基于骶髂關節(jié)MRI影像組學特征和臨床參數(shù)診斷中軸型脊柱關節(jié)炎的列線圖模型

辛培錦，任翠，秦思源，趙偉麗，劉珂，顏瑞馨，王奇政，陳永曄，郎寧

0 前言

中軸型脊椎關節(jié)炎（axial spondyloarthritis,axSpA）是一類以腰背痛及骶髂關節(jié)和脊柱的慢性炎癥為代表癥狀的疾病[1]。axSpA初期癥狀隱匿且臨床表現(xiàn)缺乏特異性，經(jīng)常被延誤診斷[2]。隨著axSpA 病程的進展，其臨床表現(xiàn)進行性加重，未及時治療可導致不可逆的中軸骨畸形，致使活動受限[3]。因此，早期診斷及早期治療以改善axSpA的預后意義重大。

影像技術在輔助診斷及鑒別診斷axSpA 的過程中不可或缺。在《影像學技術在脊柱關節(jié)炎中應用的中國專家共識（2021 年版）》[4]中，骶髂關節(jié)MRI 被認為是檢測放射學陰性（即X 線平片陰性）的疑診患者和axSpA 活動性病變的首選方法。骶髂關節(jié)MRI在axSpA的早期診斷中起到了積極的作用。然而，近年越來越多的研究卻發(fā)現(xiàn)骨髓水腫缺乏特異性，可能存在于產(chǎn)后女性、入伍新兵乃至正常人群的骶髂關節(jié)MRI中[5-6]。這可能會導致假陽性表現(xiàn)，進而導致axSpA 的過度診斷。另外，不同放射科醫(yī)生對骶髂關節(jié)MRI圖像的解讀可能不同，這種觀察者之間的變異性可能會影響診斷的準確性[7]。2021 年，JIBRI 等[8]對2019 年更新的年國際脊柱關節(jié)炎評估協(xié)會（Assessment of SpondyloArthritis International Society, ASAS）axSpA骶髂關節(jié)陽性病變分類標準的閱讀者間一致性進行了研究。該研究中，2 名風濕領域影像學專家對94 例活動性axSpA 患者的骶髂關節(jié)MRI 圖像進行判讀，發(fā)現(xiàn)對骶髂關節(jié)活動性炎癥的判讀呈中等一致性，骨侵蝕的一致性較差。采用新技術對骶髂關節(jié)MRI進行分析，可能會減少視覺解讀帶來的主觀性，并允許對成像數(shù)據(jù)進行標準化評估，進而提高診斷準確性。

影像組學是指從醫(yī)學影像中對特定感興趣區(qū)（region of interest, ROI）的定量特征進行高通量計算提取，將醫(yī)學數(shù)字圖像轉換為深層數(shù)據(jù)進行定量分析，最終可用于疾病的輔助診斷和分類分級[9]。利用該技術，可從MRI 中提取眾多細微的定量特征，建立提高臨床診斷準確度的模型。影像組學在腫瘤學領域已有較豐富的研究[10]，但由于包括axSpA 在內(nèi)的肌骨疾病影像表現(xiàn)多樣，病變界限模糊，目前僅有少數(shù)研究使用影像組學方法分析骶髂關節(jié)MRI[11-12]，且這些研究多集中于對影像特征的區(qū)分，尚未建立有效的能夠輔助臨床診斷的模型。本研究探討利用臨床數(shù)據(jù)及骶髂關節(jié)MRI 影像建立用于診斷axSpA的多模態(tài)融合影像組學模型，以期輔助提高臨床醫(yī)師診斷的效率。

1 材料與方法

1.1 研究對象

本研究遵守《赫爾辛基宣言》，經(jīng)北京大學第三醫(yī)院倫理委員會批準，免除受試者知情同意，倫理批準號：M2022399，國家臨床試驗編號：MR-11-22-009236。

