基于MRI的腓骨短肌腱形态分类验证:一种具有高评估者间信度的四型系统
本研究基于130例正常腓骨短肌腱的3T踝关节MRI轴位PD加权图像,提出并按外侧踝水平横断面形态将肌腱分为四型(一般扁平型、扁平伴外侧膨出型、扁平伴内侧膨出型、卵圆型),由7名不同背景评估者独立分类。结果显示Fleiss kappa为0.691(95%CI 0.629-0.752),ROC-AUC为0.89,多数投票法F1为0.93,提示该系统具有良好可靠性和可重复性。
要点
- 在外侧踝尖稍近端的标准化轴位PD加权单层图像上评估腓骨短肌腱横断面形态。
- 四型分类为一般扁平型、扁平伴外侧膨出型、扁平伴内侧膨出型及卵圆型,以厚度与宽度比值视觉判断。
- 最常见为一般扁平型(37.7%)和卵圆型(22.3%),卵圆型误判为扁平伴内侧膨出型最常见(4.76%)。
核心结论
- 该基于MRI的四型腓骨短肌腱形态分类系统稳健可靠,支持在临床和研究中一致地评估肌腱形态。
研究设计与样本
- 本研究为评估者间信度验证研究,按GRRAS指南报告,回顾性纳入2021年至2024年本院3T(Philips Ingenia)踝关节MRI检查。
- 最终纳入130例正常腓骨短肌腱,来自130人,平均年龄39.7岁(标准差13.4岁,范围18–64岁),男73人(56.2%)、女57人(43.8%),左侧69人(53.1%)、右侧61人(46.9%)。
- 采用专用踝关节线圈,轴位质子密度加权 turbo spin echo 序列,回波时间45 ms,重复时间2800–5000 ms,体素0.45×0.53×3.0 mm,层厚3 mm,视野14 cm,无层间隔。
- 由7名独立评估者(2名肌骨放射科医师、1名放射科住院医师、1名医生、2名物理治疗师、1名五年级医学生)进行分类,参考标准为两名肌骨放射科医师的共识。
- 样本量经功效分析确定(power > 0.8,α=0.05,效应量0.31,含10%缓冲,需130例)。
关键影像表现/征象
- 分类基于外侧踝水平轴位PD加权图像上肌腱横断面厚度(前后径,最短径)与宽度(最长径)的比值进行视觉评估。
- 一般扁平型表现为肌腱厚度沿长度相对一致,宽度显著大于厚度,形态可直、弯曲或折叠。
- 扁平伴外侧膨出型表现为肌腱扁平但外侧缘膨出,致外侧部分厚度增加。
- 扁平伴内侧膨出型表现为肌腱扁平但内侧缘膨出,致内侧部分厚度增加。
- 卵圆型表现为腓骨短肌腱呈卵圆形,类似腓骨长肌腱横断面,厚度略小于宽度。
诊断标准与关键数值
- 共识分类分布:一般扁平型37.7%(n=49)、扁平伴外侧膨出型20.8%(n=27)、扁平伴内侧膨出型19.2%(n=25)、卵圆型22.3%(n=29)。
- 7名评估者间Fleiss kappa为0.691(95%CI 0.629–0.752),按Landis和Koch标准为高度一致。
- 两两评估者间Cohen kappa范围为0.589–0.865,Gwet AC1范围为0.580–0.865,为高度至几乎完全一致。
- 3周洗脱期后评估者内Cohen kappa范围为0.57–0.93,Gwet AC1范围为0.70–0.93。
- 分类总体准确率0.83,宏平均F1为0.83,宏平均精确率0.84、召回率0.83,ROC-AUC为0.89,精确率-召回率曲线下面积0.83,零假设准确率0.31;多数投票法F1为0.93、调和均值0.935、F2为0.929。
临床应用与阅片要点
- 阅片时可在腓骨短肌腱外侧踝水平轴位PD加权单层图像上,按厚度与宽度比值及内侧/外侧缘膨出方向进行四型分类。
