Prediction Models of IDH and ATRX Gene Status in Diffuse Gliomas Based on VASARI Features [ORIGINAL RESEARCH]

預測瀰漫性神經膠質瘤的基因突變時，影像特徵對 ATRX 突變的預測力遠不若 IDH 突變來得可靠——即使結合了標準影像特徵與最低表觀擴散係數，其驗證集 AUC 仍僅有 0.71。當放射科早已習慣將分子診斷視為標準流程時，非侵入式 MRI 模型在 IDH 預測上確實達到了 0.92 的高準確度，但在區分 ATRX 狀態時仍顯得力不從心。這提醒我們在審視腦瘤術前影像時，不能將所有基因型的預測模型一視同仁，必須針對不同分子的影像表現特性給予不同的信任權重。

瀰漫性膠質瘤的基因分型與 VASARI 評分系統

自從世界衛生組織（WHO）更新中樞神經系統腫瘤分類後，IDH 與 ATRX 基因突變狀態已成為決定瀰漫性膠質瘤診斷與分級的核心依據。在常規臨床路徑中，取得這些基因資訊高度仰賴侵入性的立體定位切片或開顱手術，這對於需要術前擬定切除策略的醫療團隊而言，始終是一個資訊滯後的瓶頸。為了在術前無創取得基因情報，醫療界近年來積極開發各種影像預測模型，但許多模型過度依賴複雜的 radiomics（從影像自動抽上千個量化特徵），導致其難以在缺乏專門軟體的地區醫院落地。

為了解決模型難以泛用的問題，本研究團隊捨棄了黑盒子般的機器學習特徵提取，轉而採用 VASARI（Visually Accessible Rembrandt Images，標準化腦部腫瘤影像視覺特徵）系統。這套系統由放射科醫師直接以肉眼評估腫瘤的形態學特徵，例如 CET（contrast enhanced tumors，顯影劑強化的腫瘤區域）的比例、nCET（non-contrast enhanced tumors，無顯影劑強化的腫瘤區域）的分佈、邊界清晰度、壞死程度等。將這些人類可解釋的視覺特徵與患者年齡、ADC 數值相結合，不僅大幅降低了技術門檻，更讓放射科醫師能夠直觀地理解模型背後的邏輯。

將這套具備高度臨床親和力的視覺特徵轉換為數值後，團隊即可利用多變數邏輯斯迴歸來建立預測模型。相較於僅依靠單一影像切面或單一表觀擴散係數的傳統做法，VASARI 提供了全面性的病灶結構描述，使預測結果更具立體感與穩定性。對於每天需要處理大量腦瘤影像的放射科醫師而言，這種無需額外後處理軟體、單憑常規 MRI 序列即可進行評估的方法，無疑具有極高的實用價值。

592 例受試者與 7 比 3 的切割驗證設計

從研究設計的細節來看，這是一項具備相當規模的單中心回顧性研究，共納入了 592 位經病理證實為瀰漫性膠質瘤的病患。在這群受試者中，包含 352 位 IDH 野生型以及 240 位 IDH 突變型的患者。為了建立穩健的預測模型，研究團隊採用了標準的機器學習資料分割策略，將所有患者依照 7 比 3 的比例，隨機分派至訓練集（414 例）與內部驗證集（178 例），以此來訓練並檢驗 IDH 狀態的預測效能。

由於在 WHO 最新分類標準中，ATRX 突變狀態主要用於進一步細分 IDH 突變型的膠質瘤（藉此區分星狀細胞瘤與寡樹突膠質瘤），因此針對 ATRX 的預測模型，團隊僅提取了那 240 位 IDH 突變的患者進行次群組分析。在這個次群組中，包含 109 位 ATRX 突變型與 131 位 ATRX 野生型的病患。同樣地，這 240 位患者也被切分為訓練集（168 例）與驗證集（72 例），以專門針對 ATRX 的預測能力進行建模與驗證。

在特徵擷取階段，由兩位具備神經放射專長的醫師獨立審視患者的常規 MRI 影像，並依據 VASARI 準則進行評分。為了確保數據的可靠性，研究應當會計算 ICC（intraclass correlation coefficient analysis，評估不同閱片者間的一致性指標）來檢驗兩人評分的一致度。隨後，這些主觀視覺特徵與客觀的年齡、擴散張量影像數據被一同投入多變數邏輯斯迴歸分析中，藉此篩選出最具統計顯著性的變數，並最終將其轉化為 nomogram（列線圖，將多個變數轉化為視覺化計分板），讓臨床醫師能以簡單的加總計算得出突變機率。

Table 2 與 Figure 3 展現的 IDH 預測效能

把焦點轉向模型對 IDH 狀態的預測表現，研究團隊在 Table 2 及其對應的多變數迴歸分析中，成功辨識出最關鍵的預測因子。最終建構的 IDH 預測模型融合了 6 項關鍵的 VASARI 視覺特徵，並加上患者年齡以及 rADC（相對表觀擴散係數，腫瘤與正常腦組織的擴散比值）。這 8 個變數的組合展現了極高的鑑別力，在訓練集中的 AUC 高達 0.96（95% CI: 0.94-0.98），而在獨立的驗證集中，AUC 也維持在非常優異的 0.92（95% CI: 0.88-0.97）。