回顧性分析于2019 年4 月至2021 年9 月間在北京大學第三醫(yī)院接受骶髂關節(jié)MRI 檢查的患者臨床及影像資料。納入標準：（1）年滿18 歲；（2）因懷疑axSpA（患有下背痛）就診；（3）無腰椎及骨盆手術史；（4）1 年內(nèi)無骶髂關節(jié)外傷史；（5）無骶髂關節(jié)感染史；（6）不合并其他結締組織病史；（7）無惡性腫瘤病史。排除標準：（1）沒有明確的臨床診斷；（2）骶髂關節(jié)MRI圖像質量差（如運動偽影重）、覆蓋范圍不完整或缺少所需序列；（3）臨床資料不完整。結合醫(yī)院電子病歷系統(tǒng)中臨床醫(yī)師的記錄，將患者分為確診患者及健康對照組。所有axSpA 確診患者均符合2019 年ASAS 工作組的診斷標準。健康對照組與axSpA 患者1∶1 配對，為同期接受骶髂關節(jié)MRI 檢查，符合上述納入及排除標準，因懷疑axSpA就診而后經(jīng)臨床醫(yī)師明確排除axSpA，且未患有其他疾病的患者，使兩組年齡和性別一致。

1.2 臨床數(shù)據(jù)

從醫(yī)院電子病歷系統(tǒng)中收集患者的病歷及臨床數(shù)據(jù)。我們收集了所有患者和健康對照組的性別、年齡、紅細胞沉降率（erythrocyte sedimentation rate, ESR）和C 反 應 蛋 白（C-reactive protein,CRP）結果。

1.3 影像檢查方法

所有的MRI 圖像從3 臺3.0 T 磁共振儀中獲取，2 臺型號為GE Discovery 750w（GE 醫(yī)療，美國），1 臺型號為Discovery 750（GE醫(yī)療，美國），3臺磁共振儀的掃描參數(shù)一致。納入研究的掃描序列有斜冠狀位（平行于骶骨長軸）快速自旋回波T1WI和斜冠狀位快速自旋回波脂肪抑制（fat-supressed, FS）T2WI。T1WI序列掃描參數(shù)：重復時間450 ms，回波時間85 ms，層厚4 mm，層間隔0.5 mm，視野30 cm×30 cm，矩陣320×256，激發(fā)次數(shù)1；FS-T2WI 序列掃描參數(shù)：重復時間3200 ms，回波時間85 ms，層厚4 mm，層間隔0.5 mm，視野30 cm×30 cm，矩陣320×256，激發(fā)次數(shù)4。

1.4 圖像分割與特征提取

將所有入組者的骶髂關節(jié)MRI 斜冠狀位T1WI 及FS-T2WI 導 入ITK-SNAP 軟 件（版 本3.8.0，www.itksnap.org）[13]。在高年資醫(yī)師的指導下，由2 名分別具有2 年和5 年經(jīng)驗的放射科醫(yī)生，在6 個連續(xù)骶髂關節(jié)中心層面上，沿著每側骶髂關節(jié)間隙的10 mm范圍勾畫ROI，如圖1所示。

圖1 T1WI（1A）及FS-T2WI（1B）圖像上勾畫受試者工作特征（ROI）示意圖。Fig.1 Regions of interest (ROI) segmented on T1WI (1A) and FS-T2WI(1B) images.

將每個層面的ROI 合并為1 個ROI 之后，使用PyRadiomics 平臺（版本3.0.1）[14]從每種序列勾畫的ROI 中提取了相應的組學特征。為了提取更多的特征，將多種濾波器應用于ROI圖像，再從中提取特征。提取的特征遵循成像生物標志物標準化倡議定義[15]，可分為幾何形狀特征、強度特征和紋理特征三組：幾何特征捕捉了ROI 的三維形狀特征；強度特征代表ROI 內(nèi)體素強度的一階統(tǒng)計分布；紋理特征描述強度的圖案或二階及高階空間分布。

