这是一项由Yae Won Park、Soopil Kim等人开展的单中心回顾性研究，作者主要来自韩国延世大学医学院放射科与影像科学研究所、大邱庆北科学技术院机器人工程系、延世大学医学院神经外科与病理科。该论文发表于*European Radiology*（2020年30卷4615–4622页），题为“Magnetic resonance imaging–based 3-dimensional fractal dimension and lacunarity analyses may predict the meningioma grade”，旨在探讨基于MRI的三维分形维数（fractal dimension, FD）与腔隙度（lacunarity）是否能够预测脑膜瘤（meningioma）的病理级别。

在学术背景方面，脑膜瘤是成人最常见的原发性颅内肿瘤，约占所有颅内肿瘤的36.7%，其中约22.0%–35.5%为世界卫生组织（World Health Organization, WHO）II级或III级的高级别脑膜瘤。与低级别（WHO I级）脑膜瘤相比，高级别脑膜瘤具有更强的侵袭性生物学行为、更高的复发风险及更高的死亡率。标准治疗方案通常包括手术切除，高级别脑膜瘤还常需辅助放疗。术前预测脑膜瘤级别对制定治疗策略非常重要，尤其是手术切除范围的规划。此外，根据欧洲神经肿瘤学会（European Association of Neuro-Oncology, EANO）的指南，部分偶然发现且影像上考虑为脑膜瘤的病例可选择观察随访，因此组织学级别未必总能通过手术病理确认。年龄和性别等临床信息与肿瘤级别的相关性较弱，目前仍缺乏可靠的术前预测参数。既往影像研究多集中于常规MRI特征、扩散与灌注成像、酰胺质子转移成像及PET等，但总体而言影像分级价值仍较低。分形特征是一种基于模型的特征，通过数学方法描述物体在一定尺度范围内的形状复杂程度。分形维数和腔隙度是分形分析中描述复杂性与分布特征的两个参数。FD为描述物体内在形状的非整数值，FD越高表示复杂性越高；腔隙度则是表示空隙程度和旋转（或平移）不变性的几何量。已有研究将分形分析用于胶质瘤分级、区分胶质母细胞瘤与中枢神经系统淋巴瘤以及预测胶质母细胞瘤生存期，但尚无研究将其应用于脑膜瘤。因此，作者提出假设：三维分形特征可以量化脑膜瘤的复杂性，从而有助于无创预测脑膜瘤级别。

在研究流程方面，该研究为回顾性设计，纳入2009年6月至2018年3月期间接受病理确认及术前常规MRI检查的脑膜瘤患者。排除标准包括：既往有手术史（7例）、MRI检查前有肿瘤栓塞或伽玛刀治疗史（2例）、缺乏增强后T1加权（post-contrast T1-weighted, T1C）图像或图像质量不佳（1例）。最终共纳入131例患者，其中105例女性和26例男性，平均年龄57.8±13.0岁。术前MRI采用3.0T扫描仪（Achieva, Philips Medical Systems）和8通道灵敏度编码头线圈完成，T1C图像在注射钆对比剂后获取。病理诊断由神经病理科医师依据2016年WHO标准完成。不典型脑膜瘤（WHO II级）的标准包括每10个高倍视野下4–19个核分裂象、脑浸润或至少满足三项以下特征：片状生长、细胞密度增高、自发性坏死、大而突出的核仁和小细胞；间变性脑膜瘤（WHO III级）则需具备明显间变或核分裂象计数大于20个/10个高倍视野。核分裂象计数采用磷酸化组蛋白H3标记评估，Ki-67标记指数也予以测定。肿瘤分割由一位具有7年经验的神经影像科医师在不知晓临床和病理结果的情况下，在T1C图像上对每个肿瘤层面进行半自动分割，采用交互式水平集感兴趣容积和基于强度的算法，同时避开囊变、出血和坏死区域。为了评估观察者间一致性，随机选择30例患者由另一位具有14年经验的神经影像科医师独立分割。分割使用3D Slicer软件（4.6.2-1版）完成。三维分形分析基于盒计数算法（box-counting algorithms）计算FD和腔隙度。FD通过不同盒尺寸下包含部分三维二值掩膜的盒数变化计算，腔隙度则通过多个包含部分三维二值掩膜的盒的变异系数平方的均值计算。由于最佳盒大小未知，FD和腔隙度均在21至27个体素的不同三维盒尺寸下计算，并在每例患者中计算均值。常规影像特征评估包括位置（颅底与非颅底）、包膜强化、不均匀强化和坏死，由两位神经影像科医师独立评估，分歧经协商解决。统计分析比较低级别与高级别脑膜瘤的基线特征，评估分形参数的观察者间信度，使用单因素和多因素logistic回归分析高级别脑膜瘤相关的临床与影像特征。通过C统计量比较有无三维分形特征的预测模型的判别能力，并计算净重分类指数（net reclassification index, NRI）和综合判别改善指数（integrated discrimination improvement, IDI）。此外，还采用Pearson相关分析评价分形参数与核分裂象计数及Ki-67标记指数的相关性。

