文献速递骨肌DR

基于正侧位X线平片影像组学模型自动分级膝关节骨关节炎

Automatic grading of knee osteoarthritis with a plain radiograph radiomics model: combining anteroposterior and lateral images.
PubMed 文献 · Insights Imaging · 2024-06-13

回顾性分析473例膝关节正侧位X线平片,提取影像组学特征并以逻辑回归构建K/L分级模型,正侧位联合模型在测试队列的AUC(宏/微)为0.864/0.879,总体准确率0.727,优于仅有4年和2年肌骨诊断经验的放射科医师(准确率0.712和0.417)。

要点

  • 正侧位联合影像组学模型对膝关节OA的K/L分级准确率0.727,高于2年经验医师的0.417。
  • 正侧位联合模型测试队列AUC(宏/微)0.864/0.879,优于单独正位0.772/0.778和单独侧位0.818/0.799。
  • 侧位模型测试队列总体准确率0.626,高于正位模型的0.576。

核心结论

  • 联合正位和侧位平片构建的影像组学模型能更好地对膝关节OA进行K/L分级,并辅助临床诊疗。

研究设计与样本

  • 回顾性分析2020年5月至2021年7月中山大学附属第五医院473例患者共473对膝关节正侧位平片,按7:3随机分为训练队列334例和测试队列139例。
  • 以两位肌骨放射科医师(分别有5年和9年诊断经验)按K/L分级(0–4级)分别阅片并协商一致的结果为参考标准。
  • 由两位放射科医师手动勾画感兴趣区并提取影像组学特征,采用逻辑回归分类器建模,以ROC曲线和AUC评估分类效能。

关键影像表现/征象

  • 感兴趣区涵盖髌骨、股骨、内外侧胫骨髁及相应关节间隙,关节面至股骨下缘距离6 cm(须包括髌骨),至胫骨上缘距离3 cm,关节间隙须包括内侧胫股关节、外侧胫股关节和髌股关节。

诊断标准与关键数值

  • 测试队列中正侧位联合模型AUC(宏/微)0.864/0.879,正位模型0.772/0.778,侧位模型0.818/0.799,联合模型与另两模型差异有统计学意义(p < 0.05)。
  • 训练队列中正位、侧位、正侧位联合模型的AUC(宏/微)分别为0.798/0.797、0.896/0.882、0.953/0.952。
  • 测试队列正侧位联合模型五分类(0–4级)AUC分别为0.990、0.781、0.728、0.913、0.885。
  • 测试队列正位、侧位、正侧位联合模型总体准确率分别为0.576、0.626、0.727;联合模型宏/微精确率0.678/0.750、召回率0.69/0.727、F1分数0.683/0.734。
  • 测试队列139例中正侧位联合模型准确率0.727,4年经验医师0.712,2年经验医师0.417,模型优于2年经验医师(p < 0.05)。

临床应用与阅片要点

  • 作者认为联合正侧位平片的影像组学模型可作为辅助工具,提高膝关节OA K/L分级的一致性和准确性,辅助临床决策与治疗计划。
  • 作者指出侧位平片提供与正位不同的密度和形状信息,单独侧位模型的总体准确率和AUC高于单独正位模型。
全文中译14 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Insights Imaging. 2024 Jun 13;15:143. doi: 10.1186/s13244-024-01719-3

背景

膝骨关节炎(OA)是一种常见的退行性关节疾病,影响全球大量人群[1]。其主要特征包括膝关节骨质增生、关节软骨的退变和破坏[2]。在早期阶段,膝OA患者可能无明显症状。然而,随着疾病进展,他们可能出现膝关节疼痛、压痛、关节活动受限和关节肿胀[3]。在中国,约有1.2亿人受膝OA影响。40岁以上人群中原发性膝OA的总体患病率为17%,而在75岁以上人群中,这一比例高达80%[4]。由于人口老龄化,该患病率正在逐渐增加。如未得到 proper 诊断和治疗,膝OA可对个体的生活质量和工作效率产生不利影响。此外,它还給家庭和整个社会带来沉重负担。