1.5 特征選擇

為了評估圖像分割對組學特征穩(wěn)定性的影響，利用組內(nèi)相關系數(shù)（intra-class correlation coefficient, ICC）進行了同一評估者及2 個不同評估者的重復性分析。同一評估者間隔2 周對隨機選擇的30 例患者圖像進行重復兩次分割，而2 名評估者則對另外隨機選擇的30 例患者圖像進行獨立分割。ICC 被用于評估從這些ROI 中提取的組學特征，其中ICC≥0.85被認為是不受分割影響的穩(wěn)定特征。經(jīng)使用ICC 進行初步篩選后，使用Z分數(shù)方法對所有特征進行標準化，以確保特征的數(shù)量級一致。隨后，使用t檢驗計算所有組學特征的P值。僅保留P＜0.05的影像組學特征用于進一步分析。

為了識別高度相關的特征，使用皮爾遜相關系數(shù)對高度可重復特征進行進一步分析。為了避免冗余，當任意兩種特征之間的相關系數(shù)超過0.9時只保留一個特征。為了在最大化特征具有代表性的同時使冗余最小化，采用貪心遞歸式消除策略過濾特征，每次迭代時刪除當前集中冗余度最高的特征。

最終，使用最小絕對收縮和選擇算子（least absolute shrinkage and selection operator,LASSO）回歸模型篩選構建影像組學標簽的特征。根據(jù)正則化權重λ，LASSO 將許多相關性低的特征系數(shù)設置為0。使用最小標準10 倍交叉驗證確定最佳λ值，選擇具有最低平均標準誤的λ。

1.6 列線圖模型構建

對臨床特征，我們先后進行了單變量和多變量分析。選擇多變量分析中差異具有統(tǒng)計學意義的特征用于構建列線圖。對單變量分析中差異具有統(tǒng)計學意義的臨床特征，使用邏輯回歸（logistic regression, LR）、隨機森林（RandomForest）、極端隨機樹（ExtraTrees）、極端梯度提升（XGBoost）、多變量邏輯回歸（multivariate logistic regression）5 種方式建立機器學習模型。建立這些模型時，采用了5 倍交叉驗證，并利用了網(wǎng)格搜索進行超參數(shù)調(diào)整。選擇性能最好的模型為臨床標簽。

對經(jīng)LASSO篩選后的影像組學特征，利用與構建臨床標簽相同的機器學習模型，選擇其中性能最好的作為影像組學標簽，并用于構建列線圖。本研究比較了T1WI 和FS-T2WI 兩種序列的性能。為了評估這兩種序列的融合是否優(yōu)于單一序列，將兩種序列的特征組合以獲得融合特征集。該融合特征集特征選擇和建立機器學習模型的過程與單一序列特征集相同。

最終，整合選擇的臨床特征和影像組學標簽以建立列線圖模型。

1.7 統(tǒng)計學分析

采用SPSS 24.0（IBM SPSS Inc., USA）軟件進行統(tǒng)計學分析。采用Kolmogorov-Smirnov 方法檢驗定量變量臨床數(shù)據(jù)的正態(tài)性，符合正態(tài)分布的數(shù)據(jù)表示為平均值±標準差（±s）并采用獨立樣本t檢驗，偏態(tài)分布的定量數(shù)據(jù)則用中位數(shù)（四分位數(shù)間距）[M(Q1,Q3)]表示，使用Mann-WhitneyU檢驗，離散變量則使用卡方檢驗。P＜0.05 為差異有統(tǒng)計學意義。利用準確性、受試者工作特征（receiver operating characteristic, ROC）曲線下面積（area under the curve, AUC）及其95%置信區(qū)間（confidence interval,CI）、敏感度、特異度、真陽性率、假陽性率以及F1分數(shù)在訓練及測試集中評估各個機器學習模型兩種標簽及列線圖的診斷性能。生成校準曲線來評估列線圖模型的校準性能，利用決策曲線分析確定列線圖模型的臨床效用。