- 卵圆型最易被误判为扁平伴内侧膨出型(误判率4.76%,约为其他错误的近两倍),报告时需注意鉴别。
- 多数投票法可提高分类表现(F1=0.93),提示多评估者综合判断有助于减少个体评估者变异。
局限性
- 评估者中未包括骨科医生,但包括两名物理治疗师。
- 若仅纳入经验丰富的放射科医师,评估者间一致性可能更高,但结果对运动医学日常临床实践的可推广性会降低。
- 轻微差异可能与临界肌腱形态或视觉评估有关,需未来进行度量标准化以进一步优化分类一致性。
全文中译26 节 · 点击展开
引言
腓骨短肌腱纵裂是运动员慢性踝关节外侧疼痛和不稳定的常见但常被漏诊的原因[1–4]。这些损伤常发生于踝关节扭伤后,若未得到正确识别,可能持续数年,损害运动表现并延迟重返运动[5]。肌腱形态变异,尤其是扁平化,可能通过增加踝后沟内机械应力而易化纵裂的发生[6]。尽管如此,在纵裂通常起源的层面,尚无经过验证的腓骨短肌腱形态分类[7]。一个可靠、可重复的分类系统可能有助于腓骨肌腱形态学和病理学研究。
既往研究使用“回旋镖形”、“V形”或“双叉形”等术语来描述轴位MRI上腓骨短肌腱的形态[7, 8]。虽然这些描述词提示横截面形态可能与病理识别相关,但术语不一致且未标准化。在某些情况下,如“回旋镖形”,可能已存在纵裂,而在其他情况下,变异解剖与疾病之间的区分尚不明确。迄今为止,尚无经过验证的分类系统被提出用于描述腓骨短肌腱的正常形态变异,这限制了诊断的一致性和研究的可比性。
尽管具有临床意义,由于腓骨肌腱复杂的解剖关系以及现有影像学模式的固有局限性,腓骨短肌腱纵裂的诊断仍具有挑战性[9]。腓骨短肌腱和腓骨长肌腱彼此相邻,紧密局限于踝后沟内,并由腓骨上支持带在后侧稳定[10, 11]。腓骨上隧道内容物之间紧密的解剖关系使得超声和MRI评估腓骨短肌腱病变变得困难[12]。
MRI和超声均常用于评估腓骨肌腱撕裂,但研究间的比较受到技术、设备和阅片者专业水平差异的限制。MRI对腓骨短肌腱撕裂的敏感性范围为57%至100%[13, 14],而超声在样本量较小、由专家操作的研究中显示88%–100%的敏感性[14–17]。在最近一项具有手术相关性研究的研究中,共识性MRI判读对腓骨短肌腱撕裂达到84%的敏感性和92%的特异性,但对腓骨长肌腱撕裂的敏感性仅为36%[12]。诊断准确性在不同放射科医师之间存在差异,凸显了观察者间变异性和共识判读的潜在价值。两种模式均存在技术挑战:MRI受魔角现象影响,可能掩盖病变,而超声易受各向异性影响,需要精确的探头方向。
根据推荐意见,“tear”一词指部分性或纵向撕裂,而“rupture”通常用于描述肌腱完全断裂、两端完全分离[18, 19]。非完全性撕裂在影像学上尤其难以检出,因为其影像学特征可能与正常解剖变异相重叠。一种被提出的影像学标志是MRI横断面图像上肌腱形态的改变[7]。尽管有临床观察,但文献中关于腓骨短肌腱正常解剖变异性尚无共识。据推测,其形态会影响发生纵裂撕裂的易感性,一些作者认为较扁平的腓骨短肌腱风险更高,原因是腓骨长肌腱将其压迫于踝后沟[20]。然而,尚无经过验证的腓骨短肌腱形态分类系统,也没有系统研究评估解剖变异是否促成分裂撕裂形成的风险。
踝后沟的形态、低位肌腹以及第四腓骨肌的存在在文献中经常被讨论[11, 19, 21–24]。尽管在一些研究中,浅沟或沟轮廓锐利与腓骨肌腱不稳相关,但这些解剖因素仍存在争议,不同发表研究的结果不一致。虽然已探讨了多种解剖变异,但正常腓骨短肌腱本身的具体变异性受到的关注相对较少。
