甲基化的肿瘤潜在机制尚不明确,需要进一步研究DTI在预测MGMT甲基化状态中的潜在作用。

1.2 神经突方向离散度与密度成像

神经突方向离散度与密度成像(neurite orienttation dispersion and density imaging, NODDI)是一种先进的扩散技术,它假设了一个三隔室生物物理组织模型,包括单个体素内的细胞内,细胞外和脑脊液。该技术能够推断和量化与神经元形态直接相关的特定微观结构特征,并提供有关肿瘤生理学的宝贵见解[11]。NODDI的代表性参数是细胞内体积分数(intracellular volume fraction, ICVF)和定向分散指数(orientation dispersion index, ODI),分别代表神经轴突密度和方向分散。Xie等[12]在对91例胶质瘤研究发现,在低级别胶质瘤中,只有ICVF显著区分了IDH1突变组和IDH1野生型组,IDH1野生型胶质瘤可能由于更复杂的微观结构而更具增殖性和侵袭性,因此具有更高的ICVF值。与此结果相一致,Gao等[13]也得出低级别胶质瘤IDH突变型的ICVF显著低于IDH野生型。然而,Zhao等[14]研究认为具有IDH1突变的胶质母细胞瘤的平均ICVF明显高于没有IDH1突变的IGVF,这可能是因为该研究中只收集了4例IDH1突变的胶质母细胞瘤。此外,Zhao等[14]研究还发现,在肿瘤实质区内,Ki-67表达与ICVF及ODI呈显著正相关(ICVF:r=0.429,P=0.004;ODI:r=0.530,P<0.001),而瘤周区域ICVF与Ki-67表达呈负相关(r=-0.498,P=0.003)。Li等[15]得出Ki-67标记指数与标准化ICVF和ODI呈正相关(r=0.755和0.572,P<0.001)。Ki-67蛋白的表达存在于人类细胞周期的所有活跃期(G1、S、G2和有丝分裂期),但不存在于静止细胞(G0期),是给定细胞群生长分数的优秀生物标记物[16]。此外,较高的Ki-67与较高级别的胶质瘤相关,表现为更高的微观结构异质性[17]

1.3 平均表观传播扩散子MRI

平均表观传播扩散子MRI(mean apparent propagator-MRI, MAP-MRI)是一个将DWI的q空间与分子位移联系起来的数学框架。该技术以较小的变异性准确地揭示了复杂白质中的微观结构相关特征,并提供了几个新颖的、可量化的指标,可以捕获以前被掩盖的神经组织内在微观结构特征,包括均方位移(mean square displacement, MSD)、q空间逆方差(q-space inverse variance, QIV)、返回原点概率(return to the origin probability, RTOP)、返回轴概率(return to the axis probability, RTAP)和返回平面概率(return to the plane probability, RTPP)。这些指标编码的方向信息非常适合表征各向异性组织中的复杂扩散,并且可以潜在地为轴突缺失或脱髓鞘提供具有鉴别性的白质生物标志物。研究显示[18],MAP-MRI可应用于神经胶质瘤分级。在胶质瘤基因分型应用方面,Sun等[19]通过研究40例胶质瘤患者发现,与IDH-1野生型组相比,IDH-1突变组的MSD、QIV和MD显著更高(P=0.005、0.002和0.002);与IDH-1野生型组相比,IDH-1突变组的RTAP、RTOP、RTPP和FA显著降低(P=0.001、0.002、0.003和0.003),这可能是因为具有IDH-1突变的胶质瘤往往具有较少的扩散屏障和较低程度的组织复杂性。另一项研究[13]显示,具有IDH突变的胶质瘤的MAP的第10百分位径向非高斯性显著高于IDH野生型胶质瘤。目前MAP-MRI对胶质瘤相关研究较少,日后还需进一步研究。

与DTI相比,NODDI和MAP提供了更多关于肿瘤微观结构的重要信息,因为它们包含反映细胞内体积和白质脱髓鞘的指标。然而,这些优势是基于技术原理和间接结果,没有直接病理基础证明,这表明需要进一步研究。