2 結果

2.1 臨床特征

本研究最終建立了一個納入204 例患者的研究隊列，其中axSpA 確診患者102 例，健康對照組102 例。利用計算機隨機數(shù)字生成程序進行簡單隨機化，將204 例患者按照7∶3 的比例分為訓練集和測試集。具體統(tǒng)計分析結果見表1。

表1 訓練集和測試集中患者的基線特征Tab.1 Basic characteristics of the patients in the training set and testing set

對所有臨床特征進行單變量分析，對單變量分析中P＜0.05的變量進行多變量分析，并獲得每個特征的比值比和相應的P值，如表2 所示。其中，選擇多變量分析中的ESR（P＜0.05）來構建列線圖。圖2 中顯示了每個臨床特征之間的相關性，表明CRP、ESR與是否確診axSpA之間存在明顯的線性關系。

表2 臨床特征的單變量和多變量分析Tab.2 Uni-variable and multi-variable analysis of clinical characteristics

圖2 C 反應蛋白（CRP）、紅細胞沉降率（ESR）與是否確診中軸型脊柱關節(jié)炎的Spearman 相關系數(shù)。圖3 訓練集（3A）和測試集（3B）中基于臨床特征的不同機器學習模型的受試者工作特征曲線。AUC：曲線下面積；CI：置信區(qū)間；LR：邏輯回歸；RandomForest：隨機森林；ExtraTrees：極端隨機樹；XGBoost：極端梯度提升；MLP：多變量邏輯回歸。Fig.2 Spearman coefficients of C-reactive protein (CRP), erythrocyte sedimentation rate (ESR) and diagnosis of axial spondyloarthritis.Fig.3 The receiver operating characteristic (ROC) curves for different machine learning models based on clinical characteristics in the training set (3A) and testing set (3B).AUC: area under the curve; CI: confidence interval; LR: logistic regression; RandomForest:random forest ExtraTrees: Extremely randomized trees; XGBoost: eXtreme Gradient Boosting; MLP: multivariate logistic regression.

我們提取了單變量分析中P＜0.05的臨床特征，包括CRP 和ESR，并構建了多個機器學習模型。將測試集中AUC 最高的LR 模型（AUC＝0.884, 95%CI:0.804-0.964）選為臨床標簽（表3、圖3）。

表3 基于臨床特征的機器學習模型在訓練集和測試集中的效能Tab.3 Performance of the machine learning models based on clinical characteristics in the training and testing set

2.2 組學特征

從T1WI和FS-T2WI圖像中提取了共計1834種影像組學特征。包括：360種一階特征，14種形狀特征，以及1460 種紋理特征。為了增強特征集，我們合并了2 種不同時間模態(tài)的特征，最終得到3368 種融合特征。利用LASSO回歸模型，從這些特征中分別篩選了36 種融合特征、23 種T1WI 特征和17 種FS-T2WI 特征。所篩選的特征及λ系數(shù)如圖4所示。

圖4 篩選的融合特征（4A），T1WI特征（4B）和脂肪抑制（FS）T2WI特征（4C）及其λ系數(shù)。Fig.4 Selected fusion features (4A), T1WI features (4B) and fat-suppressed (FS) T2WI features (4C), and λ coefficients.

對于所篩選的T1WI、FS-T2WI 以及融合影像組學特征，利用了多種機器學習模型構建預測模型（表4）。其中利用T1W1 和融合組學特征訓練的機器學習模型中表現(xiàn)最佳的為LR，其測試集AUC 分別為0.778（95%CI: 0.661-0.895）和0.905（95%CI: 0.829-0.981）；利用FS-T2WI 特征訓練的模型中表現(xiàn)最佳的則為XGBoost，其測試集AUC為0.907（95%CI: 0.832-0.981）。基于篩選的融合影像組學特征的LR模型診斷性能最佳，過度擬合低且AUC高（圖5），這表明融合組學特征優(yōu)于單序列特征。最終，將基于所篩選的融合影像組學特征的LR模型選為最終的影像組學標簽（Rad_Sig）。

