文献速递骨肌腹部CTDR

原发性甲状旁腺功能亢进症骨质疏松的先进影像组学预测:基于CT图像的机器学习分析

Advanced radiomic prediction of osteoporosis in primary hyperparathyroidism: a machine learning-based analysis of CT images.
PubMed 文献 · Radiol Med · 2025-04-24

本研究纳入58例同时接受DXA和腹部CT的原发性甲状旁腺功能亢进症患者,利用L1椎体CT纹理分析和HU值构建机器学习模型区分正常与异常骨密度。贝叶斯模型区分正常与异常骨密度的AUC达0.916;在区分正常、骨量减少和骨质疏松时,纳入纹理分析变量的模型准确率0.75、AUC 0.77,优于仅用HU模型的准确率0.50、AUC 0.65。

要点

  • L1椎体CT纹理分析联合HU值构建的机器学习模型可区分PHP患者的正常与异常骨密度,贝叶斯模型AUC 0.916。
  • HU cutoff 106区分正常与异常DXA的敏感度61%、特异度90%、AUC 0.84;cutoff 160敏感度60%、特异度89.9%、AUC 0.81。
  • 区分正常、骨量减少与骨质疏松时,含纹理变量模型准确率0.75 vs 仅HU模型0.50,AUC 0.77 vs 0.65。

核心结论

  • 腹部CT纹理分析联合HU值可更好地对PHP患者的正常骨密度、骨量减少和骨质疏松进行分类。
  • 集成方法(神经网络联合朴素贝叶斯)区分正常与异常骨密度的AUC为0.916。

研究设计与样本

  • 回顾性研究,连续纳入2019年6月至2023年1月期间西班牙马拉加Virgen de la Victoria医院放射科诊断为PHP并接受DXA和腰椎CT检查的患者。
  • 219例PHP患者中58例同时具有DXA和腰椎CT,其中男性11例(18.9%)、女性47例(81.1%)。
  • CT使用General Electric Revolution Evo设备(64和128探测器),管电压100–120 kV,管电流100–400 mA;增强时对比剂浓度300 mg/ml。
  • 以DXA为参考标准,采用T值(绝经后女性或50岁以上女性及65岁以上男性)或Z值(50岁以下绝经前女性及65岁以下男性),低于-1 SD为骨量减少、低于-2.5 SD为骨质疏松。
  • 在L1椎体(有病变时用L2)内侧半自动勾画ROI,排除皮质骨;使用LifeX 7.3.0提取38个一阶和18个二阶纹理特征。

关键影像表现/征象

  • 正常DXA组平均HU为153±41.72,异常DXA组为107±33.04,两组差异有统计学意义(p<0.001)。
  • 增强CT平均HU为134.5±36.5,平扫CT为124.5±33.4,两组无统计学显著差异(p>0.05)。
  • 区分正常与异常骨密度选用HU、峰度(IPH6)、最大灰度(84IY)和灰度不均匀性(GLRLM R5YN)四个变量。

诊断标准与关键数值

  • HU cutoff 106 HU区分正常与异常DXA的敏感度61%、特异度90%、AUC 0.84(p<0.001)。
  • HU cutoff 160 HU区分正常与异常DXA的敏感度60%、特异度89.9%、AUC 0.81(p<0.001)。
  • 测试组区分正常与异常骨密度的AUC:神经网络0.716、逻辑回归0.783、朴素贝叶斯0.916、集成方法0.833。
  • 区分正常、骨量减少与骨质疏松时,含纹理变量模型准确率0.75、AUC 0.77,仅HU模型准确率0.50、AUC 0.65。

临床应用与阅片要点

  • 作者认为基于腹部CT的纹理分析模型可作为PHP患者异常骨密度的简单、经济筛查方法,有助于指导进一步诊断决策并可能减少不必要的检查费用。
  • 作者指出将该模型整合入常规临床实践有望简化骨质疏松诊断流程,但尚需前瞻性研究验证其临床效用。

