基于MRI 影像組學模型識別三角纖維軟骨復合體損傷

滕佩宏，張卜天，楊慧敏，任玲玲，李曉靜，白應潔，劉桂鋒

三角纖維軟骨復合體（triangular fibrocartilage complex, TFCC）是尺側腕關節的重要解剖結構，由三角纖維軟骨盤、掌側及背側橈尺韌帶、半月板類似物、尺腕韌帶、尺側副韌帶及尺側腕伸肌腱鞘組成，結構精細而復雜[1-2]，能夠在腕關節運動中保持穩定并提供減震的作用[3]，且在日常生活和運動中，腕關節的使用頻率高、活動范圍大，因而TFCC損傷以及由此造成的腕部疼痛、乏力、活動受限等較為常見[4-7]。目前腕關節鏡檢查是診斷TFCC 損傷的金標準[8]，但為有創檢查，因而目前臨床上外科醫生對于TFCC損傷的診斷主要依靠病史、臨床癥狀和輔助檢查。一些研究[9-11]證實高分辨率3.0 T MRI對于顯示TFCC的解剖及損傷情況具有較高的敏感性，在Treiser等[12]的一項薈萃分析中，MRI 對于判斷TFCC 損傷的敏感度和特異度分別為76%和82%。MRI 對軟組織的分辨率較高，可以顯示TFCC 的信號強度變化以及形態改變，成為目前診斷TFCC 損傷的主要輔助方式[13-16]，但基于TFCC 形態復雜、結構微小，臨床工作中對于其精確的診斷及損傷的評估需要基于豐富的臨床經驗，對于年資較低的放射科醫生來說，極有可能漏診或誤診[17]。

影像組學是一種通過自動化算法從醫學圖像中高通量地提取定量影像特征，將圖像信息轉換成高維數據信息，經降維和建模處理后，用作預測和診斷疾病以提高臨床決策的方法[18-20]，具有無創、經濟、高效及可重復性等優點。目前國內外針對影像組學應用于腕關節TFCC研究的文獻相對較少，因此，本研究通過聯合腕關節TFCC 的MRI 影像與影像組學，構建分類器模型，將損傷與非損傷患者加以區分，提高診斷率，以便于進一步的臨床治療[21]。

1 材料與方法

1.1 研究對象

回顧性分析2019 年1 月至2021 年12 月于吉林大學中日聯誼醫院放射科行腕關節MRI 檢查的患者病例。納入標準：（1）經腕關節鏡或手術證實的TFCC損傷及非損傷患者；（2）行腕關節MRI 檢查前未接受關節鏡、關節造影以及手術等創傷性檢查或治療；（3）均在同一臺高分辨率3.0 T磁共振掃描儀上采集數據。排除標準：（1）已明確合并尺骨遠端骨折；（2）磁共振圖像偽影重。本研究經吉林大學中日聯誼醫院倫理委員會批準，免除受試者知情同意，批準文號：2021072108。

1.2 影像采集

所有患者均使用3.0 T 磁共振掃描儀（SIEMENS Healthineers, MAGNETOM Skyra, Germany），所有患者均為俯臥位，檢查臂抬起至頭頂上方，使手腕位于激光標記所精確指向的掃描器孔的中心位置。成像方案如表1所示。

表1 各序列掃描參數Tab.1 Scanning parameters of each sequence

1.3 感興趣區的獲取

圖像經吉林大學中日聯誼醫院放射科影像歸檔和通信系統（picture archiving and communication systems, PACS）獲取，選取腕關節T2WI冠狀位序列，經醫學影像圖像處理軟件MRIcroGL 勾畫TFCC 的3D 感興趣區（region of interest, ROI）。考慮到TFCC的結構及空間分布的復雜性，在勾畫ROI 時，以周圍諸腕骨為界[22]，減少TFCC 本身結構性的干擾，盡管特異度可能會下降，但保證了模型敏感度。ROI 由一名具有10 年骨肌影像診斷經驗的放射科醫生勾畫，并交由另一名具有15年骨肌影像診斷經驗的放射科主任醫師確認分割準確性，意見不一致時，討論并達成一致意見（圖1）。

