影像組學(xué)用于骨質(zhì)疏松癥研究進(jìn)展

高 榮,曾健康,王 平,,姚紅艷,周 晟,*

(1.甘肅中醫(yī)藥大學(xué)第一臨床醫(yī)學(xué)院,甘肅 蘭州 730000;2.甘肅省人民醫(yī)院放射科,甘肅 蘭州 730000)

骨質(zhì)疏松癥(osteoporosis, OP)是以骨量減低、骨組織微結(jié)構(gòu)損壞和骨脆性增加為特征的全身性代謝性骨病,可嚴(yán)重影響患者生活質(zhì)量[1-2]。我國(guó)50歲以上人群OP患病率為19.2%,男女比例約1∶5～1∶4[1,3],且發(fā)病率隨年齡增長(zhǎng)而升高;女性O(shè)P患者中,約30%～50%可發(fā)生常見(jiàn)于椎體、髖關(guān)節(jié)及前臂遠(yuǎn)端等處的骨質(zhì)疏松性骨折(osteoporotic fracture, OPF)[4]。早期篩查和有效干預(yù)OP可延緩疾病進(jìn)展、降低骨折風(fēng)險(xiǎn)[5-6]。目前臨床常采用雙能X線骨密度儀(dual energy X-ray absorptiometry, DXA)和定量CT(quantitative CT, QCT)獲取骨密度(bone mineral density, BMD),并以之作為評(píng)價(jià)OP的主要指標(biāo),但檢出早期骨丟失的敏感度不高[7-8]。影像組學(xué)[9]可通過(guò)獲取圖像特征反映骨小梁微結(jié)構(gòu)變化并建立模型以早期診斷OP及預(yù)測(cè)OPF[10-12]。本文對(duì)影像組學(xué)用于OP研究進(jìn)展進(jìn)行綜述。

1 影像組學(xué)概述

影像組學(xué)通過(guò)提取并篩選不同模態(tài)醫(yī)學(xué)圖像中的高通量特征并建立模型而為臨床提供精準(zhǔn)信息,已廣泛用于診斷疾病、制定治療方案及預(yù)測(cè)預(yù)后等;其基本流程包括獲取圖像、分割圖像及勾畫ROI、提取并篩選圖像特征、建立和驗(yàn)證模型,以及繪制受試者工作特征曲線并以曲線下面積(area under the curve, AUC)評(píng)估模型效能[13-15]。

2 影像組學(xué)用于OP

2.1 X線影像組學(xué) X線片可顯示椎體變形或骨折情況,為多數(shù)基層醫(yī)療機(jī)構(gòu)評(píng)估BMD及判斷有無(wú)OPF的常用方法,但其空間分辨率低,骨量減少低于30%時(shí)肉眼幾乎觀察不到差異[16]。DXA測(cè)量包括骨皮質(zhì)和骨松質(zhì)在內(nèi)的綜合骨密度時(shí)易受骨髓脂肪含量影響,診斷靈敏度較低,常需結(jié)合骨折風(fēng)險(xiǎn)評(píng)價(jià)工具,綜合考慮患者年齡、身高、體質(zhì)量等信息,以提高診斷準(zhǔn)確性?；赬線片的影像組學(xué)模型可較精準(zhǔn)地評(píng)估骨量減少程度,提高早期診斷OP的準(zhǔn)確性并預(yù)測(cè)OPF。YANG等[17]測(cè)量同期接受胸部平掃CT和DXA檢查患者的T1～L1的CT值,利用人工智能(artificial intelligence, AI)建立影像組學(xué)模型,其診斷骨量減少及OP的AUC分別為0.831和0.972。KIM等[18]基于髖關(guān)節(jié)X線片所見(jiàn)骨紋理特征、結(jié)合臨床特征及影像組學(xué)特征而構(gòu)建的骨紋理-臨床-影像組學(xué)聯(lián)合模型診斷訓(xùn)練集和驗(yàn)證集OP的AUC分別為0.95和0.87,高于單一模型及其中2種特征聯(lián)合模型。利用影像組學(xué),通過(guò)深度學(xué)習(xí)(deep learning, DL)從髖關(guān)節(jié)DXA圖像中提取可量化骨紋理特征,可在不增加成本的前提下提高預(yù)測(cè)髖關(guān)節(jié)骨折的準(zhǔn)確率[19],為臨床預(yù)測(cè)OPF提供了可能。

2.2 CT影像組學(xué) 低BMD可顯著增加骨折風(fēng)險(xiǎn),故應(yīng)盡早評(píng)估高危OP患者BMD水平并預(yù)防骨丟失?；贑T的影像組學(xué)有望成為評(píng)估BMD的新方法。DAI等[20]觀察245例接受腹部CT和DXA檢查患者,對(duì)每例提取1 218個(gè)CT組學(xué)特征,采用最小絕對(duì)收縮和選擇算子(least absolute shrinkage and selection operator, LASSO)算法篩選最佳特征并構(gòu)建雙層堆疊回歸模型以評(píng)估BMD,結(jié)果顯示模型預(yù)測(cè)BMD的效能與DXA結(jié)果呈高度正相關(guān)(r=0.932)。YAO等[21]基于CT脂肪-水成像特征構(gòu)建影像組學(xué)模型,其于訓(xùn)練集和驗(yàn)證集診斷低BMD的AUC分別為0.96和0.98。另有學(xué)者[22]比較基于腰椎CT圖像構(gòu)建的RF、SVM及K鄰近算法模型鑒別OP、骨量減少與正常BMD的效能,發(fā)現(xiàn)RF分類模型效能較高,其鑒別OP及骨量減少、骨量減少與正常BMD的AUC分別為0.866和0.940。XIE等[23]采用多變量logistic回歸分析基于QCT圖像構(gòu)建影像組學(xué)-臨床聯(lián)合模型,其在訓(xùn)練集和驗(yàn)證集的AUC均高于臨床模型,鑒別OP及骨量減少效能良好。此外,影像組學(xué)還可于腰椎術(shù)前判斷患者是否存在OP,對(duì)于指導(dǎo)治療決策、改善預(yù)后具有重要意義[24]。