局限性

  • 单中心设计,样本量相对较小。
  • 手动分割和图像归一化技术可能分别引入测量偏倚和限制统计学显著性。
  • 作者指出需以前瞻性研究验证其临床效用,并需更大队列和多中心设计的进一步验证研究来提高模型的泛化性和稳健性。
全文中译10 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:Radiol Med. 2025 Apr 24;130(7):1084–91. doi: 10.1007/s11547-025-02004-z

引言与目的

原发性甲状旁腺功能亢进症(PHP)是一种由甲状旁腺过度分泌甲状旁腺激素(PTH)引起的内分泌疾病,其中80–85%的病例由单个甲状旁腺腺瘤所致。PHP影响1%的成年人群,但在55岁以上人群中患病率可高达2% [1, 2]。

PHP与骨质疏松症相关[3],后者被定义为“一种以骨量减低和骨组织微结构破坏为特征、导致骨脆性增加和易发生骨折的全身性骨骼疾病”[4]。因此,骨质疏松症是手术切除腺瘤的关键指征[2]。

在西班牙,每年约有285,000例新发脆性骨折,相当于每天782例骨折[5]。总体而言,PHP约占这些病理性骨折的3%[1]。然而,尽管骨折会导致生活质量受限并增加发病率及死亡风险,骨质疏松症仍存在诊断不足[4]。

目前,通过双能X线吸收法(DXA)测量骨密度(BMD)是诊断骨质疏松症的金标准[6]。在PHP患者中,长期暴露于升高的PTH水平导致皮质骨BMD降低,而松质骨BMD相对保留。这一模式提示PHP患者可能具有增加的桡骨远端骨折风险和降低的椎体骨折风险。然而,大量研究已证实PHP患者总体骨折风险增加[1, 7]。

近年来,多位作者提出了超越DXA的替代技术来评估BMD。几种基于DXA的软件已在PHP中得到评估。骨小梁评分(TBS)是一种新型数值指标,利用腰椎DXA图像的纹理分析来估算松质骨微结构。西班牙骨与矿物质代谢研究学会(SEIOMM)已认可TBS在PHP中的临床实用性[7]。骨应变指数(BSI)是一种基于腰椎和股骨颈DXA图像有限元分析的骨强度新指标。BSI在PHP中受损,可能有助于识别骨折高风险PHP患者[8]。其他既往研究探索了利用因其他医学原因进行的胸部和腹部CT扫描,通过像素数据的复杂纹理分析来评估脊柱BMD [9–12]。这种方法不仅有可能减少重复放射学检查的费用和时间消耗,还能最大限度减少患者移动和辐射暴露[13]。然而,尚无在PHP患者中通过纹理分析评估脊柱BMD的可用研究。

综上所述,在本研究中,我们旨在评估多种监督机器学习技术在PHP患者中分类正常与异常BMD的性能,重点关注减少额外费用。

方法

研究设计

这项回顾性研究纳入了2019年6月至2023年1月期间在马拉加Virgen de la Victoria医院放射科就诊的所有连续诊断为原发性甲状旁腺功能亢进症(PHP)的患者。符合条件的患者因任何原因接受了双能X线吸收测定法(DXA)和覆盖腰椎区域的CT扫描。我们纳入了DXA前6个月内进行的CT扫描,以在充足样本量的需求与CT和DXA扫描之间时间接近性的要求之间取得平衡,与既往研究一致[14]。同样,我们纳入了DXA后一个月内进行的CT扫描,以尽量减少DXA后任何药物干预可能带来的混杂效应。排除标准包括存在可能限制放射学评估的明显运动伪影的患者。

本研究按照《良好临床实践标准》(第34条 RD 223/2004;共同体指令2001/20/EC)、世界医学协会《赫尔辛基宣言》(巴西福塔莱萨2013年)以及欧洲议会和理事会2016年4月27日关于个人数据处理和个人数据自由流动中个人保护的第2016/679号条例(西班牙第3/2018号组织法)的指南进行。由于研究的回顾性性质及患者匿名化,无需知情同意。本研究经马拉加省研究伦理委员会批准(参考编号SICEIA-2024–001104)。