X线片是评估膝OA严重程度的常用方法,主要由于其广泛可及性和相对较低的成本[5]。膝OA严重程度的分级在临床决策和治疗计划中起着至关重要的作用。然而,传统的X线分级系统,如Kellgren–Lawrence(K/L)分级系统[6],存在主观性和观察者间一致性差的问题。这主要是由于检查方法和技术水平的局限性和不一致性,直接影响疾病判断并导致治疗方案的不一致[5]。因此,迫切需要开发膝关节图像的定量评估方法并准确分级膝OA。

近年来,影像组学已成为医学影像领域中用于膝OA分级和分类的一种有前景的方法[7]。影像组学是一个涉及从医学图像中提取定量特征以捕捉关节间隙和骨密度细微变化的领域。它能够对膝OA相关的潜在病理进行更详细的分析和表征[8–10]。这些特征可用于开发膝OA严重程度的分级模型,提供更客观和可重复的评估方法。虽然影像组学方法已广泛应用于各种身体系统的肿瘤识别和预后预测,但其在膝OA中的应用相对有限[11–15]。在先前的一项研究[16]中,我们成功使用影像组学模型将膝OA分类为OA和非OA类别,实现了高分类效率。

在本研究中,我们使用膝关节正位(AP)和侧位(LAT)X线平片构建了影像组学模型。我们的目的是在先前研究的基础上,评估结合AP和LAT(AP&LAT)图像信息对膝OA分级的有效性。

材料与方法

该研究获得了中山大学附属第五医院机构伦理委员会的伦理批准,并遵循《赫尔辛基宣言》中概述的原则。由于其为回顾性研究,伦理委员会豁免了知情同意的要求。

研究人群

本研究在中国珠海的中山大学附属第五医院开展,专门聚焦于2020年5月至2021年7月期间接受膝关节X线成像的骨骺闭合的成年患者。纳入标准为年龄超过18岁、在单次检查中以仰卧位接受正位和侧位(AP&LAT)膝关节X线成像的个体。符合以下任何一项排除标准的患者被排除在本研究之外:(1)膝关节存在肿瘤;(2)膝关节骨折;(3)膝关节先天性畸形;(4)其他类型的炎性关节炎,如痛风性关节炎和类风湿性关节炎;(5)X线图像质量差;(6)既往膝关节手术史。患者入组和分布的工作流程见图1。

图1 患者入组和分布的工作流程 查看原图 ↗

X线图像采集与影像学评估

本研究的图像处理流程见图2。原始形式的X线图像为DICOM格式,获取自多种尺寸不同的成像设备。本研究在整个过程中采用了脱敏处理。使用Z分数将图像标准化为正态分布,同时将超出1%和99%界限的值进行截尾处理,以消除指标量纲的差异。分级评估由两名肌肉骨骼放射科医生W.L.和Y.F.进行,他们分别拥有5年和9年的诊断经验。K/L分级采用0至4的数值量表来表示从正常到极重度膝关节骨关节炎(OA)的程度,被用作参考标准[6]。两名放射科医生根据K/L分级标准分别对所有患者的图像进行分级。为确保客观性,评估期间未向放射科医生提供任何人口学或临床信息。最后,分类过程中出现的任何不一致均通过旨在达成共识的讨论来解决。

图2 在正位和侧位(AP&LAT)平片上手动勾画感兴趣区(ROI)。随后从这些X线图像中通过量化其强度、形状和纹理来提取影像组学特征。特征选择过程分两个阶段进行。随后,采用逻辑回归(LR)模型评估所选影像组学特征的分级性能。使用受试者工作特征(ROC)曲线评估模型的准确性 查看原图 ↗

手动分割与特征提取

两位经验丰富的放射科医生,读者1(J.F.)和读者2(J.L.),分别具有3年和6年的诊断经验,手动勾画了涵盖髌骨、股骨、内侧和外侧胫骨髁及相应关节间隙的感兴趣区(ROIs)(图3)。勾画ROI时规定,关节面至股骨下端的距离为6 cm(必须包括髌骨),关节面至胫骨上端的距离为3 cm。关节间隙必须包括内侧胫股关节、外侧胫股关节和髌股关节。使用Radcloud软件(v.7.8,由中国汇医慧影医疗科技有限公司开发)勾画ROIs并提取/选择影像组学特征。所识别的特征被分为四组。第一组称为一阶特征,描述病变的基本几何属性,包括其大小、形状和表面粗糙度。第二组为基于形状的特征,说明病变的几何特性。第三组为纹理特征,定义ROI像素的空间分布并突出空间异质性,包括灰度粒度、变化和图像粗糙度。最后,第四组为基于小波变换的特征,提供通过原始图像小波变换获得的多分辨率图像描述信息。

