新2手机登录 新2手机登录 新2手机登录

影像组学在脊柱疾病中的应用

山东省事业编考试临床类考试内容_听说进口的3类孤儿药(艾滋病,肿瘤方面)可以免临床_临床预测模型类论文是个坑

脊柱疾病 (SPD) 是最常见的致残和昂贵疾病之一,并且风险随着年龄的增长而增加 [1]。SPD的类型很多,有些SPD在影像学和临床表现上有很多相似之处(如脊柱感染性疾病、脊柱肿瘤等),鉴别诊断和提高此类疾病的检出率和诊断准确率一直是临床和视频工作的重点难点[2]。脊柱成像已经从数字放射成像(DR)评估发展到计算机断层扫描(CT)、磁共振成像(MRI)和正电子发射计算机断层扫描(positron emission computed tomography,PET),这些成像技术已经成为脊柱不可或缺的检查手段SPD的临床诊断与鉴别诊断工作[3]。传统影像学方法对SPD的诊断准确性各不相同,SPD的鉴别诊断仍然具有挑战性[4]。随着医学影像人工智能(AI)技术的快速发展和大数据的积累,从传统医学模式向精准医学模式转变,放射组学(radiomics)逐渐成为量化影像图像中各种数据和辅助诊断的工具和治疗。疾病的新方法。近年来,包括机器学习(machine learning,ML)、神经网络(neural network,NN)和深度学习(deep learning,DL)在内的人工智能技术已经在神经系统[5]、呼吸系统[6]、骨骼系统等领域得到应用。肌肉等系统[7]、心血管系统[8]、消化系统[9]、乳腺[10]、泌尿生殖系统[11]等方面均有应用。一些文献也相继报道了脊柱的精确定位和分割、SPD的诊断和鉴别诊断、治疗和预后风险评估。本文重点综述放射组学在SPD中的现状和进展。

1 放射组学概述

2012年,荷兰学者Lambin[12]提出放射组学的概念,即高通量地从医学影像图像中提取定量和特征信息,并对其进行分析和建模[13]。近年来,放射组学逐渐成为研究者的研究热点。利用影像组学数据建立的预测和描述模型,不仅可以提供有价值的诊断、预后或预测信息,还可以实现病灶的分割、特征提取和筛选以及预测模型的建立。通过对大量图像数据信息的进一步挖掘、预测和分析,可以辅助医生做出最准确的诊断[14]。与传统成像(超声、DR、CT、MRI 和 PET)相比,放射组学是一门综合了多种成像技术的多学科技术。所研究的组学特征必须具备三个特征:丰富的信息、可重复性和非冗余性。为了在建模分析时获得更准确的数据,便于后续研究,研究者需要选择具有高重复性和稳定性的特征信息[15, 16]。

2.放射组学研究的方法和过程

放射组学研究的方法和过程主要包括图像采集、图像分割、特征提取与筛选、分类与模型构建四个部分[13,16]。

2.1 图像采集

目前,各种成像设备(如超声、DR、CT、MR、PET)、图像采集参数、重建方法等差异较大,没有统一的图像数据规范标准。为了尽量减少不同模型和不同参数差异带来的影响和误差,图像的采集必须使用相同或相似的扫描参数,或使用相关软件对图像进行标准化[17, 18]。

2.2 图像分割

图像分割是识别和勾勒感兴趣区域(region of interest,ROI),例如提取肿瘤、正常组织或其他解剖结构[19]。图像分割包括人工分割、半自动分割和自动分割,人工分割的准确率较高。人工分割方法受主观因素的影响,分割的图像结果会产生误差。研究人员需要尽可能减少主观因素,以提供准确和可重复的边界图像。目前常用的开源软件有ITK-SNAP[20]、3D-slicer[21]等。