1.4 酰胺质子转移成像

酰胺质子转移(amide proton transfer, ATP)成像是化学交换饱和转移(chemical exchange saturation transfer, CEST)成像的一种特定类型,对pH和移动蛋白质/肽含量敏感。其被认为是临床上最可行的CEST成像。研究表明[20, 21, 22],APT加权(APT weighted, ATPw)成像具有潜在的临床用途,特别是在评估脑肿瘤方面。Jiang等[23]首次证实了APTw具有识别IDH1突变状态的能力。根据他们的研究,与IDH突变信号相比,IDH野生型胶质瘤与相对较高的APTw信号强度相关。Joo等[24]进行的单变量分析中也得到相同结果,IDH野生型具有更高的APT信号,且较高的APT信号与预后不良显著相关;另一项研究[25]还得出,APT成像在IDH突变状态预测方面优于扩散峰度成像(diffusion kurtosis imaging, DKI),更有利于准确诊断和治疗决策。Han等[26]利用纹理分析和支持向量机,建立了机器学习模型,得出基于APTw的定量放射组学分析图像可以为IDH1突变状态检测提供一种非侵入性方法。此外,Joo等[24]和Paech等[27]的研究没有发现MGMT甲基化与APT信号存在显著差异;而有趣的是,另一项研究[28]报告称,与甲基化胶质母细胞瘤相比,具有未甲基化MGMT启动子的胶质母细胞瘤通常与相对较高的APTw信号强度值相关。这可能是因为这些研究是在不同环境中进行的。因此,需要进一步研究以确认APT成像在预测胶质瘤分子标志物状态方面的效用。

1.5 2-羟基戊二酸磁共振波谱

IDH突变会产生2-羟基戊二酸(2-hydroxyglutarate, 2HG),导致在正常细胞或IDH野生型细胞中以非常低的含量存在的2HG在IDH突变细胞中增加了几个数量级。因此,可通过磁共振波谱(magnetic resonance spectroscopy, MRS)检测胶质瘤组织中增加的2HG水平来预测IDH突变状态。一项Meta分析[29]显示,2-羟基戊二酸磁共振波谱(2-hydroxyglutarate magnetic resonance spectroscopy, 2HG-MRS)在预测IDH突变胶质瘤中的诊断性能的汇总敏感度为95%(95% CI:85%,98%),合并特异度为91%(95% CI:83%,96%)。2HG-MRS在预测胶质瘤IDH突变方面表现出优异的特异性。但由于N-乙酰天门冬氨酸和谷氨酸等的混杂作用可能掩盖低浓度下的2HG及胶质母细胞瘤具有大片坏死区会导致出现假阳性,因此仅靠2HG评估不足以预测IDH1突变胶质瘤。一项研究[30]表明,因为IDH突变的胶质瘤中的谷氨酸水平均显著降低,因此在谷氨酸和2HG的联合测量会增加区分IDH状态的预测价值。Suh等[31]研究认为,由于坏死区域具有高浓度的脂质和乳酸,在胶质母细胞瘤患者中,2HG/(脂质+乳酸)比值的诊断性能优于2HG浓度,而在低级别胶质瘤中两者无显著差别,2HG与脂质和乳酸的比值在预测胶质瘤患者异柠檬酸脱氢酶突变状态方面比单独使用2HG浓度更准确。此外,有研究[32]显示通过MRS分析2HG水平降低程度可以监测IDH突变胶质瘤患者的治疗反应。未来2HG-MRS在胶质瘤中的应用潜力仍需探索。

2 T2-FLAIR不匹配征在胶质瘤基因分型中的应用
2.1 T2-FLAIR不匹配征的起源及诊断效能

T2-FLAIR不匹配征是近几年研究最多的一种MRI形态学成像。T2-FLAIR不匹配征的定义为T2WI上病变表现为完全或近乎完全均匀的高信号,FLAIR图像上病变表现为相对低信号,但周围边缘高信号除外[33]。多项研究表明[34, 35, 36],在非增强性低级别胶质瘤中,T2-FLAIR不匹配征代表了IDH突变星形细胞瘤的高特异度,低敏感度的成像标志物。Patel等[33]首次报道了该征象,在其研究中的125例低级别胶质瘤患者中15例出现T2-FLAIR不匹配征,且这15例患者均为IDH突变、1p/19q非编码缺失,特异度为100%,敏感度仅为22%;在其验证研究中的82例低级别胶质瘤患者中出现的10例T2-FLAIR不匹配征的患者同样均为IDH突变、1p/19q非编码缺失,特异度100%,敏感度为45%。与Patel等的研究结果相似,Broen等[37]的多中心回顾性研究中,154例患者中38例(25%)出现T2-FLAIR不匹征,其中34例为弥漫性星形细胞瘤,IDH突变型,4例为间变性星形细胞瘤,IDH突变型,1p/19q非编码缺失,敏感度为51%,特异度为100%。另一项研究还发现[38],所有T2-FLAIR不匹配>50%的患者均为1p/19q完整,但无法获得IDH1-R132H免疫组化阴性患者的明确IDH检测结果。

