MR T1WI 影像組學(xué)對(duì)結(jié)核性脊柱炎與布魯菌性脊柱炎的診斷價(jià)值

何 雄，陳艷麗，帕哈提·吐遜江，夏雨薇，劉文亞，郭 輝

1新疆醫(yī)科大學(xué)第一附屬醫(yī)院影像中心，新疆 烏魯木齊 830054；2新疆醫(yī)科大學(xué)第四臨床醫(yī)學(xué)院，新疆 烏魯木齊 830054；3慧影醫(yī)療科技（北京）有限公司，北京100089

結(jié)核性脊柱炎（TS）與布魯菌性脊柱炎（BS）是兩種 不同細(xì)菌侵襲感染脊柱而引起的感染性脊柱炎，在骨關(guān)節(jié)感染中以脊柱最為常見(jiàn)［1-3］。TS的影像學(xué)表現(xiàn)與BS較為相似，易發(fā)生誤診、誤治，不利于患者治療，導(dǎo)致患者病情加重，致患者癱瘓甚至死亡。目前，國(guó)內(nèi)外主要通過(guò)臨床表現(xiàn)、實(shí)驗(yàn)室檢查及影像學(xué)表現(xiàn)對(duì)TS與BS進(jìn)行鑒別診斷，必要時(shí)行穿刺活檢術(shù)或開(kāi)放手術(shù)病理檢查。但臨床表現(xiàn)和實(shí)驗(yàn)室檢查對(duì)于脊柱結(jié)核和化膿性脊柱炎鑒別診斷的特異性不高，往往依靠醫(yī)生的臨床經(jīng)驗(yàn)，誤診率高［4］。尋找TS與BS的早期診斷和鑒別診斷方法十分重要。隨著醫(yī)學(xué)影像人工智能技術(shù)的迅速發(fā)展及大數(shù)據(jù)的日積月累，傳統(tǒng)醫(yī)療模式向精準(zhǔn)醫(yī)學(xué)模式的過(guò)渡，影像組學(xué)逐漸成為量化影像圖像中各類(lèi)數(shù)據(jù)及輔助診療疾病的新手段。影像組學(xué)是近年來(lái)應(yīng)用于研究疾病早期診斷、鑒別診斷、醫(yī)學(xué)模型建立等方面的熱點(diǎn)，這種新的技術(shù)方法應(yīng)用于MRI分析中，可以獲取一些肉眼觀察不到的信息，它是從醫(yī)學(xué)影像圖像中獲取豐富的特征指標(biāo)，通過(guò)一系列的處理獲取有用的特征信息，最后建立機(jī)器學(xué)習(xí)模型［5-6］，從而獲取有價(jià)值的診斷結(jié)論。迄今為止，影像組學(xué)已廣泛應(yīng)用于肺癌、乳腺癌、直腸癌、膠質(zhì)瘤的研究中，而在脊柱感染性病變方面缺乏系統(tǒng)研究，有較少研究局限在解剖結(jié)構(gòu)識(shí)別、常規(guī)診斷方面[7]，本研究旨在探討MR T1WI影像組學(xué)的機(jī)器學(xué)習(xí)在鑒別診斷TS與BS中的效能，以此來(lái)提高這兩種疾病的診斷準(zhǔn)確性和檢出率，為精準(zhǔn)醫(yī)療提供更為豐富的依據(jù)。