圖1 手動分割三角纖維軟骨復合體區域。Fig. 1 The manual segmentation area of triangular fibrocartilage complex。

1.4 影像特征的提取

基于影像組學分析工作流程的開源軟件包Pyradiomics（http://www.Radiomics.io/pyRadiomics.html）[23]進行影像組學特征的提取。共提取了88個影像組學特征：14 個形狀特征（shape features），18 個一階統計特征（first-order statistics features），24 個灰度共生矩陣（gray level cooccurence matrix,GLCM），14 個灰度相關矩陣（grey level dependence matrix, GLDM），16個灰度游程長度矩陣（gray level run length matria, GLRLM），16 個灰度尺寸區域矩陣（gray level size zone matrix, GLSZM），5 個鄰域灰度差矩陣（neighbouring gray tone differencematrix, NGTDM）[24]，并進行數據的標準化處理。

1.5 影像特征的篩選

基于Python 3.7 的運行環境，運用Pandas、Numpy、Sklearn 程序包，先進行曼-惠特尼U檢驗及最小絕對收縮和選擇算子（least absolute shrinkage and selection operator, LASSO）算法的運行，再進行數據降維、特征篩選，去除冗余特征，避免發生過擬合[25-27]。在曼-惠特尼U檢驗中，P＜0.05 表示差異有統計學意義；LASSO 算法通過五折交叉驗證以及調整參數λ 使無關特征和冗余特征的權重系數壓縮為0，保留與判斷TFCC損傷相關性最強的特征。

1.6 影像模型的構建

將最終篩選出的相關性最強的影像特征，按照7∶3 的比例隨機選取訓練集和測試集，采用支持向量機（support vector machine, SVM）構建分類器模型[28-29]，用受試者工作特征（receiver operating characteristic, ROC）曲線的曲線下面積（area under the curve, AUC）、精確度、敏感度及特異度來評價模型的預測性能。

1.7 統計學處理

采用SPSS 25.0軟件包進行數據處理，組間對比的檢驗方式為χ2檢驗，計量資料的檢驗方式為t檢驗，對經Pyradiomics 提取的88 個影像組學特征采用曼-惠特尼U檢驗（Mann-WhitneyUtest）的方法，P＜0.05 表示差異有統計學意義；在訓練集和測試集中都使用AUC以及精確度、敏感度和特異度評估分類器的預測性能。

2 結果

2.1 一般資料

研究共納入100例患者病例，其中TFCC損傷及非損傷患者各50例（表2）。

表2 損傷組與非損傷組患者基本情況Tab.2 Basic conditions between injury and non-injury

2.2 特征值篩選結果

將100例患者按照7∶3的比例隨機分為訓練集和測試集（分別為70例和30例），經標準化及曼-惠特尼U檢驗處理后，得到88個影像特征，采用LASSO算法進行特征篩選后，最終獲得12 個相關性最強的影像特征（表3、圖2），其中包括5個形狀特征，2個一階特征以及5個高階紋理特征（1個GLDM，3個GLSZM，1個NGTDM）。

圖2 采用最小絕對收縮和選擇算子算法從T2WI冠狀位序列中提取影像特征。2A：通過基于五折交叉驗證來選擇套索模型中的權重參數(λ)。下方的x軸表示對數(λ)，y軸表示二項式偏差。藍色垂直線表示具有給定λ的每個模型的偏差值。垂直的黑色虛線定義了λ的最佳值為0.03。2B：88個初始特征的權重系數變化。圖中顯示最終選取了12個具有非零系數的影像特征。 圖3 3A和3B分別表示模型在訓練集和測試集中的AUC值。Fig. 2 Radiomic features derived from T2WI sequence selected by using the least absolute shrinkage and selection operator (LASSO) algorithm. 2A: Selection of the tuning parameter (λ) in the LASSO model via fivefold cross-validation. The x-axis indicates the log(λ), and the y-axis indicates binomial deviances. The blue vertical lines indicate the deviance values for each model with a given λ.The vertical black dotted lines define the optimal values of λ which is 0.03.2B:LASSO coefficient profiles of the 88 texture features. The twelve selected features with nonzero coefficients are indicated in the plot. Fig. 3 3A and 3B represent the AUC values of training set and test set respectively.