以上研究证实了T2-FLAIR不匹配与IDH突变星形细胞瘤分类之间存在很强的关联。但是这些研究仅包括非增强的胶质瘤,Juratli等[39]分析了多机构队列中的不匹配信号,其中还包括对比剂增强的胶质瘤,发现T2-FLAIR不匹配的假阳性率为28.5%。虽然该研究纳入了增强性神经胶质瘤,但该队列中未提供非增强性胶质瘤的单独结果;且所有假阳性病例均为1p19q非编码缺失,无假阳性IDH野生型报告的病例。同样,Johnson等[40]进行了多机构回顾性分析,发现了几例假阳性T2-FLAIR不匹配征患者,其主要发生在患有儿童型胶质瘤的儿童或青年,其中仅1例为成人,即少突胶质瘤。相比之下,在儿科患者中观察到3例T2-FLAIR不匹配征,儿科病例的病理学谱各不相同,包括WHO Ⅰ级肿瘤(髓样星形细胞瘤)、WHO Ⅳ级肿瘤(K27M突变中线胶质瘤)和非肿瘤性疾病(可能为灰质异位)及1例具有小儿胶质瘤特征性分子改变特征的18岁成人星形细胞瘤。这可能是儿科和成人型胶质瘤之间的差异所致。T2-FLAIR不匹配征对成年患者群体中的IDH突变星形细胞瘤特异度可能不是100%,且在儿科人群中应谨慎解释T2-FLAIR不匹配征。之后,在人们对T2-FLAIR不匹配征的研究[41, 42],进一步证实T2-FLAIR不匹配征除了IDH突变型星形细胞瘤外,在少数其他肿瘤中也可看到。虽然这些研究结果显示在诊断IDH突变型的特异度不是100%,但仍具有高特异度及快速、广泛的临床应用潜能。

2.2 T2-FLAIR不匹配征的病理学机制

目前对T2-FLAIR不匹配征较为广泛认可的病理学机制是微囊样改变。Foltyn等[43]对408例新诊断的胶质瘤患者(113例低级别胶质瘤和295例胶质母细胞瘤)进行T2-FLAIR不匹配征在识别IDH突变体1p/19q非编码删除肿瘤方面的表现及对存在与不存在T2-FLAIR不匹配征的IDH突变型胶质瘤进行表观扩散系数(apparent diffusion coefficient, ADC)和相对脑血容量(relative cerebral blood volume, rCBV)值分析。结果发现12例低级别胶质瘤(10.6%)出现T2-FLAIR不匹配征,均为IDH突变,1p/19q非编码删除肿瘤(敏感度为10.9%,特异度为100%,阳性预测值为100%,阴性预测值为3.0%,准确度为13.3%)。T2-FLAIR不匹配征在任何其他分子亚组中均未发现,包括IDH突变型胶质母细胞瘤病例(n=5)。与无T2-FLAIR不匹配征的IDH突变体胶质瘤相比,具有T2-FLAIR不匹配征的IDH突变体胶质瘤的ADC显著升高(P<0.0001),rCBV值显著降低(P=0.0123)。此外,在具有T2-FLAIR不匹配征的IDH突变型胶质瘤中,FLAIR高信号边缘的ADC值显著低于肿瘤的FLAIR低信号核心(P=0.0005),可能反映了肿瘤细胞和微环境的特定差异。另一项研究[44]也表明T2-FLAIR不匹配征在核心和边缘之间具有显著不同的ADC值,表明不匹配征反映了肿瘤细胞和微环境的差异。其研究发现与在T2WI和FLAIR上表现为高信号的边缘相比,在T2WI上表现为高信号的核心和在FLAIR上表现为相对低信号的核心具有更高的ADC值(P=0.002)。ADC值的核心/边缘比率在有不匹配征的病例中显著较高(P=0.001),不取决于IDH状态、1p/19q状态和WHO分级。在Fujita等[45]对T2-FLAIR不匹配征病理研究结果发现,存在T2-FLAIR不匹配组的核心区域含有大量微囊,而边缘区域含有丰富的神经胶质纤维和细胞。相比之下,无T2-FLAIR不匹配组的核心区域有大量的神经胶质纤维。在ADC分析中,存在T2-FLAIR不匹配组的核心区域ADC值显著高于边缘区域(P<0.001)。然而无T2-FLAIR不匹配组的核心区域和边缘区域之间没有显著差异(P=0.12)。存在T2-FLAIR不匹配组的ADC值的核心/边缘比率显著高于无T2-FLAIR不匹配组(P<0.001)。这些结果表明区域依赖性微观结构差异可能反映IDH突变体1p/19q非编码星形细胞瘤中的不匹配征。不匹配征的核心特征是微囊性变化伴随较高的ADC值,而边缘区域有丰富的神经胶质纤维和细胞,伴随较低的ADC值。

