基于T2WI序列腰椎磁共振影像組學(xué)診斷骨質(zhì)疏松癥

康嗣如，田榮華

0 前言

骨質(zhì)疏松癥是一種與年齡有關(guān)的以骨量減少、骨質(zhì)量受損及骨強(qiáng)度減低，導(dǎo)致骨脆性增加，易發(fā)生骨折為特征的全身性疾病。研究表明，2016 年中國60 歲以上的老年人骨質(zhì)疏松癥患病率為36%。據(jù)預(yù)測，至2050 年，我國骨質(zhì)疏松骨折患病人數(shù)將達(dá)599 萬，相應(yīng)的醫(yī)療支出高達(dá)1745 億元[1]，造成嚴(yán)重的社會(huì)醫(yī)療負(fù)擔(dān)，威脅人民健康。《中國老年骨質(zhì)疏松癥診療指南（2018）》[2]明確指出了雙能X 線吸收法（dual X-ray absorptiometry, DXA）是國際和國內(nèi)公認(rèn)測量骨質(zhì)密度的“金標(biāo)準(zhǔn)”，對(duì)臨床診斷骨質(zhì)疏松癥具有重大意義，但因掃描儀普及性不夠、輻射暴露等原因使其遠(yuǎn)不能滿足臨床需求[3-5]，該指南也指出了MRI具有足夠的空間分辨率和高對(duì)比度分辨率、無創(chuàng)傷、無電離輻射等優(yōu)點(diǎn)，在診斷腰椎疾病方面具有其獨(dú)特的優(yōu)勢，并且在臨床使用廣泛[6-8]。目前已有MR波譜成像、水-脂分離成像、高分辨率成像、動(dòng)態(tài)對(duì)比增強(qiáng)成像、擴(kuò)散加權(quán)成像，超短回波時(shí)間成像用于評(píng)估骨質(zhì)疏松的研究[9-11]，并且隨著未來MR 設(shè)備和技術(shù)的進(jìn)一步完善與優(yōu)化，有望提供骨質(zhì)疏松診斷或篩查的新策略，但這些方法都需要在常規(guī)MRI檢查基礎(chǔ)上額外增加掃描序列，延長掃描時(shí)間，不適用于因疼痛就診、依從性較低的患者。

影像組學(xué)是由荷蘭學(xué)者Lambin 于2012 年提出的一種新型的定量分析技術(shù)，它使用計(jì)算機(jī)算法從醫(yī)學(xué)影像圖像中提取高通量的定量、特征性信息并分析建模[12]，且應(yīng)用先進(jìn)的數(shù)據(jù)模型算法來檢測視覺無法識(shí)別的放射組學(xué)特征，有助于早期無創(chuàng)地明確病灶的性質(zhì)、評(píng)估疾病的療效、判斷預(yù)后，以及實(shí)施精準(zhǔn)醫(yī)療、個(gè)體化醫(yī)療等[13-15]。

國外亦有基于計(jì)算機(jī)斷層掃描（computed tomography, CT）影像組學(xué)分析檢測骨質(zhì)疏松癥的研究[16-17]，其主要臨床應(yīng)用局限性表現(xiàn)在輻射暴露性，T2WI序列作為腰椎MRI檢查最基本的序列，易操作且圖像獲取度高，并且臨床以腰背部疼痛為主訴就診行MR 檢查后最終診斷為骨質(zhì)疏松癥的患者日益增多，但基于腰椎T2WI 序列影像組學(xué)診斷骨質(zhì)疏松癥的研究鮮有報(bào)道。因此，本研究旨在探討基于T2WI序列的腰椎MRI 放射組學(xué)分析在檢測骨質(zhì)疏松癥中的潛力。