在主要结果方面，98例为低级别脑膜瘤，其中过渡型48例、脑膜上皮型29例、纤维型11例、砂粒体型4例、血管瘤型3例、微囊型2例和分泌型1例；33例为高级别脑膜瘤，其中不典型29例、间变性4例。高级别脑膜瘤患者年龄显著高于低级别组（61.7岁 vs. 56.5岁，p=0.047）。FD的观察者间一致性极佳，组内相关系数（intraclass correlation coefficient, ICC）为0.99（95%置信区间0.98–0.99），腔隙度的ICC为0.97（95%置信区间0.96–0.98）。常规影像特征的观察者间一致性方面，位置κ=0.823，不均匀强化κ=0.739，包膜强化κ=0.545，坏死κ=0.695。单因素分析显示，年龄较大（比值比[odds ratio, OR]=1.034，p=0.049）、包膜强化缺失（OR=6.6，p<0.001）、不均匀强化（OR=5.3，p=0.001）、坏死（OR=3.7，p=0.002）、较高FD（OR=93.6，p<0.001）和较高腔隙度（OR=1.9，p=0.008）与高级别脑膜瘤相关。多因素分析中，FD（OR=184.8，p=0.001）和腔隙度（OR=2.7，p=0.003）是预测脑膜瘤级别的独立变量。比较两个预测模型，模型1包含年龄、包膜强化缺失、不均匀强化和坏死，AUC为0.78（95%置信区间0.69–0.87）；模型2在模型1基础上加入FD和腔隙度，AUC提升至0.84（95%置信区间0.76–0.92），虽C统计量差异未达到统计学显著性（p=0.148），但模型2的NRI为0.77（95%置信区间0.41–1.13），IDI为0.13（95%置信区间0.07–0.20），提示判别能力显著改善。FD与核分裂象计数（r=0.192，p=0.045）和Ki-67标记指数（r=0.228，p=0.010）显著相关；腔隙度与Ki-67标记指数显著相关（r=0.230，p=0.009），但与核分裂象计数无显著相关性（r=0.109，p=0.256）。

在结论与价值方面，该研究表明高级别脑膜瘤具有更高的三维FD和腔隙度，提示其复杂性更高、旋转方差更大。分形分析有望成为预测脑膜瘤级别的有用影像生物标志物。其科学价值在于首次将三维分形分析应用于脑膜瘤级别预测，克服了二维分析难以反映三维物体真实分形行为的局限；其应用价值在于该方法基于常规增强T1加权序列即可完成，不具备高级成像序列或复杂设备条件限制，具有较好的临床可及性。此外，FD和腔隙度与反映肿瘤增殖活性的核分裂象计数和Ki-67指数相关，进一步支持这些参数在病理生理层面的意义。与常规影像特征相比，分形参数具有更高的观察者间一致性，可减少主观评估带来的差异。与既往影像组学研究相比，该研究仅使用两个分形参数，计算资源需求较低，且具有高重复性。这些特点使其在临床常规应用和纵向随访中具有潜力。

本研究的亮点包括：首次在脑膜瘤中应用三维分形分析预测病理级别；证明三维FD和腔隙度在高级别脑膜瘤中显著升高；在包含临床和常规影像特征的预测模型中加入三维分形特征后，模型判别能力得到改善；FD与腔隙度与核分裂象计数及Ki-67指数显著相关，提示分形参数可反映肿瘤的增殖活性；分形参数的观察者间一致性极佳，优于部分常规影像特征的主观评估。研究也存在一些局限性，例如单中心回顾性设计、样本量有限、分形分析算法缺乏标准化等。总体而言，该研究为脑膜瘤术前无创分级提供了一种简便、可靠且具有生物学相关性的影像分析方法。