基于機器學習算法的影像組學在MRI診斷早期股骨頭壞死中的應用

朱士銘，滕偉，李唯，宣建新

承德市中心醫院CT 室，河北 承德 067000；*通信作者 朱士銘 Zhushiming@yandex.com

股骨頭壞死（femoral head osteonecrosis，ONFH）是骨科常見的難治性疾病[1]，發病進展較快，一旦診斷和治療不及時，壞死的股骨頭可能逐漸塌陷，病情發展到終末期往往需要行人工全髖關節置換術[2]。ONFH早期壞死區域小，易漏診。MRI對于早期ONFH診斷快速、靈敏、無創，在臨床上廣泛應用，但仍存在一定的漏診和誤診[3-4]。

影像組學是高通量地從醫學影像中提取大量特征，采用自動或半自動分析方法將影像數據轉化為具有高分辨率的可挖掘數據集。借助計算機輔助診斷，對影像學圖像自動進行診斷及分類，從而提供更加客觀、準確的診斷結果[1]。應用影像組學輔助疾病診斷在臨床上已取得一定的成果[5-6]。然而，既往關于影像組學應用于ONFH 診斷的相關研究較少。本研究擬通過影像組學方法分析早期ONFH 的MRI 特征，以輔助診斷ONFH 及判斷分期，提高本病的診斷準確性和檢出率，縮短診斷時間。

1 資料與方法

1.1 研究對象 回顧性分析2014年1月—2019年8月承德市中心醫院放射科接受髖關節MRI 檢查的患者。納入標準：①年齡18～75 歲；②曾于我院接受髖關節MRI 檢查，且資料完整、影像清晰。排除標準：①影像資料不全、質量差或運動偽影的患者；②髖MRI 正常，但臨床判斷可能為ONFH 患者；③創傷性ONFH患者；④有保髖手術史患者；⑤有代謝性骨病患者；⑥國際骨循環協會（Association Research Circulation Osseous，ARCO）分期[7]為Ⅲ、Ⅳ期的ONFH 患者。ARCO 股骨頭壞死分期[7]，Ⅰ期：X 線檢查正常，MRI和（或）骨核素掃描可發現；Ⅱ期：X 線檢查陽性，股骨頭無塌陷、髖臼無改變；Ⅲ期：X 線表現為新月征，股骨頭塌陷；Ⅳ期：股骨頭變扁，髖關節退行性改變，髖臼受累，關節間隙變窄，關節面毛糙。

最終納入293 例患者，根據診斷標準將I 期57 例和II期61 例納入ONFH組；非股骨頭壞死（NONFH）組共納入175 例。應用隨機數字法分別抽取70%的病例用于訓練模型，30%用于驗證模型。訓練集共納入206 例，其中83 例ONFH、123 例NONFH；驗證集共納入87 例，其中35 例ONFH、52 例NONFH。訓練集和驗證集患者性別、年齡、體質量指數（BMI）和ONFH 比例差異均無統計學意義（P>0.05），見表1。本研究經倫理委員會審核，所有患者均知情同意。

表1 訓練集與驗證集患者一般資料比較

1.2 儀器與方法 采用Siemens Avanto 1.5T MR 掃描儀。患者取仰臥位，上肢上舉，采用體部表面線控陣線圈，掃描序列為冠狀位和橫斷位高分辨T1WI，掃描參數：TR 450 ms，TE 101 ms，FOV 410 mm×410 mm，矩陣352×350，層厚3 mm，層間距0.6 mm。

在ITK-SNAP 3.60（http://www.itksnap.org）上由1 名放射科主治醫師手工勾勒出T1WI 冠狀位和橫斷位上股骨頭的邊緣，即感興趣區（ROI，圖1）。利用影像組學方法分析收集的股骨頭圖像。應用計算機高通量提取多種影像學特征值，包括一階統計量（描述ROI 內強度信息）、紋理特征值（描述ROI內像素間關系，即圖像的紋理信息）、小波變換特征量（將圖像信號分解成一系列小波函數的疊加，主要用于圖像不同頻域信息的特征提取）和高斯-拉普拉斯算子特征量（先用高斯函數對圖像進行平滑降噪，然后用拉普拉斯算子進行梯度運算，提取變換后的圖像特征值）等共319 項特征值。再應用廣義線性模型（least absolute shrinkage and selection operator，LASSO）進行特征選擇（圖2），共篩選出相關特征值 9 項（方差閾值=0.8 ），包括Firstorder_10Percentile、glcm_Contrast、glcm_Correlation、glcm_DifferenceVariance、glszm_GrayLevelNonUniformity、Min Intensity、Spherical Disproportion、glcm_Imc1、shape_SphericalDisproportion。于ONFH 組和NONFH 組分別隨機抽取206 例用于訓練模型，87 例用于驗證模型。所應用建模方法包括Logistic 回歸（Logistic regression，LR）、隨機森林法（random forest，RF）、支持向量機法（support vector machine，SVM）和K最鄰近法（K-nearest neighbor，KNN）。