1 材料與方法

1.1 研究對(duì)象

本研究遵守《赫爾辛基宣言》，經(jīng)孝感市中心醫(yī)院倫理委員會(huì)批準(zhǔn)，免除受試者知情同意，批準(zhǔn)文號(hào)：XGLY2022-11-07。回顧性分析了2022 年12 月至2023 年3 月期間因下腰部疼痛于我院行MRI 檢查的患者病例共300例，排除9例，最終291例入組。納入標(biāo)準(zhǔn)：（1）14 天內(nèi)同時(shí)進(jìn)行了腰椎MRI 和DXA 檢查；（2）患者年齡區(qū)間為45-83歲。排除標(biāo)準(zhǔn)：（1）圖像質(zhì)量差影響成像評(píng)價(jià)；（2）有惡性腫瘤或血液疾病、糖尿病、甲狀腺相關(guān)疾病等病史。依據(jù)DXA結(jié)果將患者分為骨質(zhì)疏松組、非骨質(zhì)疏松組（圖1）。記錄所有患者的臨床資料，包括年齡、性別、身體質(zhì)量指數(shù)（body mass index, BMI）。

圖1 研究人群選擇流程圖。Fig.1 Flow chart of study population selection.

1.2 影像檢查方法

采用SIEMENS 3.0 T超導(dǎo)型MR掃描儀（MAGNETOM Verio, Germany），用脊柱相控陣體線圈行腰1 至腰5 椎體T2WI 序列圖像采集，掃描參數(shù)：TR 2400 ms，TE 100 ms，層厚3 mm，層間距0.3 mm，矩陣384×268，視野320 mm×320 mm。

1.3 影像組學(xué)過程

1.3.1 圖像獲取

所有數(shù)據(jù)來源于科室的圖像存檔和通信系統(tǒng)（picture archiving and communication system,PACS），以匿名DICOM格式進(jìn)行下載。

1.3.2 感興趣區(qū)的勾畫、分割及特征提取

將腰椎矢狀位T2WI 圖像導(dǎo)入開源軟件3D Slicer（V5.0.3,https://www.slicer.org），由一名具有3 年工作經(jīng)驗(yàn)的影像科主治醫(yī)師逐層手動(dòng)勾畫腰1 至腰5 椎體感興趣區(qū)域（region of interest,ROI），含皮質(zhì)骨與松質(zhì)骨，注意避開椎間盤、終板，共15層。利用3D Slicer軟件中的“PyRadiomics”提取常見的7 個(gè)特征組：一階特征（First order features）、形狀特征（shape features）、灰度依賴矩陣（gray level dependence matrix, GLDM）、灰度共生矩陣（gray-level co-occurrence matrix, GLCM）、灰度運(yùn)行長度矩陣（gray-level run length matrix,GLRLM）、灰度大小區(qū)域矩陣（gray level size zone matrix, GLSZM）和鄰域灰度色差矩陣（neighborhood gray-tone difference matrix, NGTDM）。由另一名5年工作經(jīng)驗(yàn)的影像科主治醫(yī)師隨機(jī)抽取大約1/3的圖像獨(dú)立勾畫ROI并提取相應(yīng)特征，采用組內(nèi)相關(guān)系數(shù)（intra-class correlation coefficient, ICC）比較兩位醫(yī)師所勾畫的特征數(shù)據(jù)，當(dāng)ICC≥0.75 時(shí)，則認(rèn)為該影像組學(xué)特征具有一定的可靠性。

1.3.3 特征篩選

我們對(duì)所有ICC≥0.75 的放射學(xué)特征進(jìn)行了Mann-WhitneyU統(tǒng)計(jì)檢驗(yàn)和特征篩選。特征篩選基于兩步：（1）引入并使用特征選擇工具類（Feature Selector）進(jìn)行初步特征選擇；（2）對(duì)于重復(fù)性高的特征，還使用Spearman 等級(jí)相關(guān)系數(shù)計(jì)算特征參數(shù)間的冗余性，選取0.9 為冗余閾值，并使用最小絕對(duì)收縮和選擇算子（least absolute shrinkage and selection operator, LASSO）算法根據(jù)最優(yōu)調(diào)節(jié)權(quán)重λ進(jìn)一步減少冗余。保留的非零系數(shù)特征用于回歸模型擬合，并組合成放射組學(xué)特征。