圖5 訓練集（5A）和測試集（5B）中基于T1加權、脂肪抑制T2加權以及融合影像組學特征的LR 模型的受試者工作特征曲線。AUC：曲線下面積；CI：置信區(qū)間。Fig.5 The receiver operating characteristic (ROC) curves of LR model based on T1-weighted, fat-suppressed T2-weighted and fused radiomics features in the training set (5A) and testing (5B) set.AUC: area under the curve; CI: confidence interval.

2.3 不同標簽及列線圖效能評價

基于ESR 和前述所得的Rad_Sig，我們構建了可用于輔助診斷的列線圖模型，如圖6 所示。最終所得的列線圖模型在訓練集（AUC＝0.997, 95%CI:0.992-1.000）和測試集（AUC＝0.944, 95%CI: 0.889-1.000）中表現(xiàn)出了優(yōu)良的診斷性能。表5 及圖7 展示了列線圖模型同臨床標簽及影像組學標簽的效能 比較。圖8 所示校準曲線顯示列線圖模型的校準性能良好，決策曲線顯示列線圖模型具有更好的預測性能和臨床應用價值。表6 所示DeLong 檢驗發(fā)現(xiàn)，訓練集中臨床標簽與列線圖及融合影像組學標簽診斷axSpA的效能存在顯著差異（P＜0.05）（表6）。

表5 臨床標簽、融合影像組學標簽及列線圖模型診斷axSpA的指標Tab.5 Indicators for the diagnosis of axSpA using clinical label, fusion radiomics label and nomogram model

表6 臨床標簽、融合影像組學標簽及列線圖模型之間的DeLong檢驗結果數(shù)值Tab.6 Results of DeLong test between clinical label, fusion radiomics label and nomogram model

圖6 臨床使用的列線圖。ESR：紅細胞沉降率；Rad_Sig：融合影像組學標簽。Fig.6 Nomogram for clinical use.ESR: erythrocyte sedimentation rate;Rad_Sig: fusion radiomics label.

圖7 訓練集（7A）及測試集（7B）中臨床標簽（Clinic_Sig）、融合影像組學標簽（Rad_Sig）及列線圖模型（nomogram）的受試者工作特征曲線。AUC：曲線下面積；CI：置信區(qū)間。Fig.7 The receiver operating characteristic (ROC) curves of clinical label (Clinic_Sig), fusion radiomics label (Rad_Sig) and nomogram model in training set (7A) and testing set (7B).AUC: area under the curve; CI:confidence interval.

圖8 測試集中臨床標簽（Clinic_Sig）、融合影像組學標簽（Rad_Sig）及列線圖模型（nomogram）的校準曲線（8A）和決策曲線（8B）。Fig.8 Calibration curve (8A) and decision curve (8B) of clinical label(Clinic_Sig), fusion radiomics label (Rad_Sig), and nomogram model in the testing set.

3 討論

本研究中，我們結合廣泛用于輔助診斷的臨床特征及基于影像組學的融合特征標簽，成功地建立了能用于協(xié)助診斷axSpA 患者的列線圖模型。該模型在訓練集和測試集中的AUC 分別為0.997（95%CI: 0.992-1.000）和0.944（95%CI: 0.889-1.000）。2019 年，JONES 等[16]總結了近年來國內(nèi)外將骶髂關節(jié)MRI 用于診斷axSpA 的研究發(fā)現(xiàn)，這些研究以骨髓水腫為主要標準，MRI 的敏感度在0.35 至0.91 之間，特異度在0.42 至0.97 之間。本研究所得的影像組學標簽及列線圖模型的診斷效能表現(xiàn)優(yōu)良，優(yōu)于上述基于判讀骶髂關節(jié)MRI的研究，也優(yōu)于目前國內(nèi)外其他類似利用影像組學技術分析骶髂關節(jié)MRI的研究。這表明影像組學技術及列線圖模型優(yōu)于人工判讀影像，為更早的診斷axSpA 帶來了希望。長久以來，早期且準確診斷axSpA是一項艱巨的挑戰(zhàn)，患者常常在首診數(shù)年后方能確診[17]。本研究為進一步利用影像組學技術，建立能夠協(xié)助臨床醫(yī)師判讀骶髂關節(jié)MRI以及更早診斷axSpA的工具打下了基礎。

