【摘要】：背景小兒低級別膠質(zhì)瘤(Pediatric Low Grade Gliomas,PLGG)是指發(fā)生在小兒人群中的WHO分級較低級別的一組原發(fā)性中樞神經(jīng)系統(tǒng)腫瘤。該類疾病占小兒中樞神經(jīng)系統(tǒng)腫瘤30%以上。PLGG的總體預后良好,5年總生存率大約為95%。但是,存活人群常常因為疾病本身或者治療而遭受神經(jīng)功能、內(nèi)分泌等方面的并發(fā)癥。特別是手術(shù)不能完全切除的PLGG患者患者,還存在著病情進展的可能。因此對于僅可活檢或者部分切除的腦干、間腦、視路等位置的PLGG,特別是切除后進展時,需要一定的輔助治療。傳統(tǒng)的放化療方法存在的較高不良反應發(fā)生率限制其廣泛臨床應用,新的放化療方法還存在著各種各樣的不足之處。近年來基因組學的研究進展為PLGG的靶向治療提供了很多潛在的治療靶點。并且基于基因表型的分子病理分型對PLGG的預后意義重大。因此PLGG常見基因型的無創(chuàng)性檢測顯得意義尤為重大。多模態(tài)的MRI檢測為基因型的無創(chuàng)性檢測提供了一條可行之路。并且文獻檢索未發(fā)現(xiàn)MRI影像特征對PLGG基因型預測方面的研究。目的探究MRI影像特征對PLGG一些常見基因型的預測意義。方法回顧性分析2001年至2016年間在鄭州大學第一附屬醫(yī)院接受手術(shù)治療的PLGG患者基因型與MRI影像特征間的關(guān)系,通過對留存福爾馬林固定石蠟包埋病理組織進行基因檢測獲取基因型信息,對醫(yī)院留存的MRI電子影像資料進行影像特征分析獲取MRI影像特征資料。統(tǒng)計學分析描述性影像特征、MRI影像量化指標等MRI影像特征與基因型的相關(guān)性及評估影像特征對基因型的預測意義。結(jié)果描述性影像特征中對各個基因型可能的獨立預測特征有KIAA1549-BRAF融合的瘤體位置(P=0.045),BRAF突變的腫瘤邊緣清晰度(P=0.035),MYB擴增的瘤體位置(P=0.038)、ADC信號強度(P=0.032)。MRI影像量化指標FLAIR序列1%界值可能是KIAA1549-BRAF融合的獨立預測指標(P=0.019)。AUC結(jié)果顯示KIAA1549-BRAF融合聯(lián)合描述性影像特征和MRI影像量化指標=0.842(0.746-0.939)聯(lián)合可能獨立預測的描述性影像特征和MRI影像量化指標=0.819(0.719-0.919)總體描述性影像特征=0.809(0.708-0.909)和總體MRI影像量化指標=0.661(0.533-0.789),總體MRI影像量化指標=0.661(0.533-0.789)不大于每個單個MRI影像量化指標(T1增強序列1%界值=0.651(0.515-0.786)、FLAIR序列1%界值=0.665(0.533-0.796)、FLAIR序列最小值=0.676(0.547-0.805));BRAF突變聯(lián)合描述性影像特征和MRI影像量化指標=0.954(0.889-1.000)聯(lián)合可能獨立預測的描述性影像特征和MRI影像量化指標=0.871(0.718-1.000)≥總體描述性影像特征=0.768(0.556-0.981)和總體MRI影像量化指標=0.871(0.718-1.000),總體MRI影像量化指標=0.871(0.718-1.000)不大于每個單個MRI影像量化指標(FLAIR序列最大值=0.871(0.718-1.000));MYB擴增聯(lián)合描述性影像特征和MRI影像量化指標=0.706(0.520-0.892)=聯(lián)合可能獨立預測的描述性影像特征和MRI影像量化指標=0.706(0.520-0.892)總體描述性影像特征=0.903(0.788-1.000)和總體MRI影像量化指標=0.753(0.601-0.906),總體MRI影像量化指標不大于每個單個MRI影像量化指標(T1增強序列方差=0.741(0.582-0.901)、ADC序列10%界值=0.754(0.579-0.929))。結(jié)論瘤體位置、FLAIR序列1%界值可能是KIAA1549-BRAF融合的獨立預測指標,腫瘤邊緣清晰度可能是BRAF突變的獨立預測指標,瘤體位置、ADC信號強度可能是MYB擴增的獨立預測指標。端腦PLGG比小腦PLGG更不易發(fā)生KIAA1549-BRAF融合的改變,邊緣清晰的PLGG較邊緣不清的PLGG更不易發(fā)生BRAF突變,端腦PLGG較小腦PLGG更易發(fā)生MYB擴增。高ADC信號強度的PLGG更不易發(fā)生MYB擴增。單純相關(guān)MRI影像量化指標種類的增加并不能提高對基因型的預測效果,聯(lián)合描述性影像特征和MRI影像量化指標時增加相關(guān)指標的數(shù)目能提高對基因的預測效果。單純的描述性影像特征或者MRI影像量化指標間對基因型的預測無特定優(yōu)劣傾向。
【學位授予單位】：鄭州大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：R445.2;R739.4
【圖文】：