1.3.4 機(jī)器學(xué)習(xí)算法選擇

本研究共使用了八種傳統(tǒng)的機(jī)器學(xué)習(xí)算法：邏輯回歸（logistics regression, LR）、支持向量機(jī)（support vector machine, SVM）、K 鄰近算法（K-nearestbor neighbor, KNN）、隨機(jī)森林（RandomForest）、極度隨機(jī)樹（extremely randomized trees, ExtraTrees）、極度梯度提升樹（eXtreme gradient boosting,XGBoost）、梯 度 提 升 決 策 樹（light gradient boosting machine, LightGBM）、多 層 感 知 機(jī)（multi-layer perception, MLP）。采用受試者工作特征（receiver operating characteristic, ROC）曲線下面積（area under the curve, AUC）、準(zhǔn)確度、敏感度及特異度對(duì)每個(gè)機(jī)器學(xué)習(xí)方法預(yù)測性能進(jìn)行評(píng)估，并進(jìn)行5折交叉驗(yàn)證篩選最佳機(jī)器學(xué)習(xí)方法應(yīng)用于后續(xù)模型構(gòu)建。

1.3.5 診斷模型的構(gòu)建

（1）臨床診斷模型：對(duì)骨質(zhì)疏松癥與非骨質(zhì)疏松癥組間患者年齡、性別、BMI 進(jìn)行比較，選取具有統(tǒng)計(jì)學(xué)意義（P＜0.05）的臨床指標(biāo)建立臨床診斷模型；（2）影像組學(xué)模型：應(yīng)用特征篩選保留的影像組學(xué)特征建立影像組學(xué)模型；（3）聯(lián)合模型：將篩選出的臨床特征和影像組學(xué)特征聯(lián)合，建立聯(lián)合模型。

1.3.6 模型的評(píng)估

通過各個(gè)模型的特異度、敏感度、準(zhǔn)確度及AUC等參數(shù)分析模型的預(yù)測價(jià)值，并對(duì)效能最佳的模型使用校正曲線、Hosmer-Lemeshow 檢驗(yàn)驗(yàn)證模型的擬合情況，再利用DeLong 檢測對(duì)各模型之間的AUC 進(jìn)行統(tǒng)計(jì)學(xué)差異性比較，最后采用決策曲線分析（decision curve analysis, DCA）評(píng)估各個(gè)模型的臨床凈收益（圖2）。

圖2 影像組學(xué)流程圖。Fig.2 Flowchart of radiomics.

1.4 統(tǒng)計(jì)學(xué)分析

采用IBM SPSS 20.0（version 20.0, USA）進(jìn)行統(tǒng)計(jì)分析。采用Kolmogorov-Smirnov 法對(duì)計(jì)量資料進(jìn)行正態(tài)性檢驗(yàn)，符合正態(tài)分布的計(jì)量資料采用獨(dú)立樣本t檢驗(yàn)，不符合正態(tài)分布的計(jì)量資料采用Mann-WhitneyU檢驗(yàn)。計(jì)數(shù)資料以例數(shù)或構(gòu)成比表示，兩組間比較采用χ2檢驗(yàn)。采用R 軟件（version 4.2.1,https://www.r-project.org）篩選紋理特征，首先采用ICC 選擇觀察者間ICC≥0.75 的特征，然后采用Spearman 相關(guān)性檢驗(yàn)剔除特征間r＞0.9 的特征，最后采用LASSO 進(jìn)行特征降維。繪制八種機(jī)器學(xué)習(xí)方法的ROC 曲線并獲得AUC，選取最佳機(jī)器學(xué)習(xí)方法聯(lián)合臨床特征、影像組學(xué)特征建立模型，對(duì)各類模型繪制ROC 曲線評(píng)估診斷效能，計(jì)算AUC、準(zhǔn)確率、敏感度及特異度。利用Hosmer-Lemeshow檢驗(yàn)、校正曲線驗(yàn)證模型的擬合情況。使用DCA 評(píng)價(jià)模型的臨床獲益度。使用DeLong檢驗(yàn)比較AUC 的診斷差異。以P＜0.05 為差異具有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 一般資料

本研究共納入291 例受試者病例，其中男97 例（33.3%），女194 例（66.7%），年齡為43-85（62±10）歲。年齡、BMI 在訓(xùn)練組及測試組的骨質(zhì)疏松與非骨質(zhì)疏松組間具有統(tǒng)計(jì)學(xué)意義（P＜0.05）。隨后，采用8∶2 的比例將所有病例隨機(jī)分配到訓(xùn)練組（n=233）和測試組（n=58）（表1）。