3.1 臨床特征

ESR 和CRP 是少數(shù)在臨床用于診斷axSpA 以及預測其疾病進展的生物標志物[18]。本研究對臨床因素的多變量回歸分析表明，ESR 水平是診斷axSpA 的獨立預測因素，這與之前的研究一致[19-20]。盡管CRP 和ESR 在單變量分析中都具有顯著性，CRP 卻并不是診斷的獨立危險因素。非特異性腰痛患者和肥胖患者中的CRP 水平也會升高，這可能導致其在本研究中對于axSpA 診斷價值的下降[21]。人類白細胞抗原B27（Human leukocyte antigen B27, HLA-B27）蛋白也是臨床用于輔助診斷axSpA的生物標志物，其與axSpA的關聯(lián)是迄今已知的任何人類疾病中最強的，大約85%的axSpA 患者HLA-B27 為陽性。但HLA-B27 的特異性較低，陽性個體一生中患axSpA 的概率僅為1%-2%[22]。本研究受臨床資料限制，未能完整收集入組患者的HLA-B27檢查結果，因此未被納入本研究中加以分析。此外，由于本研究入組的患者與健康對照組兩組患者年齡和性別一致，因此本研究中患者的年齡與性別不是獨立危險因素。

3.2 MRI影像特征

2019 年ASAS 的最新定義認為，骶髂關節(jié)MRI 顯示的骨髓水腫是axSpA 骶髂關節(jié)炎主要的診斷條件[23]。另外，如關節(jié)囊炎、骨侵蝕部位炎癥、附著點炎和關節(jié)間隙積液等骶髂關節(jié)的急性炎癥改變，以及如骨侵蝕、脂肪沉積、骨侵蝕腔內(nèi)脂肪化生、骨質硬化、骨性強直和骨芽等結構性變化也可輔助診斷[24]。國內(nèi)外指南推薦且臨床常用的骶髂關節(jié)MRI 掃描序列包括FS-T2WI、短時反轉恢復（short tau inversion recovery, STIR）以 及 T1WI 等[25-26]。FS-T2WI 能夠清晰顯示關節(jié)面下骨髓水腫、囊變及關節(jié)積液等信號變化。STIR 對炎癥活動比較敏感，可檢測axSpA 的活動性，但其特異度欠佳[27]。2019 年，GREESE 等[28]的研究顯示FS-T2WI 檢測骨炎的效能比STIR更好。T1WI主要顯示關節(jié)軟骨和軟骨下區(qū)的形態(tài)結構，但不易分辨骨皮質、骨髓水腫及關節(jié)積液。本研究中建立的影像組學模型之所以能有良好的診斷性能，正是因為構建模型所用的影像組學特征是從上述MRI 序列中包含上述急性炎癥改變以及結構性變化的骶髂關節(jié)ROI中所提取的。

本研究結果中，基于FS-T2WI建立的影像組學特征機器學習模型診斷axSpA的效能優(yōu)于T1WI，而結合了兩種序列的融合特征模型的效能又優(yōu)于FS-T2WI和T1WI。這些結果印證了之前的相關研究。先前研究顯示，T1WI 主要顯示的脂肪沉積和結構性病變對axSpA 的診斷效能低于FS-T2WI 顯示的骨髓水腫[29]。WEBER 等[30]研究發(fā)現(xiàn)，骶髂關節(jié)骨髓水腫診斷axSpA的敏感度為67%，而骨髓水腫聯(lián)合骨質侵蝕，在保持良好特異度的同時，診斷的敏感度能提高到81%。