Deguchi等[46]发现在22例IDH突变型星形细胞瘤患者中,8例出现微囊改变,其中7例出现T2-FLAIR不匹配征,微囊性改变与T2-FLAIR不匹配征显著相关(P<0.01)。从一名患者的多次取样中,对T2-FLAIR不匹配区域的标本进行HE染色后,观察到大量的微囊,而在T2-FLAIR匹配区域几乎没有观察到微囊。在研究关于T2-FLAIR不匹配征与微囊样改变的现有研究中,另一项研究[47]发现T2-FLAIR不匹配征阳性肿瘤与囊性结构密切相关,这些肿瘤更有可能在MRI上出现微囊性外观,并在病理报告中发现微囊性改变。这与Deguchi等的研究结果相同。虽然在MRI上表征微囊并不是一个绝对正确的过程,也没有在病理报告中普遍报道,但这种初步关联可能表明微囊结构有助于在MRI上显示的T2-FLAIR不匹配征特征性外观。

2.3 影响T2-FLAIR不匹配征诊断潜力的因素

在对T2-FLAIR不匹配征诊断潜力的研究中,Throckmorton等[47]研究结果显示在适当的临床条件下,消除T2序列为均匀高信号作为T2-FLAIR不匹配征的限定,即允许T2序列上出现不均匀性的肿瘤符合T2-FLAIR不匹配征的条件,结果研究人群中的敏感度显著增加,而不会降低IDH突变的特异度,这可能会增加T2-FLAIR不匹配征的诊断潜力。而另一项研究[48]发现用于采集FLAIR的反转时间(inversion time, TI)也会显著影响T2-FLAIR不匹配体征的诊断准确度,尤其是敏感度和阴性预测值。TI≥2400 ms时扫描结果显示,T2-FLAIR不匹配体征识别IDHmut-Noncodel星形细胞瘤的敏感度、特异度、阳性预测值和阴性预测值分别为30%、92%、80%和54%,然而TI<2400 ms时扫描结果显示,这些指标分别提高到67%、94%、92%和74%。而且当使用较短的TI获得FLAIR时,受试者工作特征曲线下面积从0.63提高到0.87。

多项研究表明,T2-FLAIR不匹配征和其他MRI序列结合可提高诊断的准确率。Lee等[49]研究发现ADC和CBV直方图参数,以及T2-FLAIR失配信号的组合显示,在区分IDHmut-Noncodel组与其他弥漫性低级别胶质瘤和IDH野生型方面,与单独的T2-FLAIR失配信号或任何单个参数相比,具有更好的诊断性能。另一项研究[50]显示肿瘤体积分数VADC>1.5×10-3 mm2/s与T2-FLAIR不匹配征表现出强烈的一致性,两个参数的组合提高了检测IDHmut-Noncodel低级别胶质瘤的敏感度。

综上所述,MRI作为一种非侵入性的检查工具,可以较好地预测胶质瘤的基因分型,以指导临床治疗。随着多模态技术的发展及临床应用,可以反映更多的胶质瘤信息,例如病变形态、血流、代谢和功能改变等;同时,需要进一步研究与发现类似于T2-FLAIR不匹配征这样更直观、简单但特异度高的形态学特征在基因分型中的价值与潜力。

利益冲突
作者利益冲突声明:

全部作者均声明无利益冲突。

参考文献References
[1]
LouisDN, PerryA, ReifenbergerG, et al. The 2016 World Health Organization Classification of Tumors of the Central Nervous System: a summary[J]. Acta Neuropathol, 2016, 131(6): 803-820. DOI: 10.1007/s00401-016-1545-1.
[2]
LouisDN, PerryA, WesselingP, et al. The 2021 WHO Classification of Tumors of the Central Nervous System: a summary[J]. Neuro Oncol, 2021, 23(8): 1231-1251. DOI: 10.1093/neuonc/noab106.
[3]
BrahimajBC, KochanskiRB, PearceJJ, et al. Structural and Functional Imaging in Glioma Management[J]. Neurosurgery, 2021, 88(2): 211-221. DOI: 10.1093/neuros/nyaa360.
[4]
HuangZ, LuC, LiG, et al. Prediction of Lower Grade Insular Glioma Molecular Pathology Using Diffusion Tensor Imaging Metric-Based Histogram Parameters[J/OL]. Front Oncol, 2021, 11 [2022-04-20]. https://www.frontiersin.org/articles/10.3389/fonc.2021.627202/full. DOI: 10.3389/fonc.2021.627202.
[5]
FiginiM, RivaM, GrahamM, et al. Prediction of Isocitrate Dehydrogenase Genotype in Brain Gliomas with MRI: Single-Shell versus Multishell Diffusion Models[J]. Radiology, 2018, 289(3): 788-796. DOI: 10.1148/radiol.2018180054.
[6]
AugelliR, CiceriE, GhimentonC, et al. Magnetic resonance diffusion-tensor imaging metrics in High Grade Gliomas: Correlation with IDH1 gene status in WHO 2016 era[J]. Eur J Radiol. 2019, 116: 174-179. DOI: 10.1016/j.ejrad.2019.04.020.
[7]
TanWL, HuangWY, YinB, et al. Can Diffusion Tensor Imaging Noninvasively Detect IDH1 Gene Mutations in Astrogliomas? A Retrospective Study of 112 Cases[J]. AJNR Am J Neuroradiol. 2014, 35(5): 920-927. DOI: 10.3174/ajnr.A3803.
[8]
MoonWJ, ChoiJW, RohHG, et al. Imaging parameters of high grade gliomas in relation to the MGMT promoter methylation status: the CT, diffusion tensor imaging, and perfusion MR imaging[J]. Neuroradiology, 2012, 54(6): 555-563. DOI: 10.1007/s00234-011-0947-y.
[9]
AhnSS, ShinNY, ChangJH, et al. Prediction of methylguanine methyltransferase promoter methylation in glioblastoma using dynamic contrast-enhanced magnetic resonance and diffusion tensor imaging[J]. J Neurosurg, 2014, 121(2): 367-373. DOI: 10.3171/2014.5.Jns132279.
[10]
McaleenanA, KellyC, SpigaF, et al. Prognostic value of test(s) for O6‐methylguanine-DNA methyltransferase (MGMT) promoter methylation for predicting overall survival in people with glioblastoma treated with temozolomide[J/OL]. Cochrane Database Syst Rev. 2021, 3(3) [2022-04-20]. https://www.cochranelibrary.com/cdsr/doi/10.1002/14651858.CD013316.pub2/full. DOI: 10.1002/14651858.CD013316.pub2.
[11]
ZhangH, SchneiderT, Wheeler-KingshottCA, et al. NODDI: practical in vivo neurite orientation dispersion and density imaging of the human brain[J]. Neuroimage, 2012, 61(4): 1000-1016. DOI: 10.1016/j.neuroimage.2012.03.072.
[12]
XieY, LiS, ShenN, et al. Assessment of Isocitrate Dehydrogenase 1 Genotype and Cell Proliferation in Gliomas Using Multiple Diffusion Magnetic Resonance Imaging[J/OL]. Front Neurosci, 2021, 15 [2022-04-20]. https://www.frontiersin.org/articles/10.3389/fnins.2021.783361/full. DOI: 10.3389/fnins.2021.783361.
[13]
GaoA, ZhangH, YanX, et al. Whole-Tumor Histogram Analysis of Multiple Diffusion Metrics for Glioma Genotyping[J]. Radiology, 2022, 302(3): 652-661. DOI: 10.1148/radiol.210820.
[14]