表1 入組研究患者的基線特征Tab.1 The baseline characteristics of enrolled patients

2.2 影像組學(xué)特征選擇結(jié)果

訓(xùn)練組共233 例患者1165 個(gè)椎體，骨質(zhì)疏松和非骨質(zhì)疏松患者分別為91 例455 個(gè)椎體及142 例710 個(gè)椎體；測試組共58 例患者290 個(gè)椎體，骨質(zhì)疏松和非骨質(zhì)疏松患者分別為23例115個(gè)椎體及35例175 個(gè)椎體。本研究最終選取23 個(gè)非零系數(shù)的最佳放射組學(xué)特征，分別為一階特征5 個(gè)、GLCM 特征5 個(gè)、GLRLM 特 征5 個(gè)、GLSZM 特 征3 個(gè) 和NGTDM 特 征5個(gè)（圖3）。

圖3 影像組學(xué)特征篩選。橫坐標(biāo)表示權(quán)重，縱坐標(biāo)表示特征。Fig.3 Feature selection for radiomics.The abscissa represents the coefficients, and the ordinate represents the feature.

2.3 分類診斷模型在測試集的效能

基于測試集數(shù)據(jù)及入選特征，各分類診斷模型的AUC 從高到低排列如下：LR（0.913）、MLP（0.884）、SVM（0.872）、LightGBM（0.795）、XGBoost（0.787）、ExtraTrees（0.773）、KNN（0.772）、RandomForest（0.769）。各模型的分類診斷模型ROC 曲線詳見表2、圖4。

表2 各分類診斷模型鑒別骨質(zhì)疏松與非骨質(zhì)疏松的效能Tab.2 The effectiveness of each classification diagnostic model in differentiating osteoporosis from non-osteoporosis

圖4 各分類診斷模型鑒別骨質(zhì)疏松與非骨質(zhì)疏松的受試者工作特征（ROC）曲線。LR：邏輯回歸；AUC：ROC 曲線下面積；SVM：支持向量機(jī)；KNN：K 鄰近算法；RandomForest：隨機(jī)森林；ExtraTrees：極度隨機(jī)樹；XGBoost：極度梯度提升樹；LightGBM：梯度提升決策樹；MLP：多層感知機(jī)。Fig.4 The receiver operating characteristic (ROC) curves for each classification diagnostic model to discriminate osteoporosis from non-osteoporosis.LR: logistics regression; AUC: area under the curve;SVM: support vector machine; KNN: K-nearestbor neighbor;RandomForest: random forest; ExtraTrees: extremely randomized trees;XGBoost: eXtreme gradient boosting; LightGBM: light gradient boosting machine; MLP: multi-layer perception.

2.4 診斷模型構(gòu)建及應(yīng)用效能

基于LR 的分類模型在鑒別骨質(zhì)疏松與非骨質(zhì)疏松方面表現(xiàn)最為優(yōu)異。（1）臨床診斷模型：臨床模型由年齡、BMI基于LR分類模型構(gòu)建而成；（2）影像組學(xué)診斷模型：提取的23 個(gè)非零系數(shù)的最佳放射組學(xué)特征基于LR 分類模型構(gòu)建而成；（3）聯(lián)合模型：該模型由臨床特征及影像組學(xué)特征基于LR分類模型聯(lián)合構(gòu)建而成。臨床模型預(yù)測訓(xùn)練集和測試集判定是否有骨質(zhì)疏松的AUC 值分別為0.791（95%CI:0.733-0.849）及0.805（95%CI: 0.676-0.935）；影像組學(xué)模型預(yù)測訓(xùn)練集和測試集判定是否有骨質(zhì)疏松的AUC 值 分 別 為0.879（95%CI: 0.833-0.925）及0.913（95%CI: 0.841-0.985）；基于臨床模型及放射組學(xué)模型構(gòu)建的聯(lián)合模型，其預(yù)測訓(xùn)練集和測試集判定是否有骨質(zhì)疏松的AUC 值分別為0.893（95%CI: 0.853-0.934）及0.904（95%CI: 0.825-0.984）（表3、圖5）。

