深度學習在MR早期診斷膝關節骨性關節炎中的研究進展

張樂平綜述 付曠審校

深度學習(deep learning,DL)是機器學習的一個分支，可以自動識別圖像中的特征，它是由多個處理層組成的計算學習模型，具有多個抽象級別的數據表示，在醫學領域，尤其是放射學領域，已經有大量關于DL的研究，顯示了巨大的前景。

膝關節骨性關節炎(knee osteoarthritis, KOA)是一種復雜的異質性疾病，是老齡化人群中常見的致殘原因。KOA的病理生理學特征是軟骨的破壞及相鄰組織和軟骨下骨的相關變化，導致關節衰弱癥狀，包括疼痛和殘疾，并伴有結構性畸形[1]，因此，個體水平上疾病進展的預后是復雜的。常規的影像學檢查對KOA的早期診斷及治療預后預測是局限的。隨著人工智能在醫學中的蓬勃發展，將會為其提供參考，DL最近已被應用于KOA的評估、分類和進展預測[2-3]。

1 DL概況

DL不是一種特定的算法，而是一種涉及多個層次的技術[4]。DL方法通過組合簡單但非線性的模塊獲得，每個模塊將一個層次的表示轉換為更高、更抽象層次的表示。通過組合足夠多的此類轉換，可以學習非常復雜的函數。對于分類任務，更高層次的表示會放大對區分重要的因素，并抑制不相關的變化，DL的關鍵方面是這些功能層不是由人類工程師設計的，它們是通用學習程序從數據中得到的[5]。DL模型通常基于人工神經網絡，這是節點(人工神經元)的計算框架[6]。DL可以使用2種基本的方法，分別為有監督學習和無監督學習。在有監督學習中，計算機被賦予有標記的數據集，其中的對象已經被預先分類，該算法尋找區分每個類別中對象的特征。在無監督學習中，計算機算法被賦予未標記的數據，無監督深度學習算法的任務是確定不同類別對象的標簽，并將對象劃分為相應的類別[7]。

2 DL在膝關節的研究進展

2.1 DL與膝關節圖像分割 臨床上通過圖像分割對于確定膝關節結構組織和對分割結果進行分類具有重要意義[8]。然而，人工分割膝關節結構是繁瑣、耗時的過程，這使得在臨床常規分析更大的隊列或制定個體化治療計劃變得不切實際，由此，基于DL的圖像分割有了發展機遇。現階段所研究的DL自動分割絕大多是在磁共振圖像上完成的。Ambellan等[9]利用OAI和SKI10數據集結合3D統計形狀模型(SSMs)及2D和3D 卷積神經網絡(CNN)，實現即使是高度病變的膝關節骨和軟骨也可以準確分割的方法，并達到了與人類觀察者之間差異相當的準確性。Chen等[10]提出在質子密度加權 MR中自動分割股骨和脛骨的皮質骨和小梁骨的模型，該模型是基于3D局部強度聚類的水平集自動分割和一種利用小梁表面的法向矢量確定皮質邊界的新方法，在使用不到3%時間的情況下與手動分割結果非常一致。Byra等[11]基于U-net構架，利用3D UTE MR序列開發了膝關節半月板自動分割的方法，使用2位放射科醫生提供的容積感興趣區(ROI)開發的模型分別獲得了0.860和0.833的Dice得分，而放射科醫生的手動分割獲得了0.820的Dice得分，深度學習模型實現了與放射科醫生差異性相當的分割性能。Panfilov等[12]介紹了一種用于關節軟骨分割和亞區域評估的全自動方法，通過多圖譜配準進行了亞區域劃分，并提取了亞區域的體積和厚度，最終通過它們對12個月和24個月影像學骨關節炎進展的判別能力進行了回顧性分析，分割模型與參考分割的體積測量具有很高的相關性(r>0.934)和一致性(平均差異<116 mm3)，結果表明，所提出的方法已經可以用于自動化骨關節炎研究中的軟骨分割和亞區域評估。Gatti等[13]提出了一種僅使用CNN從MR中分割膝關節骨和軟骨的新框架，該框架分割每個膝關節需要(91±11)s。所提出的算法展示了在沒有人工干預的情況下如何從有和沒有KOA個體的矢狀位MR序列中自動分割軟骨的能力。Perry等[14]應用一種新的半自動評估方法，使用三維主動外觀建模量化滑膜組織體積(STV)，與手動分割相比，半自動方法明顯快于手動分割(18 min vs.71 min)，觀察者內一致性非常好，該方法比手動分割準確、可靠。