表3 LASSO二元logistic回歸法篩選得到的影像特征Tab.3 Radiomics features selected by LASSO binary logistic regression

2.3 分類器建模結果

經SVM 分類器建模后，在訓練集中的AUC 值、精確度、敏感度及特異度分別為0.92、84%、86%、100%，在測試集中的AUC 值、精確度、敏感度及特異度分別為0.88、90%、92%、100%（圖3），在訓練集和測試集中均表現出了良好的預測性能。

3 討論

本研究從識別TFCC 損傷與否的目的出發，基于腕關節MRI，首次將影像組學應用于TFCC 損傷評估。以往關于TFCC 的文獻中大多僅包含了TFCC 損傷的分類、關節鏡下的治療[30-32]等，但對于使用MRI從三維立體的角度評估TFCC 損傷的研究相對較少[33]，將影像組學與基于MRI 的TFCC 損傷的文獻報道幾乎為空白。將影像組學應用于運動損傷中的腕關節TFCC損傷的評估，相較于關節鏡檢查具有無創性，而且能夠有效減少放射科醫生的診斷主觀性，使TFCC 的損傷診斷不再依賴于醫生的年資及經驗水平，有效提高診斷效能。

3.1 影像圖像的選擇

TFCC 的解剖結構相對復雜，結構精細而微小，基于MRI 對于軟組織具有良好的成像顯示[34-35]，本研究選擇3.0 T MRI[36]，從三維立體的角度，減少TFCC 本身結構復雜性的干擾，為進一步的ROI識別與勾畫做好基礎。

3.2 模型預測性能

TFCC 結構及空間分布的復雜性，本研究以周圍腕骨為邊界勾畫ROI，擴大勾畫范圍以提高模型的敏感性；最終模型通過AUC值、精確度、敏感度及特異度表現出了較好的預測性能，取得了較高的診斷準確率，這也證實了將影像組學應用于運動損傷中TFCC的評估確實可行。

3.3 臨床價值及意義

近年來，影像組學發展迅速，目前針對肺結節的研究與應用已經取得顯著的成果[29]，在骨折的識別方面也方興未艾[30]，這些研究成果不僅極大地提高了基層單位的診斷能力，也提高了三甲級醫院的工作效率[37]。運動損傷存在于生活中的方方面面，諸如骨折、韌帶及軟骨損傷等，且影像組學在骨折的診斷方面已經在臨床工作中得以應用。目前尚未有影像組學應用于軟組織損傷的診斷中，日常工作中對于TFCC 損傷仍存在漏診、誤診的情況，特別是對邊緣型TFCC 損傷診斷的敏感性及特異性更不盡如人意。基于本研究的研究目的及研究結果，未來的影像組學或許可以擴大診斷范圍，尤其對于結構相對復雜的組織和器官，有效降低診斷門檻，提高診斷效能。

3.4 局限性

本研究有幾個局限性：（1）本次研究僅將影像圖像及部分臨床資料納入研究，但基于TFCC結構復雜、損傷病因多樣[1,38-39]，在后續工作中將深化研究，對造成TFCC損傷的原因進行進一步探討；（2）本研究納入了100 例患者病例作為研究對象，樣本量較少，更大的數據集和多中心研究可能會顯示出更加穩定的預測效能；（3）對于伴隨或不伴隨TFCC損傷而出現的滑膜增生及滑囊積液，在本次ROI的勾畫中并未加以區別，在后續的研究中，將選擇更精確的勾畫及區分方法，進一步提高模型的特異性。

綜上所述，本研究建立了一種無創性的輔助診斷TFCC 損傷的方法，目前國內外關于MRI 影像組學與TFCC結合分析的文獻報道幾乎為空白。本研究建立的基于MRI 的影像組學模型能夠不再依賴放射科醫生的年資及經驗水平，提高TFCC損傷的診斷率，便于指導患者的個性化治療。

作者利益沖突聲明：全體作者均聲明無利益沖突。