ZhaoJ, LiJB, WangJY, et al. Quantitative analysis of neurite orientation dispersion and density imaging in grading gliomas and detecting IDH-1 gene mutation status[J]. NeuroImage: Clin, 2018, 19: 174-181. DOI: 10.1016/j.nicl.2018.04.011.
[15]
LiSH, JiangRF, ZhangJ, et al. Application of Neurite Orientation Dispersion and Density Imaging in Assessing Glioma Grades and Cellular Proliferation[J/OL]. World Neurosurg, 2019, 131 [2022-04-20]. https://linkinghub.elsevier.com/retrieve/pii/S1878875019320273. DOI: 10.1016/j.wneu.2019.07.121.
[16]
UxaS, Castillo-BinderP, KohlerR, et al. Ki-67 gene expression[J]. Cell Death Differ, 2021, 28(12): 3357-3570. DOI: 10.1038/s41418-021-00823-x.
[17]
JiangR, JiangJ, ZhaoL, et al. Diffusion kurtosis imaging can efficiently assess the glioma grade and cellular proliferation[J]. Oncotarget, 2015, 6(39): 42380-42393. DOI: 10.18632/oncotarget.5675.
[18]
WangP, WengL, XieS, et al. Primary application of mean apparent propagator-MRI diffusion model in the grading of diffuse glioma[J/OL]. Eur J Radiol. 2021, 138 [2022-04-20]. https://linkinghub.elsevier.com/retrieve/pii/S0720048X21001029. DOI: 10.1016/j.ejrad.2021.109622.
[19]
SunY, SuC, DengK, et al. Mean apparent propagator-MRI in evaluation of glioma grade, cellular proliferation, and IDH-1 gene mutation status[J]. Eur Radiol, 2022, 32(6): 3744-3754. DOI: 10.1007/s00330-021-08522-4.
[20]
ZhangS, RauchGM, AdradaBE, et al. Assessment of Early Response to Neoadjuvant Systemic Therapy in Triple-Negative Breast Cancer Using Amide Proton Transfer-weighted Chemical Exchange Saturation Transfer MRI: A Pilot Study[J/OL]. Radiol Imaging Cancer, 2021, 3(5) [2022-04-20]. https://pubs.rsna.org/doi/10.1148/rycan.2021200155. DOI: 10.1148/rycan.2021200155.
[21]
SotiriosB, DemetriouE, TopriceanuCC, et al. The role of APT imaging in gliomas grading: A systematic review and meta-analysis[J/OL]. Eur J Radiol, 2020, 133 [2022-04-20]. https://linkinghub.elsevier.com/retrieve/pii/S0720048X20305428. DOI: 10.1016/j.ejrad.2020.109353.
[22]
ParkJE, LeeJY, KimHS, et al. Amide proton transfer imaging seems to provide higher diagnostic performance in post-treatment high-grade gliomas than methionine positron emission tomography[J]. Eur Radiol, 2018, 28(8): 3285-3295. DOI: 10.1007/s00330-018-5341-2.
[23]
JiangS, ZouT, EberhartCG, et al. Predicting IDH mutation status in grade Ⅱ gliomas using amide proton transfer-weighted (APTw) MRI[J]. Magn Reson Med, 2017, 78(3): 1100-1109. DOI: 10.1002/mrm.26820.
[24]
JooB, HanK, AhnSS, et al. Amide proton transfer imaging might predict survival and IDH mutation status in high-grade glioma[J]. Eur Radiol, 2019, 29(12): 6643-6652. DOI: 10.1007/s00330-019-06203-x.
[25]
XuZ, KeC, LiuJ, et al. Diagnostic performance between MR amide proton transfer (APT) and diffusion kurtosis imaging (DKI) in glioma grading and IDH mutation status prediction at 3 T[J/OL]. Eur J Radiol, 2021, 134 [2022-04-20]. https://linkinghub.elsevier.com/retrieve/pii/S0720048X20306562. DOI: 10.1016/j.ejrad.2020.109466.
[26]
HanY, WangW, YangY, et al. Amide Proton Transfer Imaging in Predicting Isocitrate Dehydrogenase 1 Mutation Status of Grade Ⅱ/Ⅲ Gliomas Based on Support Vector Machine[J/OL]. Front Neurosci, 2020, 14 [2022-04-20]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7047712. DOI: 10.3389/fnins.2020.00144.