图像采集

CT检查使用通用电气Revolution Evo设备(64和128探测器),KV协议为100至120,MA可变范围为100至400。给予静脉造影剂时,根据患者体重计算,浓度为300 mg/ml。DXA检查使用通用电气医疗™设备在腰椎和股骨颈处进行。CT图像和DXA结果从图像归档和通信系统(PACS)中检索。

密度测量与纹理分析

DXA获得的骨密度(BMD)值以相对于正常范围的标准差(SD)表示。T值用于绝经后女性或50岁以上女性以及65岁以上男性,因为它将患者的BMD与年轻健康个体的平均BMD进行比较。Z值用于50岁以下绝经前女性和65岁以下男性,因为它将患者的BMD与同龄健康对照进行比较。BMD值低于-1 SD提示骨量减少,而低于-2.5 SD则确诊骨质疏松[3]。

骨密度评估采用半自动分割,在L1椎体内侧或存在病变时L2的矢状面CT图像上放置感兴趣区(ROI),所有病例均排除椎体皮质部分。一位具有5年肌肉骨骼放射学经验的合格放射科医师对所有研究进行了分析。

纹理分析使用DICOM格式图像,通过ImageJTM软件进行归一化处理(高斯拉普拉斯滤波器)。该归一化技术已在既往研究中用于协调增强和非增强CT扫描中像素的分布,采集时采用了不同的KV和MA值[15]。

采用Lifex 7.3.0TM软件进行分割,随后分析38个一阶统计量和18个二阶统计量(图1)。使用SPSS 19.0™(社会科学统计软件包)对每幅图像提取的影像组学特征进行分析。

图1 研究流程图 查看原图 ↗

统计分析与模型设计

使用Mann–Whitney U检验比较骨密度值正常与减低(< −1 SD)患者之间的Hounsfield单位(HU)和纹理分析衍生变量。随机分为训练队列(72.5%)和测试队列(27.5%)后,应用神经网络、逻辑回归和朴素贝叶斯技术(图1)。在训练组中进行十折交叉验证旨在减轻过拟合。

神经网络超参数包括900个节点、2500次迭代、ReLu激活函数和Adam求解器。逻辑回归数据集使用Lasso技术进行归一化,最大迭代次数为2500次。采用集成方法通过硬投票分类器将神经网络技术与朴素贝叶斯相结合。对测试组计算评估指标(准确率、精确率、召回率、F1分数和AUC)。所有分析均使用Python 3.8.8版本、scikit-learn 0.24.2版本、seaborn 0.12.2版本和SHAP 0.40.0版本实现。

进行了第二项分析,以对骨密度正常、骨量减少或骨质疏松的患者进行分类。创建了第一个仅基于HU的模型和第二个包含HU及纹理分析衍生变量的模型。第二个模型中包含的变量为:最小灰度值IBSI1GSF、强度范围IBSI 20JQ和小区域 emphasis IBSI5QRC。模型使用80%的样本进行训练并采用五折交叉验证,在剩余20%的样本中测试性能。对验证组和测试组均评估了准确率、精确率、召回率、F1和AUC。

结果

共纳入219例诊断为原发性甲状旁腺功能亢进症(PHP)的患者。其中,58例患者在双能X线吸收测定法(DXA)检查前后规定时间范围内接受了覆盖腰椎区域的CT扫描。在这些患者中,11例(18.9%)为男性,中位年龄为53(49.5–58.2)岁;47例(81.1%)为女性,中位年龄为57(52.3–64.8)岁。

在DXA结果方面,24例(41.4%)患者结果正常,34例(58.6%)结果异常。两组之间在年龄和性别方面未观察到统计学显著差异(表1)。

关于CT检查,34例(58.6%)为静脉注射对比剂后检查,24例(41.4%)为平扫检查。增强与非增强检查的平均Hounsfield单位(HU)值分别为134.5 ± 36.5和124.5 ± 33.4,两组之间无统计学显著差异(p > 0.05)。