图3 手动ROI分割过程的示意图 查看原图 ↗

影像组学特征选择和降维

为评估ROI勾画的重复性,从收集的数据中随机选取50例样本。观察者间一致性由两位放射科医生(称为读者1(J.F.)和读者2(J.L.))评估,他们独立分割ROIs,互不知晓对方结果。为评估观察者内一致性,读者1对先前使用的同一组50例样本再次进行分割。然后将获得的特征值与一个月前收集的数据进行比较。使用组内相关系数(ICC)评估可靠性。这些特征基于观察者内和观察者间评估的结果进行选择。仅选择表现出极佳稳定性、ICC值超过0.75的特征用于后续降维分析。降维过程包括两个阶段。第一阶段涉及选择方差值高于0.8的特征。在最终分析中,使用SelectKBest方法选择p值低于0.05的特征。

模型的开发和评估

数据按7:3的比例随机分为训练队列和测试队列。在训练队列中,70%的数据用于训练模型,其余30%保留用于独立测试。使用逻辑回归(LR)分类器训练影像组学模型,并根据测试队列的结果评估其性能。在训练队列和测试队列中,使用一组性能指标评估影像组学模型,包括准确率(ACC)、精确率、召回率、F1分数和受试者工作特征(ROC)曲线分析。通过量化ROC曲线和曲线下面积(AUC)值评估最终建立模型的判别性能。

最后,我们通过评估测试队列中的准确率,比较了放射科医师与表现最佳模型的诊断能力。我们招募了两位放射科医师D.Z.和Z.X.,他们分别具有4年和2年的肌肉骨骼诊断经验。他们未参与训练队列的标注。

统计分析

统计分析使用SPSS 25.0(IBM,Armonk,NY,USA)和R软件(版本4.1.2,R Foundation;Vienna,Austria)进行。分类变量采用Pearson卡方检验或Fisher精确检验进行比较。连续变量根据情况采用t检验或Mann–Whitney U检验进行比较。连续数据的正态性采用Kolmogorov–Smirnov检验评估。符合正态分布的数据采用t检验分析,并以均值±标准差表示。非正态数据采用Mann–Whitney U检验分析,偏态分布数据以中位数(上下四分位数)表示。不同模型的AUC采用DeLong检验进行比较,并使用双尾z检验计算p值。显著性水平为0.05视为具有统计学意义。缩写在首次使用时定义,并在全文中保持标准格式。

结果

患者的人口学特征

共纳入来自475例患者的475对膝关节X线图像,包括正位和侧位图像。两名参与者因图像质量不佳被排除出分析。其余473例患者(177名男性,296名女性)被分为两个队列:训练队列334例,测试队列139例。两个队列之间未观察到年龄或性别的显著差异(分别为p = 0.481和p = 0.349)。患者人口学特征总结见表1。

表1 研究人群的基线特征 查看原表 ↗

分割与特征选择

对两位放射科医师(J.F.和J.L.)ROI勾画的客观评估得出ICC值为0.91。共选择1409个影像组学特征用于后续降维分析。在正位图像中,最初从训练队列中提取了496个影像组学特征,经方差阈值处理后通过SelectKBest进一步选择了94个。同样,对于侧位图像,利用方差阈值技术提取了502个影像组学特征,其中通过SelectKBest选择了148个特征(图4)。