2016年世界衛(wèi)生組織中樞神經(jīng)系統(tǒng)腫瘤分級

正向（5'-TGCTTGCTCTGATAGGAAAATG-3'），反向（5'-CCACAAAATGGATCCAGACA-3'），序列長度為173 bp。TERTp、H3F3A、BRAF突變的典型測序結(jié)果的峰形圖如圖2。2.2 KIAA1549-BRAF 融合、MYB 擴增和 CDKN2A 缺失熒光原位雜交(Fluorescence in situ hybridization，F(xiàn)ISH)分析用FISH方法對KIAA1549-BRAF融合、MYB擴增和CDKN2A缺失進行評價[61，26]。在KIAA1549-BRAF融合檢測中，利用3個跨越整個BRAF基因的P1衍生的人工染色體克隆(Rp4-726N20、Rp5-839B19和Rp4-813F11)和7號染色體著絲粒計數(shù)探針(CEP7)。使用一種商品化的探針進行MYB擴增(Cytocell，英國細胞公司)檢測。采用Vysis LSI CDKN2A SpectrumOrange/CEP 9 SpectrumGreen Probes(Vysis)探針研究CDKN2A基因的缺失情況。每個病例至少統(tǒng)計分析100個非重疊信號。KIAA1549-BRAF融合被定義為20%以上的腫瘤細胞表現(xiàn)出BRAF：CEP7值≥1.15[62]。當>5%的細胞呈簇狀或目標(紅色)與參考(綠色)信號之比>2時，考慮MYB擴增[61]。當>20%的腫瘤細胞出現(xiàn)兩種信號丟失時，考慮CDKN2A純合缺失[26]。KIAA1549-BRAF融合陽性、MYB擴增陽性、CDKN2A缺失陽性的腫瘤典型圖片見圖3。

【相似文獻】

相關(guān)期刊論文 前10條

1 梁田;謝晟;;影像組學概述及其在肺部疾病中的應用[J];中日友好醫(yī)院學報;2019年01期

2 汪磊;;屏幕時代的影像思維與影像書寫[J];青年記者;2018年05期

3 劉毅鋒 ,陶琴;霉菌的影像特征[J];影像材料;2002年04期

4 王乾;任翠萍;王姍;李飛;孫囡;程敬亮;;頜骨外巨細胞修復性肉芽腫影像特征[J];中國醫(yī)學影像技術(shù);2017年09期

5 路玉昆;鞏貫忠;仇清濤;尹勇;;CT影像組學在指導肺癌精準放療中的應用進展[J];中國腫瘤臨床;2018年02期

6 張道強;朱旗;郝小可;邵偉;王明亮;黃嘉爽;黃碩;;腦影像智能分析[J];中國科學:信息科學;2018年05期

7 李華秀;李振輝;王關(guān)順;;影像組學在消化道系統(tǒng)的應用進展[J];中國臨床醫(yī)學影像雜志;2017年09期

8 吳毅;杜福文;林暉;蘇遠東;;38例放射學孤立綜合征患者的臨床表現(xiàn)和MRI的影像特征分析[J];當代醫(yī)藥論叢;2015年02期

9 林均海;Behcet病的胸內(nèi)表現(xiàn)及影像特征[J];實用放射學雜志;1998年03期

10 陸紹陽;新城市電影影像特征[J];電影藝術(shù);2004年05期

相關(guān)會議論文 前10條

1 潘詩農(nóng);;3T MR肩關(guān)節(jié)撞擊綜合癥影像特征分析[A];2009年中國運動醫(yī)學與關(guān)節(jié)鏡外科學術(shù)大會摘要[C];2009年