表3 各模型預(yù)測骨質(zhì)疏松的效能Tab.3 Effectiveness of each model in predicting osteoporosis

圖5 不同模型區(qū)分非骨質(zhì)疏松與骨質(zhì)疏松的受試者工作特征曲線（ROC）。5A：訓(xùn)練組中的模型比較；5B：測試組中的模型比較。 圖6 模型的校正曲線（6A）、決策曲線（6B）。Clinical Signature：基于臨床特征的模型；Rad Signature：基于T2WI 圖像的模型；Nomogram：基于臨床聯(lián)合T2WI 圖像的聯(lián)合模型；AUC：ROC曲線下面積；CI：置信區(qū)間。Fig.5 The receiver operating characteristic (ROC) curve of different models to distinguish between non-osteoporosis and osteoporosis.5A: Comparison of models in the training group; 5B Comparison of models in the test group.Fig.6 Calibration plot (6A) and decision curve (6B) diagram for model.Clinical Signature: a model based on clinical features; Rad Signature: a model based on T2WI images; Nomogram: a model based on combined model; AUC: area under the curve; CI:confidence interval.

繪制臨床模型、影像組學(xué)模型及聯(lián)合模型的校正 曲 線，Hosmer-Lemeshow 檢 驗(yàn)（P=0.250, 0.753,0.575）驗(yàn)證了模型預(yù)測值與觀察值之間存在一致性，具有較好的擬合情況。DCA 結(jié)果顯示，影像組學(xué)模型、聯(lián)合模型預(yù)測骨質(zhì)疏松的臨床價(jià)值均優(yōu)于臨床模型（圖6）。

3 討論

本研究通過對(duì)291 例骨質(zhì)疏松及非骨質(zhì)疏松患者病例進(jìn)行回顧性分析，并基于臨床特征、腰椎T2WI序列影像組學(xué)特征建立相應(yīng)模型，創(chuàng)新性地構(gòu)建多種不同機(jī)器學(xué)習(xí)算法，結(jié)果顯示基于LR 的腰椎T2WI的影像組學(xué)模型對(duì)骨質(zhì)疏松癥有好的預(yù)測能力，它可以在常規(guī)診斷的基礎(chǔ)上提供額外的骨質(zhì)疏松與否的信息，這種方法可以潛在地減少醫(yī)療費(fèi)用和輻射暴露，為患者提供巨大的臨床獲益。

3.1 影像組學(xué)研究方法的優(yōu)勢及相關(guān)研究比較

影像組學(xué)是一種新興的領(lǐng)域，能夠無創(chuàng)地提取數(shù)字醫(yī)學(xué)圖像中肉眼無法觀察到的高維數(shù)據(jù)，可以反映特定區(qū)域的異質(zhì)性，已被廣泛用于無創(chuàng)性評(píng)估腫瘤的臨床診斷和預(yù)后[18-19]。目前，已有研究者將影像組學(xué)用于預(yù)測骨質(zhì)疏松癥，并取得了不錯(cuò)的效果，其中，JIANG等[20]利用基于CT腰椎圖像提取了包括一階特征5 個(gè)、GLCM 特征1 個(gè)、GLSZM 特征4 個(gè)和NGTDM特征2 個(gè)在內(nèi)的12 個(gè)組學(xué)特征用于腰椎術(shù)前檢測骨質(zhì)疏松癥，并取得了很好的預(yù)測價(jià)值（AUC=0.96）；ZHANG 等[21]利用CT 腰椎圖像提取包含形狀特征（Shape）2 個(gè)、一階特征4 個(gè)、GLCM 特征1 個(gè)、GLSZM 特征4 個(gè)和GLRLM 特征3 個(gè)在內(nèi)的14 個(gè)組學(xué)特征用于預(yù)測急性與慢性骨質(zhì)疏松性椎體骨折，并取得了良好的預(yù)測效果（AUC=0.93）。在本研究中，一階特征、紋理特征得以入選可能與在骨質(zhì)疏松椎體中骨量丟失引發(fā)骨小梁變細(xì)、數(shù)量減少、間隙增大、黃骨髓增加導(dǎo)致骨質(zhì)異質(zhì)性有關(guān)，這與先前研究[20,22-23]結(jié)論一致。而形狀特征直接反映骨骼完整性、病變形態(tài)和像素情況[24-26]，本次特征篩選并未入選，可能與形狀特征自身不需要數(shù)據(jù)矩陣變換特征有關(guān)，也可能與骨質(zhì)疏松癥患者椎體的三維大小、空間幾何特性等一階特征差異無統(tǒng)計(jì)學(xué)意義有關(guān)[27-28]。并且，本研究中，年齡和BMI 差異具有統(tǒng)計(jì)學(xué)意義（P＜0.001），這可能與年齡增大引起體內(nèi)激素水平變化導(dǎo)致破骨細(xì)胞活躍、BMI 值較高的人群骨骼負(fù)重更多而促進(jìn)成骨形成等因素有關(guān)，最終兩者作為臨床特征參與臨床模型建模，這與部分研究[17,29]選取的臨床特征建模一致，但性別差異無統(tǒng)計(jì)學(xué)意義（P＞0.05），因而未能入組，筆者認(rèn)為可能與本研究人群均來源于因腰部疼痛就診的有癥狀人群有關(guān)。