图4 通过选择方差阈值并使用SelectKBest对正位(左)和侧位(右)图像进行降维的过程 查看原图 ↗

影像组学模型的性能

表2和表3展示了三种不同模型在训练队列和测试队列中的诊断效能。其中,AP&LAT模型优于其他模型。在训练队列中,AP、LAT和AP&LAT模型的AUC(宏观/微观)值分别为0.798/0.797、0.896/0.882和0.953/0.952。在测试队列中,AP、LAT和AP&LAT模型的总体准确率分别为0.576、0.626和0.727。AP&LAT模型在测试队列中的宏观和微观精确率、召回率和F1分数分别为0.678/0.750、0.69/0.727和0.683/0.734。三种模型应用于训练队列和测试队列的混淆矩阵表明,AP&LAT模型获得了最高比例的预测(图5)。AP&LAT模型的AUC值(宏观/微观)为0.864/0.879,具有统计学显著性,表明在测试组中与其他两个模型存在差异。Delong检验显示,AP&LAT模型优于AP模型(AUC值为0.772/0.778)和LAT模型(AUC值为0.818/0.799),p < 0.05。对五分类测试队列的ROC曲线在三种不同模型中进行了分析,显示AP&LAT联合模型具有最佳分类性能,从类别0到类别4的AUC分别为0.990、0.781、0.728、0.913和0.885(图6)。

表2 基于训练队列的不同模型总体性能 查看原表 ↗
表3 基于测试队列的不同模型总体性能 查看原表 ↗
图5 网络模型在训练队列和测试队列上比较的混淆矩阵分别显示在左侧和右侧。AP模型、LAT模型和AP&LAT联合模型的结果按从上到下的顺序呈现。混淆矩阵中的数字代表预测类别的百分比 查看原图 ↗
图6 训练队列(左)和测试队列(右)的五分类ROC曲线在三种不同模型中展示。类别0代表正常组,类别1表示轻度组,类别2表示中度组,类别3表示重度组,类别4表示极重度组。微观平均和宏观平均的ROC曲线以虚线显示,表示基于AP模型、LAT模型和AP&LAT联合模型的五分类整体判别能力 查看原图 ↗

放射科医师与最佳影像组学模型诊断能力的比较

在139例患者的测试队列中,AP&LAT模型的性能优于两位放射科医师,准确率分别为0.727、0.712和0.417(表4)。本研究建立的最终膝骨关节炎诊断影像组学模型优于具有2年肌肉骨骼诊断经验的放射科医师(p < 0.05)。

表4 基于测试队列的放射科医师与最佳影像组学模型的总体性能 查看原表 ↗

讨论

影像学检查常用于膝骨关节炎(OA)的诊断。评估膝OA的严重程度是一个具有挑战性且主观的过程,通常涉及对平片的定性分析。K/L分级系统是用于对膝OA进行分类的最常用量表,但其受主观性以及不同观察者之间一致性的显著变异性所限。因此,需要一种客观且一致的膝OA严重程度分级方法。影像组学,即从医学图像中提取定量特征的过程,有望提高膝OA分级的精确性和可靠性[17]。在本研究中,我们利用LR分类器设计了一个影像组学模型,以利用平片自动对膝OA严重程度进行分级。我们选取了膝关节的正位和侧位(AP&LAT)X线片用于提取影像组学特征。由两位放射科医师进行的ROI勾画的平均ICC为0.91,表明具有高可重复性。所有三个影像组学模型的诊断效能结果均显示出良好的诊断性能,其中AP&LAT模型表现最佳,在测试队列中具有最高的总体准确率和最高的AUC值(宏/微)0.864/0.879,与其他两个模型相比具有统计学显著性。五分类ROC曲线显示,联合AP&LAT模型取得了最佳分级性能,从类别0到4的AUC分别为0.990、0.781、0.728、0.913和0.885。这些结果表明,结合AP&LAT图像的信息显著提高了我们模型的性能,联合AP&LAT影像组学模型有望成为早期准确诊断膝OA的有价值工具。