2 周振;王美青;李楠;;伴有顳下頜關(guān)節(jié)紊亂病癥狀的磨牙癥患者的關(guān)節(jié)影像特征[A];中華口腔醫(yī)學會全科口腔醫(yī)學專業(yè)委員會第一次學術(shù)年會會議論文集[C];2009年

3 張璐;唐紅;陳良龍;吳曉霞;程流泉;王湛博;王葉;黃鶴;李金國;汪晶晶;馮斌;智光;;心臟淀粉樣變性臨床及影像特征-多中心病例分析研究[A];中國超聲醫(yī)學工程學會成立30周年暨第十二屆全國超聲醫(yī)學學術(shù)大會論文匯編[C];2014年

4 張永勝;陳祖華;張志田;;前列腺外周帶癌T2WI影像特征的多因素分析[A];2016年浙江省醫(yī)學會放射與影像技術(shù)學術(shù)年會論文匯編[C];2016年

5 蕭云備;蔡健;武志剛;李澄棣;;MRI影像特征在預測頑固性血精患者預后中的價值[A];2015年浙江省泌尿外科學男科學學術(shù)年會論文匯編[C];2015年

6 李鶴虹;;兒童異常體動脈供血的肺部影像特征分析[A];中華醫(yī)學會第十八次全國放射學學術(shù)會議論文匯編[C];2011年

7 侯代倫;;結(jié)核病不典型影像特征分析[A];結(jié)核病診治新進展學術(shù)研討會資料匯編[C];2014年

8 徐雷鳴;徐瓊;王加偉;張敏鳴;;可逆性后部腦病綜合征的臨床與影像特征分析[A];2013年浙江省放射學學術(shù)年會論文集[C];2013年

9 張偉;郭強;陳俊喜;華剛;談慶華;;多形性黃色星形細胞瘤臨床及影像特征分析[A];第六屆CAAE腦電圖與神經(jīng)電生理大會會刊[C];2018年

10 王漢東;;海綿竇海綿狀血管瘤的影像特征和顯微手術(shù)[A];中國醫(yī)師協(xié)會神經(jīng)外科醫(yī)師分會第四屆全國代表大會論文匯編[C];2009年

相關(guān)博士學位論文 前3條

1 張海濤;基于高分影像的滑坡提取關(guān)鍵技術(shù)研究[D];中國地質(zhì)大學;2017年

2 吳應江;基于多核學習的疑似AD腦MRI影像分類算法[D];貴州大學;2017年

3 劉懷鵬;基于WorldView-2數(shù)據(jù)的城市典型綠化樹種分類[D];內(nèi)蒙古農(nóng)業(yè)大學;2016年

相關(guān)碩士學位論文 前10條

1 趙海彪;MRI影像特征預測PLGG基因型價值分析[D];鄭州大學;2019年

2 楊磊;基于影像特征與物理特征的斑塊組織類型識別[D];河北大學;2019年

3 史張;基于高分辨率磁共振成像對活體及離體顱內(nèi)動脈粥樣硬化斑塊的影像組學分析[D];中國人民解放軍海軍軍醫(yī)大學;2018年

4 路子祥;基于功能腦影像的臨床變量值回歸分析方法研究[D];南京航空航天大學;2018年

5 李蟬秀;基于稀疏學習的影像遺傳關(guān)聯(lián)分析方法及其應用研究[D];南京航空航天大學;2018年

6 董玲;基于影像組學的肺癌ALK突變患者預后分析[D];電子科技大學;2018年

7 仇清濤;不同分割方法對肝癌CT影像組學特征提取影響的研究[D];山東師范大學;2018年

8 李佳;基于無人機影像數(shù)據(jù)災損信息提取研究[D];成都理工大學;2016年

9 黎健明;二十一世紀以來的中國獨立影像該何去何從？[D];福建師范大學;2009年

10 趙婷婷;高鐵安全隱患的三種高效面向?qū)ο筮b感變化檢測方法[D];西南交通大學;2014年

本文編號：2727964