3.2 影像組學(xué)特征參數(shù)意義

基于T2WI圖像的影像組學(xué)診斷模型對(duì)海量T2WI影像潛在的、有價(jià)值的數(shù)據(jù)信息進(jìn)行更深層次挖掘、預(yù)測和分析，有助于對(duì)骨質(zhì)疏松臨床結(jié)果的預(yù)測。本研究得到的影像組學(xué)特征為一階特征、GLCM、GLRLM、GLSZM、NGTDM 5 類。其中，一階特征可以反映所有體素的直方圖特性，選取的偏度（skewness）、中值（median）、均方根（root mean squared, RMS）、第十百分位（10th percentile）4個(gè)指標(biāo)，說明此4個(gè)直方圖參數(shù)在鑒別骨質(zhì)疏松與否方面具有重要貢獻(xiàn)。GLCM 特征不僅反映灰度的分布特征，也反映具有同樣灰度或者接近灰度的像素之間的位置分布特性，IMC1 參數(shù)量化紋理的復(fù)雜性；集群突出是衡量偏度和不對(duì)稱性的指標(biāo)，值越高意味著不對(duì)稱性越大；相關(guān)性參數(shù)衡量灰度共生矩陣元素在行或列方向或角度上的相似程度；IDN 是度量圖像的同質(zhì)性的一種方法。GLRLM 特征可量化圖像中的像素值的分布，短行程強(qiáng)調(diào)（short run emphasis, SRE）較大表示越短的運(yùn)行長度以及更精細(xì)的紋理；短行程低灰度強(qiáng)調(diào)（short run low gray level emphasis, SRLGLE）測量較低灰度值的較短運(yùn)行長度的聯(lián)合分布。GLSZM 特征可以量化圖像中連續(xù)像素值的區(qū)域，歸一化灰度不均勻性（gray level non-uniformity normalized,GLNN）的值越低、強(qiáng)度值的相似性越高；區(qū)域大小不均勻性（size-zone non-uniformity, SZN）的值越低、圖像中的均勻性越大；灰度方差（gray level variance, GLV）測量區(qū)域的灰度強(qiáng)度方差。NGTDM特征量化了一個(gè)灰度值與其相鄰距離內(nèi)的平均灰度值之間的差異，對(duì)比度（contrast）度量空間強(qiáng)化變化；繁忙度（busyness）度量從像素到其相鄰像素的變化；復(fù)雜度（complexity）越大、圖像越不均勻；強(qiáng)度（strength）度量圖像中體素。本研究中的23個(gè)特征參數(shù)，在不同程度上反映了骨質(zhì)疏松患者與非骨質(zhì)疏松患者在T2WI 圖像灰度值分布、紋理特征及空間異質(zhì)性方面的差異，筆者認(rèn)為可能是骨質(zhì)疏松患者的骨密度和骨質(zhì)量減低導(dǎo)致，骨密度由骨內(nèi)的礦物質(zhì)決定，占骨強(qiáng)度的70%，骨質(zhì)量包括骨的微觀組織結(jié)構(gòu)及分子水平變化，占骨強(qiáng)度的30%，這些都會(huì)導(dǎo)致椎體成分含量、空間排布及骨小梁的微空間幾何結(jié)構(gòu)形態(tài)、數(shù)量等變化，從而產(chǎn)生紋理特征的差異性。