這個 0.92 的驗證集 AUC 數字具有極大的臨床意義。它代表著，僅憑放射科醫師對影像的主觀評量與簡單的 ADC 比值測量，我們就有超過九成的把握能夠在患者入手術室前，準確預測其腫瘤是否帶有 IDH 突變。rADC 在這裡扮演了重要的客觀校準角色，因為 IDH 突變型膠質瘤通常生長較緩慢、細胞密度相對較低，其水分子的擴散受限程度通常不如 IDH 野生型（如膠質母細胞瘤）來得嚴重，因此較高的 rADC 值往往強烈暗示著 IDH 突變的存在。

此外，研究團隊不僅僅關注模型的分類準確度，更進一步透過 DCA（decision curve analysis，評估模型在不同閾值下帶來淨收益的演算法）以及校準曲線（calibration plots）來驗證這套 nomogram 的真實應用價值。DCA 曲線證實，在極寬廣的風險閾值範圍內，使用這套基於 VASARI 的模型來指導 IDH 預測，能比「全當作突變」或「全當作野生型」的盲猜策略帶來顯著更高的臨床淨收益。這意味著，這個模型已經具備了直接整合進日常術前討論會的堅實潛力。

驗證集 AUC 0.71：ATRX 預測的次群組挑戰

然而，當我們仔細檢視針對 240 位 IDH 突變患者所進行的 ATRX 預測次群組分析時，數據呈現了截然不同的光景。在這個僅包含 IDH 突變者的進階分類任務中，模型最終選取了 3 項 VASARI 特徵，結合患者年齡以及 ADCmin（最低表觀擴散係數，代表腫瘤細胞最密集處）來進行預測。儘管整合了這些變數，該模型在訓練集的 AUC 僅達到 0.76（95% CI: 0.68-0.83），而在驗證集更是滑落至中等表現的 0.71（95% CI: 0.58-0.83）。

這個僅有 0.71 的 AUC 以及其寬廣的 95% 信賴區間下限（0.58，幾乎逼近拋硬幣的 0.5），突顯了利用常規 MRI 來區分 ATRX 狀態的巨大難度。在病理學上，帶有 IDH 突變且伴隨 ATRX 缺失的通常是星狀細胞瘤，而 ATRX 保留且伴隨 1p/19q 共同缺失的則是寡樹突膠質瘤。這兩種腫瘤在常規的 T1、T2 或顯影影像上，常常呈現極度相似的瀰漫性浸潤特徵，缺乏像是「IDH 野生型容易出現顯著壞死與環狀顯影」那樣強烈的視覺對比。

雖然團隊在此處巧妙地將 rADC 替換為 ADCmin，試圖捕捉寡樹突膠質瘤可能具備的微觀高細胞密度特徵，但由於兩者間的巨觀形態差異實在過於細微，VASARI 這種肉眼評分系統難以提供足夠的鑑別力。這項數據明確地告訴放射科醫師：當面對一顆已經高度懷疑為 IDH 突變的低至中度數值膠質瘤時，我們不該過度自信地僅憑影像去預判它是星狀細胞瘤還是寡樹突膠質瘤。在這個分子層級的交叉路口，傳統影像學的極限已經顯現。

多變數邏輯斯迴歸的限制與日常讀片啟示

從 Discussion 裡的脈絡可以推知，這項研究存在著幾個難以忽視的限制。首先，所有的患者數據均來自單一醫療機構，雖然使用了內部驗證集來測試穩定性，但缺乏外部多中心的驗證，這意味著該模型對於不同廠牌 MRI 機台、不同造影參數下的泛化能力仍是未知數。其次，VASARI 評分本質上依賴人工視覺判讀，儘管有兩位醫師進行評估以減少偏誤，但在繁忙的臨床一線，不同資歷的醫師對於「邊界是否清晰」或「非顯影區塊比例」的主觀認知必然存在波動。

對於忙碌的放射科醫師而言，這篇論文提供了非常明確的實戰指引。在日常打報告時，當你面對一顆瀰漫性膠質瘤，你完全可以放心地利用年齡、腫瘤形態特徵以及 rADC 來向神經外科醫師強烈暗示其 IDH 狀態。這項資訊對於決定是否要進行更大範圍的積極切除（supra-maximal resection）具有決定性的參考價值，因為 IDH 突變患者往往能從更激進的手術中獲得更長的生存期。

然而，當神經外科醫師進一步詢問這是否為寡樹突膠質瘤（涉及 ATRX 與 1p/19q 狀態）時，我們必須堅守專業的謹慎。基於驗證集僅有 0.71 的準確度，我們應當坦承目前基於 VASARI 的模型尚不足以取代病理染色。這種「有所為、有所不為」的態度，正是建立放射科權威與贏得臨床信任的關鍵。

術前評估瀰漫性膠質瘤時，請放膽用 rADC 結合影像特徵預測 IDH 狀態；但要猜測 ATRX 突變時，請乖乖請外科醫師取樣等病理科的染色報告。