圖1 髖關節MRI 上感興趣區勾畫

圖2 特征值篩選。A.LASSO 算法調節參數log（alpha）的選擇；B.319 項影像組學特征在模型中的系數，垂直線表示經10 倍交叉驗證后的最優選擇log（alpha）值，最后共獲得9 項系數非零的特征

1.3 圖像分析 髖影像報告與ONFH診斷和分期由2名具有5年以上ONFH相關MRI診斷經驗的主治醫師根據ARCO分期，采用盲法共同對髖MRI進行評估，意見不一致時與另一名副主任醫師（診斷經驗>10年）協商達成一致。

1.4 統計學方法 采用SPSS 21.0軟件、易侕統計2.0（http://www.empowerstats.com/cn/ index.html）進行統計分析。計量資料以±s表示，組間比較采用t檢驗；計數資料組間比較采用χ2檢驗或Fisher確切概率法。應用受試者工作特征（ROC）曲線分析各訓練模型和驗證模型對ONFH的診斷效能，利用Delong法比較ROC曲線下面積（AUC）的差異。P<0.05表示差異有統計學意義。

2 結果

2.1 訓練集各模型結果比較 訓練集各模型AUC 由大到小依次為：RF 模型>SVM 模型>LR 模型>KNN模型（表2、圖3A）。

2.2 驗證集各模型結果比較 驗證集各模型AUC 結果與訓練集一致（表2、圖3B）。各模型AUC 由大到小依次為：RF 模型>SVM 模型>LR 模型>KNN 模型。

表2 訓練集和驗證集各模型診斷效能

圖3 訓練模型（A）與驗證模型（B）ROC 曲線

3 討論

ONFH 多發生于20～40 歲人群，可不同程度地影響患者的生活質量。如不及時治療，終末期ONFH 患者只能行人工全髖關節置換術，假體使用年限短于患者壽命，大部分行髖關節置換術的ONFH 患者需要至少1 次髖關節翻修術，增加了患者家庭和社會負擔。ONFH 的早期治療旨在延緩病情進展，推遲股骨頭塌陷。然而，早期治療的前提是早期準確診斷。ONFH的診斷方法包括MRI、CT、X 線和SPECT 等，其中MRI 因其無創、快速和診斷準確率高而在臨床上廣泛應用。但早期ONFH 因病變小、癥狀輕，即使應用MRI 仍有一定的漏診和誤診風險。

影像組學實現了病灶分割、特征提取與模型建立，憑借對海量影像數據信息進行更深層次挖掘、預測和分析，輔助醫師做出最準確的診斷[8-10]。影像組學可直觀地理解為將視覺影像信息轉化為深層次的特征進行量化研究。本研究通過應用基于髖MRI 的影像組學，聯合多種機器學習方法，構建了診斷早期ONFH 的模型，以提高ONFH 早期篩查率。

本研究結果顯示，基于影像組學的MRI 診斷早期ONFH 模型具有一定的優越性（AUC 均>0.75），尤其是應用RF 構建的基于影像組學的MRI 診斷早期ONFH 模型敏感度及特異度均接近90%，表現出優異的診斷效能。影像組學可將閱片從主觀判斷轉變成為客觀判斷，已廣泛應用于臨床研究，尤其是在腫瘤診斷、治療和預測預后等方面已取得顯著成果[11-13]。然而，將影像組學和機器學習算法應用于骨科的研究較少，尤其是在ONFH 診療領域鮮有研究。

本研究中，RF 得到的AUC 最大。RF 又稱為隨機決策森林法，是一種用于分類、回歸和其他任務的整體學習方法，通過在訓練時構造大量決策樹并輸出作為類模式（分類）或均值/平均值預測（回歸）[14]。隨機決策森林糾正了傳統模型過分適應其訓練集的習慣而導致模型過度擬合，反而降低了模型效能，也可能是本研究中RF 構建的模型效能更優的主要原因。

本研究的局限性：①為回顧性研究，所有資料均來自醫院影像資料庫和門診/病房病例系統，部分患者可能存在病史記錄不完善。②本研究納入的NONFH 患者可能為ONFH 超前期，即影像學無異常但只能通過病理才能診斷。然而，通過回顧病史和癥狀體征記錄情況，排除了髖MRI 正常但有ONFH風險的患者（如因髖不適門診就診且長期飲酒、大量應用激素等），盡可能減少此類患者對研究的干擾。③盡管應用隨機抽樣方法構建模型和驗證模型，但本研究缺乏外部驗證，且樣本量有限。本課題組擬前瞻性收集病例進一步驗證模型，并開展多中心研究進行模型的驗證和優化，確保模型的穩定性和臨床價值，并將模型移植到軟件中而被臨床應用。

總之，影像組學在MRI 診斷早期ONFH 方面有一定的價值，尤其是應用隨機森林算法構建的診斷模型具有較高的診斷效能。