在DXA正常组与异常组之间评估HU时,截断值106 HU的特异度为90%、敏感度为61%,AUC为0.84(p < 0.001)。同样,截断值160 HU的特异度为89.9%、敏感度为60%,AUC为0.81(p < 0.001)。DXA正常组与异常组之间HU值存在显著差异(p < 0.001),DXA正常组的平均HU为153 ± 41.72,DXA异常组为107 ± 33.04(表1)。

表1 DXA正常与异常患者的变量 查看原表 ↗

纹理分析

对所有CT研究获得了一套包含38个一阶变量和18个二阶变量的综合变量集。在比较骨密度(DXA)正常与异常患者时,多个一阶和二阶变量观察到统计学显著差异。(表1)。

当分别对增强和非增强CT研究的纹理分析结果进行分析时,骨密度正常与异常患者之间未发现统计学显著差异(p > 0.05)。

机器学习模型性能

我们开发了第一个模型以区分整个样本中骨密度正常或异常。为此,选择变量HU、峰度(IPH6)、最大灰度级(84IY)和灰度非均匀性(GLRLM R5YN)来训练和测试四种机器学习技术。

峰度(IPH6)衡量强度分布的锐度或峰度,反映像素强度的变异性并突出骨结构内的差异。最大灰度级(84IY)代表感兴趣区域内的最高像素强度,识别可能对应于较致密骨区域的最大衰减区域。灰度非均匀性(GLRLM R5YN)是一种二阶特征,捕捉连续像素路径上灰度级的变化,强调纹理异质性。这些变量的选择基于它们在区分正常与异常骨密度中的统计学显著性(p < 0.01)以及它们对模型性能的贡献。

训练组经十倍交叉验证分析及在测试组上测试后的准确率、精确率、召回率、F1和ROC曲线结果总结于表2。测试组的ROC曲线值在神经网络、逻辑回归、朴素贝叶斯和集成技术中分别为0.716、0.783、0.833和0.916(表2)。对骨密度正常、骨量减少和骨质疏松患者进行分类的模型结果中,包含纹理分析衍生变量的模型优于仅包含HU的模型(准确率分别为0.75 vs. 0.50,AUC分别为0.77 vs. 0.65)。(表3,图2)。

表2 第一机器学习模型训练组和测试组的准确率、精确率、召回率、F1和ROC曲线结果 查看原表 ↗
表3 第二机器学习模型对骨密度正常、骨量减少或骨质疏松患者进行分类的训练组和测试组的准确率、精确率、召回率、F1和ROC曲线结果 查看原表 ↗
图2 含或不含纹理分析衍生变量的骨密度正常、骨量减少和骨质疏松分类。两个模型训练组和测试组的ROC曲线。类别0指骨密度正常,类别1指骨量减少,类别2指骨质疏松 查看原图 ↗

讨论

在本研究中,我们使用四种不同的机器学习方法创建了一个预测骨密度(BMD)的模型。这些方法分析了脊柱第一腰椎CT图像中的模式。我们发现,使用神经网络模型结合朴素贝叶斯的组合方法非常有效,在区分正常与异常骨密度方面达到了高准确率(曲线下面积即AUC为0.916)。此外,将纹理分析数据纳入神经网络模型显著提高了识别骨密度正常、骨量减少或骨质疏松的准确率,优于仅基于传统密度测量(HU)的模型。

骨质疏松患者的平均亨斯菲尔德单位(HU)值显著低于骨密度正常者,因为CT中HU值的测量是一种利用椎体骨小梁骨量的组织密度来代表骨密度(BMD)的方法[16]。值得注意的是,特定HU截断值,如106 HU(特异度90%、敏感度61%)和160 HU(特异度89.9%、敏感度60%),在区分有无骨质疏松方面相较于DXA显示出很强的诊断潜力。这些结果与Zou等[16]和Pickhardt等[13]先前的研究一致,强调了HU值在诊断骨质疏松中的可靠性。在后一项研究中,对接受增强和非增强静脉对比CT检查的患者进行了诊断效能差异分析,未发现两者AUC存在显著差异(增强CT为0.84,非增强CT为0.83),准确度值相似[13]。这些发现与我们的研究一致。尽管2022年发表的一项系统综述[17]评估了对比剂对CT测量BMD的影响,证明非增强与增强CT扫描之间BMD值存在显著差异,但我们并未发现这些差异。这可能是因为,与Pickhardt等[13]类似,我们分析的兴趣区位于椎体中心,远离主要关节和血管区域,而对比剂在这些区域的影响可能最大。此外,我们的归一化处理可能在减轻非增强与增强CT扫描之间平均HU值潜在差异方面发挥了作用。尽管如此,仅使用HU值在区分骨量减少和骨质疏松方面显示出局限性。纹理分析变量的整合提高了超越单独使用平均HU值的诊断准确度。