3.3 既往影像組學及列線圖模型研究

利用蘊藏在骶髂關節(jié)MRI中的憑人眼無法識別的大量的深層次數(shù)據(jù)，影像組學技術能挖掘骶髂關節(jié)MRI輔助診斷axSpA的潛能[31]。到目前為止，國內(nèi)外僅有少數(shù)研究團隊探索了影像組學在axSpA診斷中的應用。TENóRIO 等[32]使用47 例axSpA 患者的隊列，將從骶髂關節(jié)MRI 的頻率衰減反轉恢復和STIR 序列中提取的影像組學特征與各種臨床指標相關聯(lián)，顯示組學特征具有評估SpA骶髂關節(jié)病變的潛力，且構建的影像組學模型支持SpA臨床評估[13]。利用90例患者的隊列，KEPP等[33]揭示在區(qū)分骶髂關節(jié)炎和退行性變化方面，基于影像組學的紋理分析優(yōu)于定性評估。然而，上述研究與本研究不同，本研究結合臨床特征建立了能夠輔助臨床診斷的模型。基于638 例患者（424 例為axSpA，214例為非axSpA），YE等[20]建立了一個結合影像組學特征與臨床指標相的列線圖模型。該模型在訓練集和測試集中的AUC 分別為0.90（95%CI:0.86-0.93）和0.90（95%CI: 0.85-0.94）。YE等僅使用由影像組學標簽中各個組學特征及其相應LASSO系數(shù)計算得出的Rad_Score構建列線圖模型，而本研究在構建臨床模型和組學模型時嘗試了多種機器學習算法，由這些算法所得的最佳模型構建的列線圖能顯示出更好的性能。因此，本研究所得的列線圖模型在訓練集和測試集中的AUC均優(yōu)于YE等的列線圖模型，能夠更進一步提高輔助診斷axSpA的效率。

3.4 局限性及展望

本研究的局限性包括：（1）本研究為回顧性隊列研究，盡管已選取性別和年齡匹配的對照組，但可能存在選擇偏倚，需要前瞻性研究以進一步證實結果；（2）本研究樣本量相對較少且來源于單一醫(yī)療機構，有待進行大樣本、多個醫(yī)療中心的研究，以驗證研究結果的可靠性；（3）本研究只采用了常規(guī)掃描序列提取的組學特征，從動態(tài)對比增強、擴散加權成像、Dixon 方法及三維高分辨率MR 等不常用于axSpA 篩查的序列圖像中[34-35]，可提取更多種類的影像組學特征，以構建效能更高的模型；（4）本研究使用手工勾畫ROI既復雜又耗時，引入類似于KUCYBA?A等[36]使用的ROI自動分割技術，可提高ROI勾畫的可靠性和再現(xiàn)性。

4 結論

綜上所述，骶髂關節(jié)MRI影像組學特征與臨床參數(shù)結合建立的聯(lián)合列線圖模型能夠有效區(qū)分axSpA患者和健康對照組，影像組學技術在輔助臨床診斷axSpA方面具有重大潛能以及廣泛的臨床應用前景。

作者利益沖突聲明：全體作者均聲明無利益沖突。

作者貢獻聲明：郎寧、任翠設計本研究的方案，并對稿件重要內(nèi)容進行了修改；辛培錦起草和撰寫稿件，獲取、分析并解釋本研究的數(shù)據(jù)；秦思源，趙偉麗，劉珂，顏瑞馨，王奇政，陳永曄協(xié)助獲取及分析本研究的數(shù)據(jù)，對稿件進行了修改；郎寧、任翠分別獲得了國家自然科學基金、北京大學第三醫(yī)院臨床重點項目基金資助；全體作者都同意發(fā)表最后的修改稿，同意對本研究的所有方面負責，確保本研究的準確性和誠信。