1 資料與方法

1.1 一般資料

回顧性收集2019年3月～2021年12月在我院經(jīng)臨床和實(shí)驗(yàn)室確診的TS與BS患者病例。納入標(biāo)準(zhǔn)：臨床和實(shí)驗(yàn)室確診證實(shí)為T(mén)S或BS；接受脊柱MRI檢查；確診前有完整的T1WI且資料完整、影像清晰。排除標(biāo)準(zhǔn)：患者同時(shí)患有TS或BS以外的其他脊柱感染性病變；影像資料不全、偽影較多；圖像質(zhì)量不能滿足對(duì)感興趣區(qū)域（ROI）的勾畫(huà)；在MRI檢查前接受了治療。本研究最終共納入111例患者，其中男性85例，女性26例，年齡24～73歲，包括77例TS與34例BS。以0.8:0.2的比例將全部患者隨機(jī)分組到訓(xùn)練集（n=88）與驗(yàn)證集（n=23），訓(xùn)練集側(cè)重于對(duì)診斷模型的建立，驗(yàn)證集則側(cè)重于對(duì)模型鑒別診斷TS與BS的作用大小。訓(xùn)練集包括61例TS和27例BS，驗(yàn)證集包括16例TS和7例BS。訓(xùn)練集和驗(yàn)證集患者的性別、年齡差異均無(wú)統(tǒng)計(jì)學(xué)意義（P>0.05，表1）。本研究經(jīng)我院倫理委員會(huì)審核，獲得所有患者知情同意，并簽署臨床研究協(xié)議書(shū)。

表1 訓(xùn)練集與驗(yàn)證集患者性別、年齡比較Tab.1 Comparison of gender and age of patients in training set and verification set

1.2 檢查方法

采用1.5T MR掃描儀（西門(mén)子）進(jìn)行掃描，采用體線圈接收信號(hào)，予以T1WI序列掃描，具體數(shù)據(jù)如下：TR 400～700 ms，TE 11～15 ms，層厚3.0 mm，層距0.5 mm。

1.3 研究方法

將顯示TS或BS所有層面的MR T1WI序列圖像上傳至放射組學(xué)云平臺(tái)，由2名從事感染性脊柱疾病診斷經(jīng)驗(yàn)為5年與10年的影像醫(yī)生各自對(duì)影像圖片進(jìn)行篩選，優(yōu)先選取矢狀位圖像，沿病灶邊緣逐層手動(dòng)勾畫(huà)病灶ROI（圖1），提取整個(gè)病灶的圖像信息。將分割的病灶ROI在放射組學(xué)云平臺(tái)上進(jìn)行特征信息的提取，然后對(duì)得到的結(jié)果進(jìn)行組內(nèi)相關(guān)系數(shù)分析，組內(nèi)相關(guān)系數(shù)>0.75表明一致性良好，最終獲得觀察者間一致性。首先采用方差選擇法對(duì)提取的組學(xué)特征進(jìn)行初步降維，然后采用單變量特征選擇法對(duì)組學(xué)特征再次降維，最后通過(guò)最小絕對(duì)收縮與選擇算子算法（LASSO）對(duì)組學(xué)特征信息進(jìn)行選擇和降維處理（圖2），選擇出最優(yōu)特征信息（8個(gè)）并構(gòu)建模型（圖3）。所應(yīng)用的機(jī)器學(xué)習(xí)算法模型方法包括極限梯度增強(qiáng)法（XGBoost）、Logistic 回歸法（LR）、支持向量機(jī)法（SVM）、K鄰近法（KNN）。

圖1 MR T1WI上手動(dòng)勾畫(huà)感興趣區(qū)前后對(duì)比Fig.1 Comparison before and after manual delineation of ROI on MR T1WI.A: Before the outline;B: After the outline.

圖2 在特征選擇上的套索算法Fig.2 LASSO algorithm on feature selection.

圖3 LASSO降維后通過(guò)模型選擇篩選出的特征及其權(quán)重Fig.3 Features and their weights filtered through model selection after LASSO dimensionality reduction.

1.4 統(tǒng)計(jì)學(xué)分析

采用SPSS22.0軟件對(duì)數(shù)據(jù)進(jìn)行處理。計(jì)量資料以均數(shù)±標(biāo)準(zhǔn)差表示；計(jì)數(shù)資料的組間比較行卡方檢驗(yàn)或Fisher確切概率法。使用準(zhǔn)確度、ROC曲線及其95%CI評(píng)估各訓(xùn)練模型和驗(yàn)證模型對(duì)TS與BS的診斷效能。P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 預(yù)測(cè)模型在訓(xùn)練集中結(jié)果比較

4種機(jī)器學(xué)習(xí)算法預(yù)測(cè)模型的AUC由大到小的順序?yàn)椋篨GBoost>SVM>KNN>LR；準(zhǔn)確度由大到小的順序?yàn)椋篨GBoost>SVM=LR>KNN(表2)。所構(gòu)建的4種機(jī)器學(xué)習(xí)算法預(yù)測(cè)模型在訓(xùn)練集中的ROC曲線（圖4）。

圖4 4種機(jī)器學(xué)習(xí)算法預(yù)測(cè)模型在訓(xùn)練集中的ROC曲線Fig.4 ROC curve of four machine learning algorithm prediction models in training set.A: LR;B: SVM;C:KNN;D:XGBoost.