我们的结果在区分有无骨质疏松患者方面与先前的研究发现相似。虽然先前的研究在不同解剖区域探索了纹理分析,但我们聚焦于腰椎CT图像——通常也是DXA的检查部位——这为骨质疏松预测增加了特异性[9, 18–20]。

先前研究[9, 10]中使用的峰度和灰度非均匀性等影像组学特征被整合到我们的预测模型中。峰度反映强度分布峰值[11, 21],灰度非均匀性衡量变异性,二者在评估因BMD丢失导致的骨微结构改变方面均具有重要意义[10, 21]。在我们的研究中,尽管使用了归一化处理,我们在评估这些骨微结构改变时发现纹理分析存在显著差异,这进一步证实了其有用性。同样,Mookiah等使用纹理分析探索了在增强CT扫描中进行机会性骨质疏松筛查的可行性,其结果表明,从增强和非增强静脉对比扫描中提取的纹理参数具有可接受的重现性[22]。

与先前关于脊柱病变的研究不同,我们的研究聚焦于骨密度变化归因于原发性甲状旁腺功能亢进症(PHP)的患者 [11, 16, 23]。CT 检查的日益普及可能有助于纹理分析衍生模型的应用,从而减少筛查产生的成本 [9, 13]。我们的研究存在局限性,包括单中心设计和相对较小的样本量。手动分割和图像归一化技术可能分别引入测量偏倚和限制统计学显著性。

尽管存在这些局限性,我们的研究也具有若干优势。连续入组患者的策略减轻了选择偏倚。重要的是,我们的方法尽管存在局限性,仍提供了一种简单且具有成本效益的筛查方法,用于预测 PHP 患者的异常 BMD,为前瞻性研究验证其在临床实践中的效用开辟了途径。

此外,我们对纹理分析的探索,特别是聚焦于腰椎 CT 图像,为支持其在骨质疏松症预测中适用性的日益增多的证据做出了贡献。峰度和灰度非均匀性等影像组学特征在我们的预测模型中成为关键组成部分,强调了它们作为与 BMD 丢失相关的骨微结构改变的有意义指标的潜力。我们的模型在临床实践中的简便性和可及性使其成为识别骨质疏松症风险个体的有前景的工具,可指导进一步的诊断决策,并可能减少不必要的检查成本。

结论

总之,我们的研究证明了监督式机器学习技术在准确分类原发性甲状旁腺功能亢进症(PHP)患者骨密度(BMD)正常与异常方面的有效性。利用临床特征和 CT 图像中脊柱骨组织的纹理分析,我们的模型,特别是集成方法,实现了显著的判别能力,AUC 为 0.916。这强调了影像组学特征作为预测异常 BMD 的有价值生物标志物的潜力。

除上述内容外,我们的研究为未来前瞻性研究奠定了基础,以更深入地探究我们的方法在原发性甲状旁腺功能亢进症患者中的预测效用。更大队列和多中心设计的进一步验证研究将增强我们预测模型的泛化性和稳健性。将我们的模型整合到常规临床实践中,有可能简化骨质疏松症的诊断流程,最终改善患者护理并优化医疗资源利用。

引用

  1. Adarve-Castro A, Soria-Utrilla V, Castro-García JM, et al. Advanced radiomic prediction of osteoporosis in primary hyperparathyroidism: a machine learning-based analysis of CT images. Radiol Med. 2025. PMID: 40272707. doi:10.1007/s11547-025-02004-z
  2. 全文:PMC12263710(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12263710/

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。