2.3 特征提取与筛选

特征值的提取和筛选主要是从正常或异常图像中选取有价值的特征信息,包括图像强度、形状、纹理特征和变换特征(如小波特征)。直方图用于描述强度特征,在直方图特征的基础上,可以计算出最大值、最小值、均值、峰度、偏度等常用统计量;ROI的大小和3D形状代表形状特征描述;纹理特征通常采用一阶、二阶和高阶统计方法进行定量提取,并采用图像强度离散化方法进行定性或定量描述。经常使用方差阈值、单变量特征选择(select k best)等方法,最小绝对收缩和选择算子(LASSO)等方法对特征值进行降维和过滤。以获得更具代表性的特征[22]。

2.4 分类与模型构建

首先将患者数据分为训练集和测试集,然后通过ML对训练集进行模型学习。常用的ML模型包括随机森林(random forest,RF)、逻辑回归(Logistic regression,LR)、支持向量机(support vector machine,SVM)等临床预测模型类论文是个坑,最后使用测试集来检验预测的性能模型。常用的评价标准有灵敏度(sensitivity,SE)和特异性(specificity,SP)、曲线下面积(area under the curve,AUC)、准确率(accuracy,ACC)等指标[23]。

3 脊柱放射组学应用现状与进展

随着人工智能研究的不断深入和技术的进步,放射组学在脊柱影像学中得到了应用,尤其是在脊柱解剖结构的自动识别与分割、SPD的诊断与鉴别诊断、脊柱外科等方面的应用。同时,为脊柱外科医生和放射科医生进一步实现精准医疗提供了新思路和新途径。

3.1 影像组学在脊柱解剖识别与分割中的应用

脊髓、椎体、椎间盘是脊柱重要的解剖结构,也是疾病的主要发生部位。脊柱的解剖结构是AI研究领域众多研究者关注的热点和关注点,尤其是在DL方面,研究相对成熟。Suri 等人构建的 DL 系统。[24] 可以在 MR、CT 和 X 射线图像上自动快速分割椎体和椎间盘,可用于临床脊柱健康评估和影像学研究。Zhou 等人构建的 DL 算法。[25],边界框及其分类功能可以自动检测MRI图像上的腰椎,在MRI切片中定位椎体,并对稳定的椎体进行分类。其ACC和准确率分别达到98.6%和98.9%。在脊柱外科领域,计算机视觉技术(computer vision technology)随着计算机辅助导航、机器人手术和增强现实技术在手术室的应用而得到发展。他们需要通过 CT 或 MRI 对脊柱进行高保真 3D 重建临床预测模型类论文是个坑,这是通过卷积神经网络 (CNN) 自动分割和检测椎体 [26、27、28、29、30] 来实现的。瓦尼亚等人。[31] 提出了一种基于 CNN 和全卷积网络 (FCN) 混合的全自动 CT 脊柱分割方法。研究人员对 32 名患者的脊柱 CT 图像进行了实验。结果表明,该分割方法提高了椎体、椎间盘、脊髓、连接肋骨等解剖结构的分割精度,并取得了很好的分割效果。得到的SE、SP、ACC分别为97%、99%、99%。多项研究联合表明,DL技术可以快速有效地识别和提取脊柱的解剖结构,可以帮助临床医生快速完成诊断。

3.2影像组学在SPD诊断及鉴别诊断中的应用

3.2.1 脊柱退行性疾病

随着人年龄的增长,脊柱结构逐渐退化,脊柱退化的几率增加。椎间盘退变是腰痛、下肢麻木、活动障碍的主要原因。这是我们需要解决的关键问题,因此成为人工智能的重点研究课题。尼迈耶等人。[32] 将来自 1599 名患者的 7948 个椎间盘数据导入到他们开发的 CNN 模型中进行训练。基于交叉熵(cross entropy)的分类器得到的可靠性K值为0.92,SE为90.2%,ACC为92.5%。. 在 99.2% 的验证案例中,分类器的预测结果与真实图像的偏差最多为 1 Pfirrmann 级别,结果表明,开发的分类器的可靠性明显优于普通人的内部评价和内部诊断。该分类器的平均 SE 超过 90%,在椎间盘退变的自动分级中显示出较高的诊断性能。