3.3 基于T2WI 序列MRI 影像組學(xué)診斷模型鑒別腰椎骨質(zhì)疏松與非骨質(zhì)疏松的臨床價(jià)值

骨質(zhì)疏松患者骨丟失及早期沒有明顯臨床癥狀，往往因骨質(zhì)疏松性骨折（脆性骨折）這樣的嚴(yán)重臨床后果就醫(yī)[30]，既往有研究表明[31-33]，MRI 主要是通過測量脂肪含量，或通過獲取骨灌注、微循環(huán)以及骨質(zhì)量等信息評(píng)估骨質(zhì)疏松程度，這些方法都需要在常規(guī)序列基礎(chǔ)上增加額外掃描序列或加以后處理，增加了掃描時(shí)間、影響了日常工作進(jìn)度，因此更加需要探索出一種簡便可靠、易于使用、可量化及個(gè)性化地鑒別骨質(zhì)疏松與非骨質(zhì)疏松的影像學(xué)方法。常規(guī)T2WI 序列作為腰椎MR 檢查最基本的序列，信號(hào)強(qiáng)度取決于細(xì)胞豐富度、組織含水量、纖維含量及水腫等特征[34-36]，但并不能很好地應(yīng)用于骨質(zhì)疏松的判斷。本研究中基于LR 建立的T2WI 腰椎影像組學(xué)在訓(xùn)練組和測試組中均取得了較好的效能，改善了影像醫(yī)師判斷的主觀性和肉眼難以識(shí)別的微小信號(hào)強(qiáng)度變化，相較于普通影像學(xué)資料對(duì)預(yù)測骨質(zhì)疏松的結(jié)果更具有說服力。

3.4 本研究的局限性

（1）樣本量相對(duì)較少，對(duì)于機(jī)器學(xué)習(xí)來說，病例數(shù)越多，每次模型運(yùn)行的結(jié)果越穩(wěn)定、過擬合越??；（2）缺乏外部驗(yàn)證組，這可能會(huì)導(dǎo)致過擬合；（3）本研究的序列存在一定局限，只納入了T2WI序列，未涉及到T1WI 及脂肪抑制序列；（4）臨床特征納入不全，對(duì)于絕經(jīng)與否、體表面積、抽煙喝酒等臨床特征未進(jìn)行收集，導(dǎo)致臨床模型預(yù)測效能欠佳。因此，未來的研究中，應(yīng)該使用更大的樣本量和多中心數(shù)據(jù)來驗(yàn)證這些發(fā)現(xiàn)，再基于多序列的MRI 聯(lián)合臨床模型，進(jìn)一步探討臨床模型、影像組學(xué)模型及聯(lián)合模型的預(yù)測效能。

4 結(jié)論

綜上所述，本研究的結(jié)果證明了基于腰椎T2WI的影像組學(xué)分析在判斷非骨質(zhì)疏松和骨質(zhì)疏松患者方面的潛力，為臨床決策提供依據(jù)。

作者利益沖突聲明：全體作者均聲明無利益沖突。

作者貢獻(xiàn)聲明：田榮華設(shè)計(jì)本研究的方案，對(duì)稿件重要內(nèi)容進(jìn)行修改；康嗣如起草和撰寫稿件，獲取、分析或解釋本研究的數(shù)據(jù)，獲得了孝感市自然科學(xué)計(jì)劃項(xiàng)目支持；全體作者都同意發(fā)表最后的修改稿，同意對(duì)本研究的所有方面負(fù)責(zé)，確保本研究的準(zhǔn)確性和誠信。