2.2 DL與KOA的評估與與預測 KOA的診斷目前依據臨床表現和影像學圖像[15]，這個過程有一定的主觀性。隨著DL逐漸被用于KOA的疾病診斷和預后研究中，可以更加準確地早期診斷和分類KOA幫助臨床醫生精確地制定診療計劃，而了解預后也可讓醫生和患者對于疾病的治療有心理預期。Chang等[16]使用MR圖像構建了CNN以區分疼痛的膝關節和非疼痛的膝關節，將模型性能提高到了0.853，并通過對參加研究個體的雙膝進行MR掃描來識別與膝關節疼痛最相關的結構性病變，該CNN同時可以識別與單膝引起的強烈疼痛特征相關的圖像特征，確定KOA引起疼痛的來源和位置，可以極大地利于設計有針對性的個體化治療方案，以減輕癥狀和限制殘疾。Joseph 等[17]基于MR的軟骨生化成分、膝關節結構、人口統計學和臨床預測因子，開發了8年內發生KOA的影像學預測模型，該研究機器學習模型可以預測在基線檢查時無放射學KOA的受試者在8年內發生放射學KOA的未來發展。已有研究使用MR圖像建立DL模型識別KOA形態學表型用于指導預防疾病進展，針對性制定干預措施[18-19]。在KOA后期，一種治療手段是侵入性選擇全膝關節置換術(TKR)，該手術存在一定并發癥風險，Tolpadi等[20]將臨床和人口統計信息與MR圖像相結合，基于3D DESS MR圖像設計一個CNN模型來預測是否需要侵入性干預，模型的準確度為(78.5±0.134)%，敏感度為(81.8±0.643)%，特異度為(78.4±0.138)%。該模型以高敏感度和特異度識別有TKR風險的患者，對于沒有或中度KOA患者，可以延長膝關節健康并延遲TKR的非侵入性治療時間。此模型是第一個應用3D CNN 從 MR預測TKR的模型。Abbas等[21]將機器學習模型(MLMS)擬合到SCIKIT-Learn和PyTorch中的訓練集，并在驗證集上調整參數，模型被訓練以使均方誤差(MSE)最小，來預測全膝關節置換(TKA)的手術持續時間(DOS)和術后住院時間(LOS)。該研究表明，傳統和DL模型在預測TKA患者的DOS和LOS方面表現優于平均回歸模型。

2.3 DL與膝關節軟骨 KOA會出現膝關節軟骨的厚度變化和缺損，因此，發現軟骨的變化對KOA的早發現、早診斷、早治療是十分有必要的。MR 是KOA研究中無創評估關節軟骨厚度、完整性和質量的最佳方式[22]。Vaarala等[23]用3D DESS序列基于灰度共生矩陣的3D紋理分析開發了一種預測KOA軟骨發病和進展的紋理方法，該方法對放射學KOA前后的軟骨變化都很敏感，它能夠檢測對照組、緩慢進展組和快速進展組的縱向變化，并可以區分由于KOA和衰老引起的軟骨改變。Thomas等[24]設計了一款全自動股骨軟骨分割模型，用于測量T2松弛值和縱向變化，結果表明對軟骨健康的評估使用研究中的模型與專家評估一致性較好。Schiratti等[25]使用DL來建立KOA未來進展的預測模型來評估MR圖像是否可以預測未來12個月軟骨進一步退化。研究顯示利用COR TSE圖像，所提出的分類模型AUC為65%，以SAG 3D DESS圖像作為輸入，該模型的AUC為 63%，高級放射科醫生獲得的AUC為59.72%，這是監督學習方法首次應用于MR預測膝關節骨關節炎軟骨的進展。這項可行性研究表明，DL有可能支持放射科醫生完成識別疾病進展高風險患者的艱巨任務。