3.2.2 脊柱畸形

以青少年特发性脊柱侧弯(AIS)为代表的脊柱侧弯畸形是脊柱外科研究的热点领域,AI领域也不例外。Galbusera 等人。[33] 提出了一种基于双平面 X 射线成像全自动评估脊柱形状和脊柱骨盆参数的 DL 模型,提取患有各种疾病(包括青少年特发性脊柱侧弯、成人脊柱侧凸、脊柱侧凸、脊柱退行性疾病和椎管狭窄症)的患者) 493名受试者的双平面X线影像的78个标记点,并计算出设定的参数值(T4~T12后凸、L1~L5前凸、侧凸Cobb角、骨盆入射角、骶骨和骨盆倾角)。团队对50名患者进行了预测参数与患者实际情况的定量比较,结果表明,所有预测参数都与患者的实际情况密切相关。在临床条件下计算脊柱解剖和姿势参数,具有非常好的视觉性能。目前的研究结果清楚地表明了人工智能技术在脊柱畸形研究中的巨大潜力。

3.2.3 脊柱感染

脊柱感染性疾病的常规影像学表现具有一定的相似性,鉴别诊断较困难。但由于不同疾病的治疗方案存在较大差异,准确识别各种脊柱感染将有助于临床干预和治疗[34]。

Liu等[35]通过影像组学比较了61例化脓性脊柱炎(PS)和51例结核性脊柱炎(TS)患者的CT影像,构建了6个因素(椎体宽度、后凸畸形、椎体重叠、纵向位置、轴向侵蚀的具体形态、残余椎体的具体形态)。结果表明,椎体重叠和脊柱后凸在 TS 中较为常见,该模型具有良好的 SE、SP 和 ACC,分别为 85.59%、87.80% 和 86.50%,AUC 为 0.95,具有良好的预测能力,表明基于这种简化的 CT 图像模型可以准确识别骨质破坏,帮助医生在临床上区分 PS 和 TS。

3.2.4 脊柱肿瘤

放射组学在脊柱肿瘤鉴别诊断中的应用取得了很大进展。Yin等[36]对53例骶骨脊索瘤(SC)和42例经病理证实的骶骨巨细胞瘤(SGCT)中的95例进行了3D-based CT和CT增强(CT)研究。从CTE)图像中提取770个放射组学特征,构建术前鉴别诊断模型。按照7:3的比例,将66例骶骨肿瘤患者(37例SC,29例SGCT)分配至训练组,将29例患者(16例SC,13例SGCT)分配至试验组。发现基于CTE图像特征的组学模型性能优于基于CT图像特征的组学模型(AUC分别为0.984和0.889);基于CTE图像特征建模并使用LASSO+GLM分类器模型性能Best (0. 984 AUC,89.7% ACC)。Chianca等[37]对脊柱骨肿瘤(原发性良恶性肿瘤和脊柱转移瘤)分类研究表明,对于良恶性病变,训练组和测试组ML算法得到的ACC为94% 、94% 和 94%。86%。对于良性、恶性或转移性病灶,ML算法在训练组和测试组的ACCs分别为80%和69%。基于磁共振的放射组学和 ML 在良性和恶性脊柱肿瘤的鉴别诊断中显示出良好的潜力。训练组和测试组ML算法得到的ACC分别为94%、94%和94%。86%。对于良性、恶性或转移性病灶,ML算法在训练组和测试组的ACCs分别为80%和69%。基于磁共振的放射组学和 ML 在良性和恶性脊柱肿瘤的鉴别诊断中显示出良好的潜力。训练组和测试组ML算法得到的ACC分别为94%、94%和94%。86%。对于良性、恶性或转移性病灶,ML算法在训练组和测试组的ACCs分别为80%和69%。基于磁共振的放射组学和 ML 在良性和恶性脊柱肿瘤的鉴别诊断中显示出良好的潜力。

