MR T1WI 影像組學對結核性脊柱炎與布魯菌性脊柱炎的診斷價值

何 雄，陳艷麗，帕哈提·吐遜江，夏雨薇，劉文亞，郭 輝

1新疆醫科大學第一附屬醫院影像中心，新疆 烏魯木齊 830054；2新疆醫科大學第四臨床醫學院，新疆 烏魯木齊 830054；3慧影醫療科技（北京）有限公司，北京100089

結核性脊柱炎（TS）與布魯菌性脊柱炎（BS）是兩種 不同細菌侵襲感染脊柱而引起的感染性脊柱炎，在骨關節感染中以脊柱最為常見［1-3］。TS的影像學表現與BS較為相似，易發生誤診、誤治，不利于患者治療，導致患者病情加重，致患者癱瘓甚至死亡。目前，國內外主要通過臨床表現、實驗室檢查及影像學表現對TS與BS進行鑒別診斷，必要時行穿刺活檢術或開放手術病理檢查。但臨床表現和實驗室檢查對于脊柱結核和化膿性脊柱炎鑒別診斷的特異性不高，往往依靠醫生的臨床經驗，誤診率高［4］。尋找TS與BS的早期診斷和鑒別診斷方法十分重要。隨著醫學影像人工智能技術的迅速發展及大數據的日積月累，傳統醫療模式向精準醫學模式的過渡，影像組學逐漸成為量化影像圖像中各類數據及輔助診療疾病的新手段。影像組學是近年來應用于研究疾病早期診斷、鑒別診斷、醫學模型建立等方面的熱點，這種新的技術方法應用于MRI分析中，可以獲取一些肉眼觀察不到的信息，它是從醫學影像圖像中獲取豐富的特征指標，通過一系列的處理獲取有用的特征信息，最后建立機器學習模型［5-6］，從而獲取有價值的診斷結論。迄今為止，影像組學已廣泛應用于肺癌、乳腺癌、直腸癌、膠質瘤的研究中，而在脊柱感染性病變方面缺乏系統研究，有較少研究局限在解剖結構識別、常規診斷方面[7]，本研究旨在探討MR T1WI影像組學的機器學習在鑒別診斷TS與BS中的效能，以此來提高這兩種疾病的診斷準確性和檢出率，為精準醫療提供更為豐富的依據。

1 資料與方法

1.1 一般資料

回顧性收集2019年3月～2021年12月在我院經臨床和實驗室確診的TS與BS患者病例。納入標準：臨床和實驗室確診證實為TS或BS；接受脊柱MRI檢查；確診前有完整的T1WI且資料完整、影像清晰。排除標準：患者同時患有TS或BS以外的其他脊柱感染性病變；影像資料不全、偽影較多；圖像質量不能滿足對感興趣區域（ROI）的勾畫；在MRI檢查前接受了治療。本研究最終共納入111例患者，其中男性85例，女性26例，年齡24～73歲，包括77例TS與34例BS。以0.8:0.2的比例將全部患者隨機分組到訓練集（n=88）與驗證集（n=23），訓練集側重于對診斷模型的建立，驗證集則側重于對模型鑒別診斷TS與BS的作用大小。訓練集包括61例TS和27例BS，驗證集包括16例TS和7例BS。訓練集和驗證集患者的性別、年齡差異均無統計學意義（P>0.05，表1）。本研究經我院倫理委員會審核，獲得所有患者知情同意，并簽署臨床研究協議書。

表1 訓練集與驗證集患者性別、年齡比較Tab.1 Comparison of gender and age of patients in training set and verification set

1.2 檢查方法

采用1.5T MR掃描儀（西門子）進行掃描，采用體線圈接收信號，予以T1WI序列掃描，具體數據如下：TR 400～700 ms，TE 11～15 ms，層厚3.0 mm，層距0.5 mm。

1.3 研究方法

將顯示TS或BS所有層面的MR T1WI序列圖像上傳至放射組學云平臺，由2名從事感染性脊柱疾病診斷經驗為5年與10年的影像醫生各自對影像圖片進行篩選，優先選取矢狀位圖像，沿病灶邊緣逐層手動勾畫病灶ROI（圖1），提取整個病灶的圖像信息。將分割的病灶ROI在放射組學云平臺上進行特征信息的提取，然后對得到的結果進行組內相關系數分析，組內相關系數>0.75表明一致性良好，最終獲得觀察者間一致性。首先采用方差選擇法對提取的組學特征進行初步降維，然后采用單變量特征選擇法對組學特征再次降維，最后通過最小絕對收縮與選擇算子算法（LASSO）對組學特征信息進行選擇和降維處理（圖2），選擇出最優特征信息（8個）并構建模型（圖3）。所應用的機器學習算法模型方法包括極限梯度增強法（XGBoost）、Logistic 回歸法（LR）、支持向量機法（SVM）、K鄰近法（KNN）。

圖1 MR T1WI上手動勾畫感興趣區前后對比Fig.1 Comparison before and after manual delineation of ROI on MR T1WI.A: Before the outline;B: After the outline.

圖2 在特征選擇上的套索算法Fig.2 LASSO algorithm on feature selection.

圖3 LASSO降維后通過模型選擇篩選出的特征及其權重Fig.3 Features and their weights filtered through model selection after LASSO dimensionality reduction.