2.4 DL與膝關節半月板 半月板在膝關節運動過程中減震、分散重力和減少摩擦方面發揮著關鍵作用。Bien等[26]開發了一種利用CNN(主要構建塊MRNet)來檢測膝關節中的一般異常和特定診斷的DL模型，研究納入了1 370個數據集。在檢測膝關節異常和半月板撕裂時，該模型AUC值分別為0.937和0.847，該DL模型實現了利用MR圖像從內部和外部數據集快速生成準確的膝關節臨床病理學分類。Tack 等[27]基于CNN，提出了一種新穎且計算效率高的方法用于檢測MR數據中半月板撕裂，研究首先在3D MR序列 DESS中運行，而后推廣到IW TSE掃描序列，研究所提出的方法在檢測DESS和IW TSE MR數據中的半月板撕裂方面實現了高精度。Hung等[28]訓練和評估一個用于自動檢測MR半月板撕裂的深度學習模型，在內部測試、內部驗證和外部驗證數據集上，該模型檢測半月板撕裂的總準確率分別為95.4%、95.8%和78.8%，具有較高的敏感度、特異度和準確度。

2.5 DL與膝關節軟骨下骨 軟骨下骨在骨關節炎的發病機制中發揮作用，軟骨下骨也被認為是潛在的疾病修飾骨關節炎藥物的靶點[29-31]。Chang等[32]利用CNN和U-Net提出了可以提取軟骨下骨長度(SBL)的預測模型，研究表明SBL平均值越高膝關節疼痛和殘疾風險越高，并增加后期TKR的風險。Hirvasniemi等[33]對665例膝關節數據集的脛骨軟骨下骨進行半自動提取放射學特征，研究使用了包括年齡和BMI的協變量模型、圖像特征模型，以及協變量加圖像特征的組合模型，使用Elastic Net回歸降維和分類并進行10倍交叉驗證區分有無KOA。有無KOA的脛骨軟骨下骨的放射特征是不同的，可以此來區分KOA。

2.6 DL與膝關節韌帶 膝關節由韌帶結構固定，維持關節的穩定性。韌帶撕裂可導致膝關節疼痛、腫脹、不穩定、骨質疏松和骨關節炎。Awan等[34]用917個膝關節數據訓練了標準五層CNN和定制CNN模型對健康、半撕裂、全撕裂的前交叉韌帶進行分類，結果表明，定制CNN模型實現了 98% 以上的準確度、精度、特異度和敏感度，可以實現對前交叉韌帶損傷較為準確的分類。Li等[35]提出了基于DL的MR多模態特征融合模型，用于對前交叉韌帶損傷的診斷，結果表明矢狀位檢測在前交叉韌帶(ACL)撕裂預測中具有很大的優勢，準確率高達96.28%。基于DL的MR顯著提高了診斷ACL損傷的能力，并提高了診斷韌帶損傷的敏感度、特異度和準確度。Zhang等[36]基于3D DenseNet的架構構建的一個分類CNN同樣證明使用基于DL的自動檢測系統來評估ACL損傷的可行性。Minamoto等[37]基于CNN訓練了能夠評估前交叉韌帶損傷的深度學習模型，其敏感度、特異度、準確度、陽性預測值和陰性預測值分別為91.0%、86.0%、88.5%、87.0%和91.0%，結果表明準確度可與人工相當。

3 小結與展望

DL在近幾年迅速發展，已經應用于KOA分割、診斷、預測等各個方面，但仍存在一些不足。首先是DL算法固有的黑盒性質和其算法的復雜性。為了滿足對膝關節損傷的可信賴檢測系統的需求，醫學診斷算法應滿足許多要求，例如透明度、可解釋性、易用性，以便獲得臨床醫生的信任。AI可解釋性和輕量級DL是此類系統在日常臨床實踐中廣泛使用的關鍵推動因素。輕量級 DL 領域的目標是開發具有更淺層架構的模型，而且速度更快、數據效率更高，同時保持高性能標準。其次，現在已有DL模型研究大部分是評估單獨結構或組織的病變，如軟骨、半月板及韌帶等，但如果大規模應用于臨床，多個模型的應用就會增加診斷的復雜性，日后的研究應注重更多關注整體的診斷模型，來解決此類問題。

總之，DL在KOA的評估、診斷與預測中顯示了其巨大的優勢，人工智能分析有望徹底改變膝關節醫學信息學，實現精準醫學和準確診斷。