3.2.5 脊柱骨折

脊柱骨折是较为严重的骨折类型之一,严重影响患者的生活质量。创伤性和非创伤性脊柱骨折都是人工智能的热门研究领域。Chee 等[38] 从 62 例良性椎体骨折和 48 例恶性椎体骨折的 CT 图像中获取 14 项形态学特征,建立了椎体压缩性骨折恶性程度的预测模型。结果显示,低危组和高危组恶性椎体骨折的ACCs在训练组和试验组分别为98.2%和90.9%;测试集中显示出良好的校准和辨别能力;组合模型的判别性能高于放射组学模型(训练集的 AUC 为 0.941,训练集的 AUC 为 0. 852 为测试集)或临床预测模型(训练集的 AUC 为 0.924,验证集的 AUC 为 0.924,AUC 为 0.849)。研究发现,CT可预测良恶性椎体压缩性骨折,具有较高的鉴别能力。

3.2.6 骨髓异常

骨髓异常是血液病常见的阳性表现之一,多见于椎体及其附件。骨髓的异常变化往往有相关的家族遗传史,与基因突变密切相关。骨髓异常研究一直是人工智能技术在脊柱领域的关注重点。Liu等[39]通过提取50例脊髓多发性骨髓瘤的T1WI、T2WI和脂肪抑制T2加权图像,分析了111例高危细胞遗传学异常(high risk cytogenetic abnormality,HRCA)和137例高危细胞遗传学异常(HRCA)。 MM)患者。248 个非高危细胞遗传学异常(非 HRCA)病灶的放射组学特征被用于学习和训练 LR 模型,以预测 MM 患者 HRCA 的可行性。在验证集中观察到放射组学模型和组合模型之间的可比 AUC 值(AUC 分别为 0.863 和 0.870,P=0.206)。放射组学模型的 AUC 为 0.863,SE 为 78.9%,SP 为 78.7%,阳性预测值为 0.753,阴性预测值为 0.824,ACC 为 78.8%,与训练集中的性能相当。传统脊柱 MRI 的放射组学特征反映了 MM 患者的 HRCA 和非 HRCA 之间的差异。这种基于 MRI 的放射组学模型可能是预测 MM 患者 HRCA 的有用且独立的工具。黄等人。[40] 使用 SVM 分类器评估 467 例血液病患者腰椎 MRI 矢状 T1WI 图像鉴别诊断正常骨髓与病理浸润的可行性。我们发现,随着训练集大小的增加,SVM 分类器模型在区分病变骨髓和正常骨髓方面的预测性能逐渐提高。训练集分类ACC、SE、SP分别为82.8%、81.7%、83.9%,AUC为0.895(P<0.001)。测试集由SVM和两个独立的放射科医师分析,SVM分类器Doctor 1和Doctor 2的ACC和SE分别为82.2%和85.5%、79.4%和82.3%、82.2%和83.9%。SVM 分类器、医生 1 和医生 2 的 AUC 分别为 0.895、0.879 和 0. 880。SVM 分类器在分离血液疾病方面的性能与放射科医师相当,ACC、SE、和 SP 在 SVM 分类器和同一测试集上的两个独立放射科医师之间。这可以支持经验不足的医生使用脊柱 MRI 来筛查患者的脊髓病。

3.2.7 代谢异常

他等[41] 分析了 32 例骨质减少患者、39 例骨质疏松症 (OP) 患者和 38 例骨量正常患者的常规腰椎 MRI 序列(包括 T1WI、T2WI 和 T1WI+T2WI)图像。提取并分析组学特征,建立正常与OP、正常与骨量减少、骨量减少与OP的分类模型。数据显示,基于T1WI和T2WI以及T1WI+T2WI的放射组学特征,正常椎体和OP模型的AUC分别为0.724、0.682、0.797,正常椎体和骨质疏松模型的AUC分别为0.772 、0.772 和 0.810。,骨量减少和OP模型的AUC分别为0.730、0.734、0.769。该模型基于常规腰椎MRI的放射组学特征,实现了OP与正常骨量的识别,