1.4 統計學分析

采用SPSS22.0軟件對數據進行處理。計量資料以均數±標準差表示；計數資料的組間比較行卡方檢驗或Fisher確切概率法。使用準確度、ROC曲線及其95%CI評估各訓練模型和驗證模型對TS與BS的診斷效能。P<0.05為差異有統計學意義。

2 結果

2.1 預測模型在訓練集中結果比較

4種機器學習算法預測模型的AUC由大到小的順序為：XGBoost>SVM>KNN>LR；準確度由大到小的順序為：XGBoost>SVM=LR>KNN(表2)。所構建的4種機器學習算法預測模型在訓練集中的ROC曲線（圖4）。

圖4 4種機器學習算法預測模型在訓練集中的ROC曲線Fig.4 ROC curve of four machine learning algorithm prediction models in training set.A: LR;B: SVM;C:KNN;D:XGBoost.

表2 4種T1WI機器學習算法預測模型在訓練集中的診斷效能Tab.2 Diagnostic effectiveness of four T1WI machine learning algorithm prediction models in training set

2.2 預測模型在驗證集中結果比較

4種機器學習算法預測模型的AUC由大到小順序為：LR>SVM>XGBoost>KNN；準確度由大到小順序為：KNN=XGBoost>SVM=LR（表3）。所構建的4種機器學習算法預測模型在驗證集中的ROC曲線（圖5）。

圖5 4種機器學習算法預測模型在驗證集中的ROC曲線Fig.5 ROC curve of four machine learning algorithm prediction models in validation set.A:LR;B:SVM;C:KNN;D:XGBoost.

表3 4種T1WI機器學習算法預測模型在驗證集中的診斷效能Tab.3 Diagnostic effectiveness of four T1WI machine learning algorithm prediction models in validation set

3 討論

TS與BS癥狀非常相似，特別是在脊柱受累及方面［8-9］，選擇一種方法對兩者進行鑒別診斷尤為重要。影像組學實現了將醫學圖像信息轉化為豐富的數據信息，通過病灶分割、特征提取與模型建立，對病灶進行精準、客觀、定量評估［10］，間接幫助醫生提高診斷準確率［11-12］。影像組學的機器學習算法有很多種，但它們有共同的工作流程［13-14］。本研究采用的是影像組學分析中較為常用的建模方法，建立的XGBoost、LR、SVM和KNN影像組學預測模型在TS與BS鑒別上均表現出較好的預測性能，訓練集中準確度分別為0.97、0.83、0.83、0.78，測試集中準確度分別為0.83、0.78、0.78、0.83，這表明本研究所建立的影像組學預測模型對TS與BS病變具有較高的預測價值，可作為治療病變TS與BS病變前的臨床輔助工具。

有研究對50 例脊柱多發性骨髓瘤患者T1WI、T2WI和FS-T2WI圖像提取分析了248個病灶（111個高危細胞遺傳學異常和137個非高危細胞遺傳學異常）的放射組學特征，并使用LR機器學習，預測了多發性骨髓瘤患者高危細胞遺傳異常的可行性［15-16］。在驗證隊列中觀察到放射組學模型和組合模型之間的AUC值，分別為0.863和0.870。放射組學模型的AUC為0.863，敏感度為0.789，特異性為0.787，陽性預測值為0.753，陰性預測值為0.824，準確度為0.788，與訓練隊列中的表現相當，表明常規脊柱MRI的放射組學特征反映了多發性骨髓瘤患者高危細胞遺傳學異常和非高危細胞遺傳學異常之間的差異。本研究中，LR模型在穩定性、準確度及AUC方面均表現最佳，明顯優于其他3種模型，從側面驗證了LR機器學習算法所構建的模型具有良好的穩定性。既往文獻中也可以看到類似的結果，構建預測模型的機器學習算法可以用于不同的部位，LR機器學習算法可能對骶骨腫瘤、四肢和骨盆軟組織腫塊、肺實性結節和乳腺癌有較高的診斷效能［17］。在本研究中，LR機器學習算法在鑒別TS與BS病變方面也表現出了較好的診斷效能。

本研究通過應用MR T1WI的影像組學來鑒別診斷TS與BS，聯合人工智能機器學習的4種方法，構建了TS與BS的鑒別診斷模型，來提高對TS與BS鑒別診斷，為患者治療提供更加可靠的診斷結果。通過研究結果表明，構建的TS與BS影像組學鑒別診斷模型有一定的價值（AUC均>0.75），特別是機器學習算法LR在鑒別TS與BS的驗證集中診斷效能明顯優于機器學習其他4種算法，同時LR檢測準確度超過75%，展現出了非常優異的診斷效能?？傮w來看，本研究機器學習的4種算法比較結果為：LR>SVM>XGBoost>KNN，提示在本研究機器學習的4種算法中，機器學習LR算法不僅具有較好的診斷效能，還在穩定性、操控性、應用潛力方面具有更大的優勢。

本研究的局限性：共搜集到77例TS與34例BS，樣本量較少；樣本未進行嚴格的圖像標準化處理，對病灶感興趣區的勾畫，仍采用人眼識別、手工勾畫的方式進行，可能存在一定的人為因素影響；本研究只選用了我院病例進行研究分析，會存在選擇性偏倚的可能。目前影像組學雖處于初步應用階段，但是隨著研究的不斷深入，在未來會有更多新的成果被發掘出來，將會為患者的精準醫療、個體化治療提供強有力的幫助。影像組學的進步，不但推動著醫學影像專業發展，而且對整個醫學事業的發展具有重要促進意義。

綜上所述，基于MR T1WI影像組學的機器學習在鑒別診斷TS與BS的應用方面有較高的應用優勢，特別是LR構建的機器學習算法，可為診斷TS與BS的預測及預后評估提供一種較為可靠的診斷依據，具有較好的應用前景。