表2 4種T1WI機(jī)器學(xué)習(xí)算法預(yù)測(cè)模型在訓(xùn)練集中的診斷效能Tab.2 Diagnostic effectiveness of four T1WI machine learning algorithm prediction models in training set

2.2 預(yù)測(cè)模型在驗(yàn)證集中結(jié)果比較

4種機(jī)器學(xué)習(xí)算法預(yù)測(cè)模型的AUC由大到小順序?yàn)椋篖R>SVM>XGBoost>KNN；準(zhǔn)確度由大到小順序?yàn)椋篕NN=XGBoost>SVM=LR（表3）。所構(gòu)建的4種機(jī)器學(xué)習(xí)算法預(yù)測(cè)模型在驗(yàn)證集中的ROC曲線（圖5）。

圖5 4種機(jī)器學(xué)習(xí)算法預(yù)測(cè)模型在驗(yàn)證集中的ROC曲線Fig.5 ROC curve of four machine learning algorithm prediction models in validation set.A:LR;B:SVM;C:KNN;D:XGBoost.

表3 4種T1WI機(jī)器學(xué)習(xí)算法預(yù)測(cè)模型在驗(yàn)證集中的診斷效能Tab.3 Diagnostic effectiveness of four T1WI machine learning algorithm prediction models in validation set

3 討論

TS與BS癥狀非常相似，特別是在脊柱受累及方面［8-9］，選擇一種方法對(duì)兩者進(jìn)行鑒別診斷尤為重要。影像組學(xué)實(shí)現(xiàn)了將醫(yī)學(xué)圖像信息轉(zhuǎn)化為豐富的數(shù)據(jù)信息，通過(guò)病灶分割、特征提取與模型建立，對(duì)病灶進(jìn)行精準(zhǔn)、客觀、定量評(píng)估［10］，間接幫助醫(yī)生提高診斷準(zhǔn)確率［11-12］。影像組學(xué)的機(jī)器學(xué)習(xí)算法有很多種，但它們有共同的工作流程［13-14］。本研究采用的是影像組學(xué)分析中較為常用的建模方法，建立的XGBoost、LR、SVM和KNN影像組學(xué)預(yù)測(cè)模型在TS與BS鑒別上均表現(xiàn)出較好的預(yù)測(cè)性能，訓(xùn)練集中準(zhǔn)確度分別為0.97、0.83、0.83、0.78，測(cè)試集中準(zhǔn)確度分別為0.83、0.78、0.78、0.83，這表明本研究所建立的影像組學(xué)預(yù)測(cè)模型對(duì)TS與BS病變具有較高的預(yù)測(cè)價(jià)值，可作為治療病變TS與BS病變前的臨床輔助工具。