3.2.8 脊髓病

骨性结构对脊髓各个方向的压迫常导致SPD的发生。王等。[42] 使用 ML 算法在对照和脊髓型颈椎病 (CSM) 组的弥散加权成像 (DTI) 图像中识别脊髓区域。SVM分类器的SE为93.41%,SP为98.64%,ACC为95.73%,表明该方法性能较好,基于DTI和ML算法相结合的自动程序能够准确分类对照组和CSM组的脊髓病变面积。除了脊柱骨结构中的肿瘤外,肿瘤病变也发生在软组织结构中。脊髓肿瘤的人工智能研究逐渐兴起。伊藤等。[43] 开发了一种基于 DL 的系统,可以自动检测 MRI 图像上的脊柱神经鞘瘤。该团队回顾性分析了 50 例接受 MRI 治疗的脊柱神经鞘瘤患者的矢状位 T1WI 和 T2WI 图像,以培训和验证脊柱外科医生的诊断能力。将检测系统与医生的诊断性能进行比较,T1W1、T2W1和T1W1+T2W1图像中基于目标检测的ACCs分别为80.3%、91.0%和93.5%,医生诊断的ACCs分别为90.2%和89.3 %, 分别。数据表明,基于DL的检测系统的诊断效率与脊柱外科医生相当或有所提高,该算法的应用可能会减少脊柱外科医生对脊柱神经鞘瘤的误诊和漏诊。该团队回顾性分析了 50 例接受 MRI 治疗的脊柱神经鞘瘤患者的矢状位 T1WI 和 T2WI 图像,以培训和验证脊柱外科医生的诊断能力。将检测系统与医生的诊断性能进行比较,T1W1、T2W1和T1W1+T2W1图像中基于目标检测的ACCs分别为80.3%、91.0%和93.5%,医生诊断的ACCs分别为90.2%和89.3 %, 分别。数据表明,基于DL的检测系统的诊断效率与脊柱外科医生相当或有所提高,该算法的应用可能会减少脊柱外科医生对脊柱神经鞘瘤的误诊和漏诊。该团队回顾性分析了 50 例接受 MRI 治疗的脊柱神经鞘瘤患者的矢状位 T1WI 和 T2WI 图像,以培训和验证脊柱外科医生的诊断能力。将检测系统与医生的诊断性能进行比较,T1W1、T2W1和T1W1+T2W1图像中基于目标检测的ACCs分别为80.3%、91.0%和93.5%,医生诊断的ACCs分别为90.2%和89.3 %, 分别。数据表明,基于DL的检测系统的诊断效率与脊柱外科医生相当或有所提高,该算法的应用可能会减少脊柱外科医生对脊柱神经鞘瘤的误诊和漏诊。

3.3影像组学在SPD术前术后风险及预后评估中的应用

SPD术前术后风险及预后不良的评估是脊柱外科的重要环节之一。不可避免地要借助影像学技术来判断手术效果和预防术后并发症。然而,这些检测技术各有优缺点。不能满足临床医生了解疾病转归的需要。借助人工智能技术,国内外专家团队也开展了脊柱相关疾病的转归预测,并取得重要进展。