大量研究探索了影像组学在膝骨关节炎(OA)分类和分级中的应用。例如,Abdelbasset Brahim 等人[18]开展的研究引入了一套综合性计算机辅助诊断(CAD)系统,旨在利用膝关节X线图像和机器学习算法对膝骨关节炎进行早期检测。研究结果显示,该系统在骨关节炎检测中具有良好的预测能力,准确率为82.98%,灵敏度为87.15%,特异度达到80.65%。同样,Mahrukh Saleem 等人[19]的研究展示了一套计算机视觉系统,旨在通过评估X线中的放射学指标来辅助放射科医生诊断膝骨关节炎。结果表明,该方法能够有效识别骨关节炎,检测准确率超过97%,令人印象深刻。上述研究在膝骨关节炎识别方面取得了良好结果,但均使用正位(AP)X线图像,未将侧位(LAT)摄影纳入研究。此外,Luca Minciullo 等人[20]的研究引入了一种全自动技术,利用随机森林回归投票约束局部模型(RFCLM)区分膝骨关节炎患者与无膝骨关节炎个体的放射图像。该研究强调,对侧位视图的自动分析所产生的分类结果与将类似方法应用于正位视图所获得的结果相当或更优。该研究表明侧位图像也包含用于膝骨关节炎分类的信息,尽管其研究未比较正位、侧位及联合图像的分类效果。在我们先前的研究中,我们通过开发影像组学模型对膝骨关节炎进行了二分类研究。我们的研究结果表明,在测试的四组模型中,LR模型表现优于其他模型,AUC值达到0.843。该结果证明影像组学模型在膝骨关节炎的准确诊断方面具有很强的能力[16]。因此,在本研究中,我们继续使用LR模型对膝骨关节炎进行自动分级,并检验侧位X线片是否能在模型建立中发挥重要作用。结果表明,影像组学模型确实能够准确地对X线片中的膝骨关节炎进行分类,且侧位图像提供了不同于正位视图的特征信息。

深度学习方法的整合,如卷积神经网络(CNNs),增强了影像组学模型在膝骨关节炎(OA)分级和分类中的效能[21–23]。例如,Berk Norman等人[24]介绍了一种名为DenseNets的全自动算法,设计用于采用K/L分级量表进行膝OA检测。所报告的检测无OA、轻度、中度和重度OA的敏感率分别为83.7%、70.2%、68.9%和86.0%。Aleksei Tiulpin等人[25]进行了一项研究,产生了一种利用深度学习从膝关节X线片预测K/L和国际骨关节炎研究学会(OARSI)分级的自动技术。该方法在检测放射学OA的存在方面达到了令人印象深刻的AUC 0.98和平均精确率评分0.98。Kevin A. Thomas等人[26]创建了一个自动模型,使用放射学图像评估膝OA的严重程度。他们将其模型的性能与肌肉骨骼放射科医生的性能进行了比较。该模型在整个测试集上表现出平均F1评分0.70和准确率0.71。我们之前的一项研究也表明,深度学习技术可以在X线图像中准确地对膝OA进行分级,我们还发现多视图X线图像和先验知识提高了分类效能。带有 多视图图像和先验知识的深度学习模型的总体准确率为0.96,而经验丰富的放射科医生为0.86[27]。尽管深度学习技术被视为图像分类的前沿技术,但其高度复杂的内部结构往往使模型的决策过程对人类理解不透明,导致缺乏可解释性[28, 29]。然而,通过影像组学提取的特征更具可解释性,提供了对其结果的清晰理解[10]。在我们的研究中,特征提取过程捕获了一系列可追踪的图像信息,这些信息可能逃逸放射科医生的观察,但被证明对膝OA的诊断至关重要。

目前,国际上对肌肉骨骼系统的研究主要集中在骨质疏松、骨密度、骨折、骨肿瘤等方面。大多数关于退行性骨关节病的研究均以CT/MRI成像为基础[25, 30]。平片很少单独使用,因为其信息产出有限。但对于膝OA,X线是一种更快速、更便捷的非侵入性检查方法。更快速、更准确的膝OA分级将有助于放射科医生和临床医生的工作。Abdelbasset Brahim等人证实,影像组学模型可以准确区分X线图像中膝关节的K/L分类,准确率为82.98%[18]。这与我们的结果一致,表明影像组学模型对膝关节的K/L分类是准确的。在本研究中,我们对膝关节X线进行了全面分析,捕获了股骨、内侧和外侧胫骨髁、髌骨以及相应关节间隙宽度等详细信息。通过影像组学特征的选择,我们确定了九个最相关的特征,这些特征可能肉眼无法辨别,但在测量膝OA的重要参数中起着至关重要的作用。