[27]
PaechD, WindschuhJ, OberhollenzerJ, et al. Assessing the predictability of IDH mutation and MGMT methylation status in glioma patients using relaxation-compensated multipool CEST MRI at 7.0 T[J]. Neuro Oncol, 2018, 20(12): 1661-1671. DOI: 10.1093/neuonc/noy073.
[28]
JiangS, RuiQ, WangY, et al. Discriminating MGMT promoter methylation status in patients with glioblastoma employing amide proton transfer-weighted MRI metrics[J]. Eur Radiol, 2017, 28(5): 2115-2123. DOI: 10.1007/s00330-017-5182-4.
[29]
SuhCH, KimHS, JungSC, et al. 2-Hydroxyglutarate MR spectroscopy for prediction of isocitrate dehydrogenase mutant glioma: a systemic review and meta-analysis using individual patient data[J]. Neuro Oncol, 2018, 20(12): 1573-1583. DOI: 10.1093/neuonc/noy113.
[30]
NagashimaH, TanakaK, SasayamaT, et al. Diagnostic value of glutamate with 2-hydroxyglutarate in magnetic resonance spectroscopy for IDH1 mutant glioma[J]. Neuro Oncol, 2016, 18(11): 1559-1568. DOI: 10.1093/neuonc/now090.
[31]
SuhCH, KimHS, ParkJE, et al. Comparative Value of 2-Hydroxyglutarate-to-Lipid and Lactate Ratio versus 2-Hydroxyglutarate Concentration on MR Spectroscopic Images for Predicting Isocitrate[J/OL]. Radiol Imaging Cancer, 2020, 2(4) [2022-04-20]. https://pubs.rsna.org/doi/10.1148/rycan.2020190083. DOI: 10.1148/rycan.2020190083.
[32]
De La FuenteMI, YoungRJ, RubelJ, et al. Integration of 2-hydroxyglutarate-proton magnetic resonance spectroscopy into clinical practice for disease monitoring in isocitrate dehydrogenase-mutant glioma[J]. Neuro Oncol, 2015, 18(2): 283-290. DOI: 10.1093/neuonc/nov307.
[33]
PatelSH, PoissonLM, BratDJ, et al. T2-FLAIR Mismatch, an Imaging Biomarker for IDH and 1p/19q Status in Lower-grade Gliomas: A TCGA/TCIA Project[J]. Clin Cancer Res, 2017, 23(20): 6078-6085. DOI: 10.1158/1078-0432.ccr-17-0560.
[34]
GoyalA, YolcuYU, GoyalA, et al. The T2-FLAIR-mismatch sign as an imaging biomarker for IDH and 1p/19q status in diffuse low-grade gliomas: a systematic review with a Bayesian approach to evaluation of diagnostic test performance[J/OL]. Neurosurg Focus, 2019, 47(6) [2022-04-20]. https://thejns.org/focus/view/journals/neurosurg-focus/47/6/article-pE13.xml. DOI: 10.3171/2019.9.Focus19660.
[35]
ParkSI, SuhCH, GuenetteJP, et al. The T2-FLAIR mismatch sign as a predictor of IDH-mutant, 1p/19q-noncodeleted lower-grade gliomas: a systematic review and diagnostic meta-analysis[J]. Eur Radiol, 2021, 31(7): 5289-5299. DOI: 10.1007/s00330-020-07467-4.
[36]
LasockiA, GaillardF, GorelikA, et al. MRI Features Can Predict 1p/19q Status in Intracranial Gliomas[J]. AJNR Am J Neuroradiol, 2018, 39(4): 687-692. DOI: 10.3174/ajnr.a5572.
[37]
BroenMPG, SmitsM, WijnengaMMJ, et al. The T2-FLAIR mismatch sign as an imaging marker for non-enhancing IDH-mutant, 1p/19q-intact lower-grade glioma: a validation study[J]. Neuro Oncol, 2018, 20(10): 1393-1399. DOI: 10.1093/neuonc/noy048.
[38]
PengX, YishuangC, KaizhouZ, et al. Conventional Magnetic Resonance Features for Predicting 1p19q Codeletion Status of World Health Organization Grade Ⅱ and Ⅲ Diffuse Gliomas[J]. J Comput Assist Tomogr, 2019, 43(2): 269-276. DOI: 10.1097/rct.0000000000000816.
[39]