Siccoli等[44]使用635例接受腰椎管狭窄症(LSS)减压手术的前瞻性入组患者的数据,并使用最小临床重要差异(MCID)将终点分为两类。预测因素包括 6 周和 12 个月时的腰痛 (NRS-BP) 和腿痛 (NRS-LP) 严重程度和 Oswestry 残疾指数 (ODI) 的数值评定量表,以及延长的手术时间(>45 分钟)、延长的住院时间停留 (>28 h) 并再次手术。基于各种ML模型训练预测模型预测感兴趣的终点,预测延长手术时间的ACC为78%,但AUC仅为0.54;再次手术的预测ACC分别为69%和63%,AUC值分别为0.66和0.61;能够预测住院时间延长,其 ACC 为 77%,AUC 为 0.58。总之,使用 ML 来预测 LSS 减压手术的一系列临床相关结果是可行的。术前预后和治疗风险的个体化预测分析是 LSS 患者手术治疗发展的又一步。Wirries 等[45] 使用 60 例患者的数据对 DL 算法进行了训练和测试,研究了 DL 技术能否预测腰椎间盘突出症(Lumbar disc herniation,LDH)患者术后 6 个月或开始保守治疗后的 ODI。指数。通过将 ODI 尺度划分为 12 个部分,该算法可以实现 100% 准确预测 ODI 范围。经过6个月的治疗,对于保守治疗和手术两种治疗方案,受试者实际ODI值与AI预测ODI值的差异在3.3%到18.8%之间,预测结果也表现出个体差异,部分差异相当大大的 。相信人工智能的监督方式将提高治疗结果的可预测性,从而有助于为LDH等患者提供个体化的治疗建议。不仅在脊柱治疗领域,而且在许多其他无法随机化或纳入大量患者的医学领域,DL 方法都可以作为人工智能进一步发展的基础。相信人工智能的监督方式将提高治疗结果的可预测性,从而有助于为LDH等患者提供个体化的治疗建议。不仅在脊柱治疗领域,而且在许多其他无法随机化或纳入大量患者的医学领域,DL 方法都可以作为人工智能进一步发展的基础。相信人工智能的监督方式将提高治疗结果的可预测性,从而有助于为LDH等患者提供个体化的治疗建议。不仅在脊柱治疗领域,而且在许多其他无法随机化或纳入大量患者的医学领域,DL 方法都可以作为人工智能进一步发展的基础。

4 局限与展望

影像组学方法在SPD中的应用还存在问题:SPD中ROI勾画没有统一的标准化指南,人工勾画ROI工作量大、耗时长,且存在偏差;由于成像设备和扫描参数设置的个体差异,图像质量很难。保持一致性;放射组学已应用于脊柱常见病的诊断和鉴别诊断,但对脊柱部分罕见病和地方病的识别和风险预测研究尚未开展。量少等问题。

常规 CT 和 MRI 序列可以提供可重复的放射组学特征和非冗余特征,不同的 CT 切片和 MRI 序列可以提供额外的独立信息 [46, 47]。以往影像诊断主要依靠医生的主观意见,而影像组学则利用高通量大数据进行客观分析,提取海量数字信息,助力临床决策。这方面的研究具有广阔的前景。虽然放射组学处于起步应用阶段,但随着研究的不断挖掘和深入,将会有更多的新发现并带来实用价值,工作流程中的每一步改进都可能提高结果的准确性。放射科医师和脊柱医生需要注意的是,放射组学与脊柱影像学的融合,不仅可以提高临床医生的工作效率,也可以为患者的精准医疗和个体化治疗提供有力的参考和帮助。放射组学的进步不仅促进了影像学专业的发展,而且对整个医学事业的发展也具有重要的促进意义。

作者利益冲突声明:所有作者声明没有利益冲突。

本项目得到新疆维吾尔自治区自然科学基金面上项目(2017D01C300)和新疆医科大学研究生创新创业项目(CXCY2021017)的资助。

参考文献被省略。

[Pahati Tuxunjiang, Yang Laihong, He Xiong, et al. 影像组学在脊柱疾病中的应用[J]. 磁共振成像, 2022,13(5):162-166.

DOI: 10.12015/issn.1674-8034.2022.05.035.】

(作者:帕哈提图训江、杨来红、何雄、常玉山、郭辉)