基于MRI 影像組學模型識別三角纖維軟骨復(fù)合體損傷

滕佩宏，張卜天，楊慧敏，任玲玲，李曉靜，白應(yīng)潔，劉桂鋒

三角纖維軟骨復(fù)合體（triangular fibrocartilage complex, TFCC）是尺側(cè)腕關(guān)節(jié)的重要解剖結(jié)構(gòu)，由三角纖維軟骨盤、掌側(cè)及背側(cè)橈尺韌帶、半月板類似物、尺腕韌帶、尺側(cè)副韌帶及尺側(cè)腕伸肌腱鞘組成，結(jié)構(gòu)精細而復(fù)雜[1-2]，能夠在腕關(guān)節(jié)運動中保持穩(wěn)定并提供減震的作用[3]，且在日常生活和運動中，腕關(guān)節(jié)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(guān)節(jié)鏡檢查是診斷TFCC 損傷的金標準[8]，但為有創(chuàng)檢查，因而目前臨床上外科醫(yī)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(tài)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(tài)復(fù)雜、結(jié)構(gòu)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(jīng)驗，對于年資較低的放射科醫(yī)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(yī)學圖像中高通量地提取定量影像特征，將圖像信息轉(zhuǎn)換成高維數(shù)據(jù)信息，經(jīng)降維和建模處理后，用作預(yù)測和診斷疾病以提高臨床決策的方法[18-20]，具有無創(chuàng)、經(jīng)濟、高效及可重復(fù)性等優(yōu)點。目前國內(nèi)外針對影像組學應(yīng)用于腕關(guān)節(jié)TFCC研究的文獻相對較少，因此，本研究通過聯(lián)合腕關(guān)節(jié)TFCC 的MRI 影像與影像組學，構(gòu)建分類器模型，將損傷與非損傷患者加以區(qū)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(lián)誼醫(yī)院放射科行腕關(guān)節(jié)MRI 檢查的患者病例。納入標準：（1）經(jīng)腕關(guān)節(jié)鏡或手術(shù)證實的TFCC損傷及非損傷患者；（2）行腕關(guān)節(jié)MRI 檢查前未接受關(guān)節(jié)鏡、關(guān)節(jié)造影以及手術(shù)等創(chuàng)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(shù)據(jù)。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(jīng)吉林大學中日聯(lián)誼醫(yī)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(shù)Tab.1 Scanning parameters of each sequence

1.3 感興趣區(qū)的獲取

圖像經(jīng)吉林大學中日聯(lián)誼醫(yī)院放射科影像歸檔和通信系統(tǒng)（picture archiving and communication systems, PACS）獲取，選取腕關(guān)節(jié)T2WI冠狀位序列，經(jīng)醫(yī)學影像圖像處理軟件MRIcroGL 勾畫TFCC 的3D 感興趣區(qū)（region of interest, ROI）。考慮到TFCC的結(jié)構(gòu)及空間分布的復(fù)雜性，在勾畫ROI 時，以周圍諸腕骨為界[22]，減少TFCC 本身結(jié)構(gòu)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(jīng)驗的放射科醫(yī)生勾畫，并交由另一名具有15年骨肌影像診斷經(jīng)驗的放射科主任醫(yī)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(fù)合體區(qū)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(tǒng)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(guān)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(qū)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(shù)據(jù)的標準化處理。

1.5 影像特征的篩選

基于Python 3.7 的運行環(huán)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(shù)據(jù)降維、特征篩選，去除冗余特征，避免發(fā)生過擬合[25-27]。在曼-惠特尼U檢驗中，P＜0.05 表示差異有統(tǒng)計學意義；LASSO 算法通過五折交叉驗證以及調(diào)整參數(shù)λ 使無關(guān)特征和冗余特征的權(quán)重系數(shù)壓縮為0，保留與判斷TFCC損傷相關(guān)性最強的特征。

1.6 影像模型的構(gòu)建

將最終篩選出的相關(guān)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(gòu)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(yù)測性能。

1.7 統(tǒng)計學處理

采用SPSS 25.0軟件包進行數(shù)據(jù)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(jīng)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(tǒng)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(yù)測性能。

2 結(jié)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(jié)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(jīng)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(guān)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(quán)重參數(shù)(λ)。下方的x軸表示對數(shù)(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(quán)重系數(shù)變化。圖中顯示最終選取了12個具有非零系數(shù)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(jié)果

經(jīng)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(xiàn)出了良好的預(yù)測性能。

3 討論

本研究從識別TFCC 損傷與否的目的出發(fā)，基于腕關(guān)節(jié)MRI，首次將影像組學應(yīng)用于TFCC 損傷評估。以往關(guān)于TFCC 的文獻中大多僅包含了TFCC 損傷的分類、關(guān)節(jié)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(yīng)用于運動損傷中的腕關(guān)節(jié)TFCC損傷的評估，相較于關(guān)節(jié)鏡檢查具有無創(chuàng)性，而且能夠有效減少放射科醫(yī)生的診斷主觀性，使TFCC 的損傷診斷不再依賴于醫(yī)生的年資及經(jīng)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(jié)構(gòu)相對復(fù)雜，結(jié)構(gòu)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(jié)構(gòu)復(fù)雜性的干擾，為進一步的ROI識別與勾畫做好基礎(chǔ)。

3.2 模型預(yù)測性能

TFCC 結(jié)構(gòu)及空間分布的復(fù)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(xiàn)出了較好的預(yù)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(yīng)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(fā)展迅速，目前針對肺結(jié)節(jié)的研究與應(yīng)用已經(jīng)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(yī)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(jīng)在臨床工作中得以應(yīng)用。目前尚未有影像組學應(yīng)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?；诒狙芯康难芯磕康募把芯拷Y(jié)果，未來的影像組學或許可以擴大診斷范圍，尤其對于結(jié)構(gòu)相對復(fù)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(jié)構(gòu)復(fù)雜、損傷病因多樣[1,38-39]，在后續(xù)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(shù)據(jù)集和多中心研究可能會顯示出更加穩(wěn)定的預(yù)測效能；（3）對于伴隨或不伴隨TFCC損傷而出現(xiàn)的滑膜增生及滑囊積液，在本次ROI的勾畫中并未加以區(qū)別，在后續(xù)的研究中，將選擇更精確的勾畫及區(qū)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(chuàng)性的輔助診斷TFCC 損傷的方法，目前國內(nèi)外關(guān)于MRI 影像組學與TFCC結(jié)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(yī)生的年資及經(jīng)驗水平，提高TFCC損傷的診斷率，便于指導(dǎo)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。