JuratliTA, TummalaSS, RiedlA, et al. Radiographic assessment of contrast enhancement and T2/FLAIR mismatch sign in lower grade gliomas: correlation with molecular groups[J]. J Neurooncol, 2018, 141(2): 327-335. DOI: 10.1007/s11060-018-03034-6.
[40]
JohnsonDR, KaufmannTJ, PatelSH, et al. There is an exception to every rule-T2-FLAIR mismatch sign in gliomas[J]. Neuroradiology, 2019, 61(2): 225-227. DOI: 10.1007/s00234-018-2148-4.
[41]
YeniçeriİÖ, YıldızME, ÖzdumanK, et al. The reliability and interobserver reproducibility of T2/FLAIR mismatch in the diagnosis of IDH-mutant astrocytomas[J]. Diagn Interv Radiol, 2021, 27(6): 796-801. DOI: 10.5152/dir.2021.20624.
[42]
AdamouA, BeltsiosET, PapanagiotouP. The T2-FLAIR Mismatch Sign as an Imaging Indicator of IDH-Mutant, 1p/19q Non-Codeleted Lower Grade Gliomas: A Systematic Review and Diagnostic Accuracy Meta-Analysis[J/OL]. Diagnostics (Basel), 2021, 11(9) [2022-04-20]. https://www.mdpi.com/2075-4418/11/9/1620. DOI: 10.3390/diagnostics11091620.
[43]
FoltynM, Nieto TabordaKN, NeubergerU, et al. T2/FLAIR-mismatch sign for noninvasive detection of IDH-mutant 1p/19q non-codeleted gliomas: validity and pathophysiology[J/OL]. Neurooncol Adv, 2020, 2(1) [2022-04-20]. https://academic.oup.com/noa/article/2/1/vdaa004/5699871. DOI: 10.1093/noajnl/vdaa004.
[44]
FujitaY, SasayamaT, NagashimaH, et al. NIMG-14. THE RELATION BETWEEN T2-FLAIR MISMATCH SIGN AND ADC VALUES REFLECTING PATHOLOGICAL MICROSTRUCTURE IN LOWER-GRADE GLIOMAS[J/OL]. Neuro Oncol, 2019, 21(Suppl_6) [2022-04-20]. https://academic.oup.com/neuro-oncology/article/21/Supplement_6/vi164/5619759. DOI: 10.1093/neuonc/noz175.686.
[45]
FujitaY, NagashimaH, TanakaK, et al. The Histopathologic and Radiologic Features of T2-FLAIR Mismatch Sign in IDH-Mutant 1p/19q Non-codeleted Astrocytomas[J/OL]. World Neurosurg, 2021, 149 [2022-04-20]. https://linkinghub.elsevier.com/retrieve/pii/S1878875021002345. DOI: 10.1016/j.wneu.2021.02.042.
[46]
DeguchiS, OishiT, MitsuyaK, et al. Clinicopathological analysis of T2-FLAIR mismatch sign in lower-grade gliomas[J/OL]. Sci Rep, 2020, 10(1) [2022-04-20]. https://www.nature.com/articles/s41598-020-67244-7. DOI: 10.1038/s41598-020-67244-7.
[47]
ThrockmortonP, GraberJJ. T2-FLAIR mismatch in isocitrate dehydrogenase mutant astrocytomas: Variability and evolution[J/OL]. Neurology, 2020, 95(11) [2022-04-20]. https://n.neurology.org/content/95/11/e1582. DOI: 10.1212/wnl.0000000000010324.
[48]
KinoshitaM, AritaH, TakahashiM, et al. Impact of Inversion Time for FLAIR Acquisition on the T2-FLAIR Mismatch Detectability for IDH-Mutant, Non-CODEL Astrocytomas[J/OL]. Front Oncol, 2021, 10 [2022-04-20].https://www.frontiersin.org/articles/10.3389/fonc.2020.596448/full. DOI: 10.3389/fonc.2020.596448.
[49]
LeeMK, ParkJE, JoY, et al. Advanced imaging parameters improve the prediction of diffuse lower-grade gliomas subtype, IDH mutant with no 1p19q codeletion: added value to the T2/FLAIR mismatch sign[J]. Eur Radiol, 2019, 30(2): 844-854. DOI: 10.1007/s00330-019-06395-2.
[50]
AliottaE, DuttaSW, FengX, et al. Automated apparent diffusion coefficient analysis for genotype prediction in lower grade glioma: association with the T2-FLAIR mismatch sign[J]. J Neurooncol, 2020, 149(2): 325-335. DOI: 10.1007/s11060-020-03611-8.
 
 
展开/关闭提纲
查看图表详情
回到顶部
放大字体
缩小字体
标签
关键词