值得注意的是,我们的研究不仅使用了膝关节正位(AP)X线片,还纳入了侧位(LAT)X线片。这种方法使我们的研究区别于许多其他相关研究,能够从不同角度对膝关节进行更全面的分析[18–20, 31]。侧位X线片提供更丰富的密度和形态信息,有助于更全面地评估膝关节病变。然而,值得注意的是,大多数膝骨关节炎(OA)研究主要使用正位X线片。这种偏好可归因于膝骨关节炎的参考标准K/L分级是基于正位姿势下进行的评估[31–33]。尽管如此,认识到侧位X线片的价值,有必要探索其潜在益处并将其纳入未来研究,以进一步增强膝骨关节炎的评估。为了增强影像组学特征的提取并捕获更多膝关节图像信息,我们在研究中创新性地增加了侧位X线片。有趣的是,我们发现单独使用侧位视图模型相比正位视图模型产生了更高的总体准确率和更高的AUC值。这一发现凸显了侧位X线片在提高膝关节影像分析诊断性能方面的潜在优越性。我们推测观察到的侧位与正位X线片有效性差异有几个潜在原因。首先,髌骨是受膝骨关节炎影响最大的骨骼之一,在侧位视图中比在正位视图中更为明显,在正位视图中髌骨可被股骨遮挡。侧位X线片中这种改善的可见性允许在影像组学模型中更好地评估髌骨受累情况。其次,侧位X线片更好地显示关节间隙和与骨赘相关的特征信息,这些信息可能与从正位图像获得的信息不同。侧位X线片独有的这些额外信息有助于影像组学模型做出更准确的分级判断。这些因素表明,纳入侧位X线片可以提供有价值的见解和补充信息,以增强影像组学模型评估膝骨关节炎的性能。进一步的研究和验证可能有助于阐明在此背景下利用侧位X线片的全部潜力和益处。与使用矩形形状勾画感兴趣区(ROI)的传统做法相比,我们的方法沿整个膝关节边缘进行分割。这种创新技术能够更精确地提取影像组学特征,从而改善对无关图像信息的过滤。通过利用这种分割技术,我们的目标是增强影像组学模型的判别能力,为膝骨关节炎的评估提供更可靠和更有意义的见解。尽管如此,仍需要进一步的验证和比较研究,以全面评估这种分割方法相对于现有方法的益处和潜在优势。

最后,我们已经证明,本研究中开发的影像组学模型优于具有4年和2年肌肉骨骼诊断经验的放射科医生。这一发现表明,我们的正位&侧位(AP&LAT)模型相比初级放射科医生具有更高的准确率,并可以方便地为临床医生提供诊断和治疗指导。

我们的研究存在若干应予承认的局限性。首先,需要注意的是,本研究基于回顾性分析,所有影像学数据仅来自单一医院。缺乏多样化的外部数据验证可能给我们的研究结果引入潜在的选择偏倚,从而限制了我们结果的普适性。其次,本研究中的影像组学分析仅使用影像学图像进行。未来的研究将受益于整合多模态数据集的联合分析并纳入额外的临床参数。这种方法将提供对疾病更全面、更整体的理解,并有可能提高影像组学模型的准确性和稳健性。第三,对每幅图像的ROI进行了手动分割,这可能耗时且可能引入观察者间变异。在未来研究中探索自动分割技术的可行性可显著提高效率并减少ROI勾画中的潜在误差。

结论

我们的研究表明,基于平片的影像组学模型能够准确地对膝骨关节炎(OA)的严重程度进行分级。使用LR分类器以及结合正位和侧位(AP&LAT)图像的信息显著提高了模型的性能。这种方法有可能提高膝OA分级的准确性和一致性,这对于临床决策和治疗计划具有重要意义。

引用

  1. Li W, Liu J, Xiao Z, et al. Automatic grading of knee osteoarthritis with a plain radiograph radiomics model: combining anteroposterior and lateral images. Insights Imaging. 2024. PMID: 38867121. doi:10.1186/s13244-024-01719-3
  2. 全文:PMC11169124(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11169124/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。