目前采用雙能量CT(dual energy CT, DECT)結(jié)合影像組學(xué)診斷OP的研究較少。有學(xué)者[25-26]認(rèn)為基于DECT的影像組學(xué)模型可通過(guò)虛擬單色光譜成像減少對(duì)比劑硬化偽影、改善圖像質(zhì)量,其所測(cè)腰椎骨髓CT值及骨鈣CT值與QCT測(cè)得的BMD值呈高度正相關(guān),提示DECT影像組學(xué)對(duì)于評(píng)估BMD具有應(yīng)用前景。

2.3 MRI影像組學(xué) MRI信號(hào)強(qiáng)度與BMD密切相關(guān)。經(jīng)多種圖像分析處理,MRI影像組學(xué)可通過(guò)計(jì)算骨小梁組織形態(tài)相關(guān)參數(shù)而全面評(píng)估骨折類型、判斷是否伴發(fā)神經(jīng)損傷及評(píng)估椎體壓縮程度等[27]。何麗等[28]納入50例接受腰椎MR檢查患者(OP 28例、BMD正常22例),共基于T1WI、T2WI及聯(lián)合序列圖像提取1 188個(gè)腰椎MRI特征,以LASSO方法降維并篩選特征,建立影像組學(xué)模型;其中,聯(lián)合序列的AUC為0.937,明顯高于單一序列模型(AUC分別為0.810和0.820)。嚴(yán)重OPF后1～2年,新發(fā)骨折風(fēng)險(xiǎn)顯著升高。CAI等[29]將T2WI影像學(xué)所示 L1特征與臨床特征相結(jié)合,構(gòu)建模型預(yù)測(cè)經(jīng)皮椎體強(qiáng)化術(shù)后新發(fā)骨折,結(jié)果顯示以XGBoost和機(jī)器學(xué)習(xí)(machine learning, ML)算法構(gòu)建模型的預(yù)測(cè)效能最佳,在訓(xùn)練集和測(cè)試集中,前者的AUC分別為0.93和0.90、后者的AUC均為0.90,提示該模型可用于預(yù)測(cè)OPF后新發(fā)骨折,對(duì)評(píng)估OPF預(yù)后具有重要價(jià)值。

骨髓脂肪細(xì)胞與成骨細(xì)胞均由骨髓間充質(zhì)干細(xì)胞分化而來(lái),二者此消彼長(zhǎng),使得骨髓脂肪組織在骨代謝中發(fā)揮重要作用。MR檢查中,通過(guò)非對(duì)稱回波最小二乘法迭代水脂分離技術(shù)可獲得質(zhì)子密度脂肪分?jǐn)?shù)(proton density fat fraction, PDFF)圖及R2*圖,觀察椎體骨髓含量的細(xì)微變化。BURIAN等[30]通過(guò)PDFF圖結(jié)合紋理分析觀察腰椎骨髓含量,發(fā)現(xiàn)絕經(jīng)后女性腰椎骨髓脂肪含量相比絕經(jīng)前明顯增加[(49.37±8.14)%vs. (27.76±7.30)%]。LIU等[31]回顧性分析83例腰痛患者的腰椎MRI所示 PDFF并以之構(gòu)建影像組學(xué)模型,其診斷OP及骨量減少的AUC分別為0.776和0.778,提示骨髓脂肪含量特征結(jié)合影像組學(xué)可用于判斷骨量減少程度,為篩查OP提供了新的思路。有學(xué)者[32]采用mDIXON Quant技術(shù)獲得腰椎脂肪分?jǐn)?shù)(fat fraction, FF)圖,并以DL分割圖像,其診斷椎體脂肪含量的AUC、敏感度和特異度分別為0.92、0.99和0.80。

MRI影像組學(xué)還可用于鑒別髖關(guān)節(jié)暫時(shí)性O(shè)P與股骨缺血性壞死。有學(xué)者[33]比較基于髖關(guān)節(jié)MRI 采用XGBoost、CatBoost及SVM方法構(gòu)建模型的診斷效能,結(jié)果顯示XGBoost效能最高(AUC為0.937)。

3 小結(jié)與展望

基于X線、CT、MRI影像組學(xué)已在篩查OP高危人群、早期診斷及預(yù)測(cè)OPF等方面展現(xiàn)出可行性、優(yōu)越性和巨大應(yīng)用潛力,有助于指導(dǎo)治療決策及預(yù)后評(píng)估。目前鮮見(jiàn)基于超聲影像組學(xué)的OP研究,有待進(jìn)一步開(kāi)發(fā)、研究。

影像組學(xué)用于OP研究尚存在不足:①掃描設(shè)備及其參數(shù)存在差異,難以確保圖像質(zhì)量;②所用ML算法多樣,導(dǎo)致結(jié)果的可重復(fù)性較差,且缺乏嚴(yán)格的影像組學(xué)評(píng)價(jià)標(biāo)準(zhǔn)和規(guī)范的報(bào)告指南;③多為小樣本、單中心回顧性研究,易出現(xiàn)過(guò)擬合現(xiàn)象。未來(lái)應(yīng)建立多中心影像組學(xué)OP研究數(shù)據(jù)庫(kù),對(duì)設(shè)備及方法進(jìn)行標(biāo)準(zhǔn)化,以提高鑒別診斷、評(píng)估療效及預(yù)測(cè)預(yù)后等的效能。