有研究對(duì)50 例脊柱多發(fā)性骨髓瘤患者T1WI、T2WI和FS-T2WI圖像提取分析了248個(gè)病灶（111個(gè)高危細(xì)胞遺傳學(xué)異常和137個(gè)非高危細(xì)胞遺傳學(xué)異常）的放射組學(xué)特征，并使用LR機(jī)器學(xué)習(xí)，預(yù)測(cè)了多發(fā)性骨髓瘤患者高危細(xì)胞遺傳異常的可行性［15-16］。在驗(yàn)證隊(duì)列中觀察到放射組學(xué)模型和組合模型之間的AUC值，分別為0.863和0.870。放射組學(xué)模型的AUC為0.863，敏感度為0.789，特異性為0.787，陽(yáng)性預(yù)測(cè)值為0.753，陰性預(yù)測(cè)值為0.824，準(zhǔn)確度為0.788，與訓(xùn)練隊(duì)列中的表現(xiàn)相當(dāng)，表明常規(guī)脊柱MRI的放射組學(xué)特征反映了多發(fā)性骨髓瘤患者高危細(xì)胞遺傳學(xué)異常和非高危細(xì)胞遺傳學(xué)異常之間的差異。本研究中，LR模型在穩(wěn)定性、準(zhǔn)確度及AUC方面均表現(xiàn)最佳，明顯優(yōu)于其他3種模型，從側(cè)面驗(yàn)證了LR機(jī)器學(xué)習(xí)算法所構(gòu)建的模型具有良好的穩(wěn)定性。既往文獻(xiàn)中也可以看到類(lèi)似的結(jié)果，構(gòu)建預(yù)測(cè)模型的機(jī)器學(xué)習(xí)算法可以用于不同的部位，LR機(jī)器學(xué)習(xí)算法可能對(duì)骶骨腫瘤、四肢和骨盆軟組織腫塊、肺實(shí)性結(jié)節(jié)和乳腺癌有較高的診斷效能［17］。在本研究中，LR機(jī)器學(xué)習(xí)算法在鑒別TS與BS病變方面也表現(xiàn)出了較好的診斷效能。

本研究通過(guò)應(yīng)用MR T1WI的影像組學(xué)來(lái)鑒別診斷TS與BS，聯(lián)合人工智能機(jī)器學(xué)習(xí)的4種方法，構(gòu)建了TS與BS的鑒別診斷模型，來(lái)提高對(duì)TS與BS鑒別診斷，為患者治療提供更加可靠的診斷結(jié)果。通過(guò)研究結(jié)果表明，構(gòu)建的TS與BS影像組學(xué)鑒別診斷模型有一定的價(jià)值（AUC均>0.75），特別是機(jī)器學(xué)習(xí)算法LR在鑒別TS與BS的驗(yàn)證集中診斷效能明顯優(yōu)于機(jī)器學(xué)習(xí)其他4種算法，同時(shí)LR檢測(cè)準(zhǔn)確度超過(guò)75%，展現(xiàn)出了非常優(yōu)異的診斷效能?？傮w來(lái)看，本研究機(jī)器學(xué)習(xí)的4種算法比較結(jié)果為：LR>SVM>XGBoost>KNN，提示在本研究機(jī)器學(xué)習(xí)的4種算法中，機(jī)器學(xué)習(xí)LR算法不僅具有較好的診斷效能，還在穩(wěn)定性、操控性、應(yīng)用潛力方面具有更大的優(yōu)勢(shì)。

本研究的局限性：共搜集到77例TS與34例BS，樣本量較少；樣本未進(jìn)行嚴(yán)格的圖像標(biāo)準(zhǔn)化處理，對(duì)病灶感興趣區(qū)的勾畫(huà)，仍采用人眼識(shí)別、手工勾畫(huà)的方式進(jìn)行，可能存在一定的人為因素影響；本研究只選用了我院病例進(jìn)行研究分析，會(huì)存在選擇性偏倚的可能。目前影像組學(xué)雖處于初步應(yīng)用階段，但是隨著研究的不斷深入，在未來(lái)會(huì)有更多新的成果被發(fā)掘出來(lái)，將會(huì)為患者的精準(zhǔn)醫(yī)療、個(gè)體化治療提供強(qiáng)有力的幫助。影像組學(xué)的進(jìn)步，不但推動(dòng)著醫(yī)學(xué)影像專(zhuān)業(yè)發(fā)展，而且對(duì)整個(gè)醫(yī)學(xué)事業(yè)的發(fā)展具有重要促進(jìn)意義。

綜上所述，基于MR T1WI影像組學(xué)的機(jī)器學(xué)習(xí)在鑒別診斷TS與BS的應(yīng)用方面有較高的應(yīng)用優(yōu)勢(shì)，特別是LR構(gòu)建的機(jī)器學(xué)習(xí)算法，可為診斷TS與BS的預(yù)測(cè)及預(yù)后評(píng)估提供一種較為可靠的診斷依據(jù)，具有較好的應(yīng)用前景。