缺乏标准化的腓骨短肌腱形态分类系统是肌肉骨骼放射学中的一个显著空白。鉴于可靠且可重复的影像学标准的重要性,任何提出的分类都必须经过严格验证,以确保其在临床和研究环境中的适用性。据我们所知,尚无研究在MRI上对腓骨短肌腱形态进行系统分类。因此,我们通过提出一种腓骨短肌腱形态变异分类系统并评估其潜在临床意义来填补这一空白。我们旨在评估我们所提出的腓骨短肌腱分类系统的信度,识别潜在的误分类模式,并探讨可能影响分类准确性的因素。
方法
伦理考虑
涉及人类参与者的研究中所执行的所有程序均符合机构和/或国家研究委员会的伦理标准,并符合1964年《赫尔辛基宣言》及其后续修正案或类似伦理标准。国家伦理主管机构批准了本研究并豁免知情同意(Dnr 2024–07283-02)。
研究设计与观察者验证框架
本研究评估了关于外踝水平横断面上腓骨短肌腱形态所提出分类的评定者间一致性。本研究按照《信度与一致性研究报告指南》(GRRAS)[25]进行并报告。
MRI检查
该数据集为回顾性汇编,来源于我院2021—2024年因运动损伤或与体育活动相关的疼痛而使用3 T机器(Philips Ingenia)进行的MRI检查。MRI检查使用专用踝关节线圈进行,以确保踝关节体位一致。置于线圈内的楔形垫可防止检查过程中踝关节移动或位置变化。采用涡轮自旋回波序列采集轴位质子密度加权图像,回波时间为45 ms,重复时间为2800–5000 ms。体素尺寸为0.45 × 0.53 × 3.0 mm,层厚为3 mm,视野为14 cm。方案中未使用层间距。我们回顾性审查了2021年1月至2024年12月期间在我院进行的439次踝关节MRI检查。所有检查均遵循我院标准踝关节MRI方案,并因踝关节创伤或疼痛而进行。每位患者仅纳入一次MRI。排除标准为显示异常T2或质子密度信号、腱鞘炎或肌腱病的检查——被排除。其他排除标准包括存在骨折、感染、肿瘤、肌腱横断、术后改变、金属或运动伪影、同一患者的重复扫描、年龄小于18岁或临床信息缺失(流程图见补充材料图S1)。
评估者
七名具有不同专业背景的独立评估者参与了分类过程。该组包括两名委员会认证的肌肉骨骼放射科医师(评估者1具有10年肌肉骨骼成像经验,评估者5具有6年经验)、一名放射科住院医师(评估者6)、一名医生(评估者3)、两名物理治疗师(评估者2和7)以及一名五年级医学生(评估者4)。所有评估者在评估前均接受了关于分类系统使用的结构化培训课程。
采用结构化视觉评估方法进行分级。每位评估者独立评估肌腱并指定四种预定义形态类型之一。该分类系统基于我们团队的初步研究开发,并在主要研究前通过试点共识轮次进一步完善。参考标准由两名经验丰富的肌肉骨骼放射科医师通过共识协议建立。为评估评估者间信度,每位评估者独立对所有病例进行分类。所有其他评估者独立进行分类,并对临床信息、影像元数据和彼此的评估设盲。评估者内信度在洗脱期后评估。为评估评估者内信度,每位评估者在三周洗脱期后重新评估随机抽取的30%病例子集[26]。
数据采集与预处理
抽样
采用便利抽样选择所有符合纳入标准的可用踝关节MRI扫描。研究前进行功效分析以确定样本量。在功效 > 0.8、α = 0.05、基于我们初步研究的效应量0.31以及10%缓冲的情况下,需要130名参与者。
预处理
对腓骨短肌腱形态的分析基于质子密度加权轴位图像。在开始主要研究之前,我们回顾了40例腓骨肌腱正常的MRI检查以估计所需的效应量。在这项初步研究中,我们观察到肌腱的横截面形态在短段踝后区内保持一致。基于这些发现,我们认为使用单个、清晰定义的轴位层面是一种可靠且可重复的方法,可用于跨病例分类。一位资深肌肉骨骼放射科医师选择了外踝水平、下胫腓联合下方、踝关节间隙水平的代表性图像。
所选图像被导出,并创建了一个电子表单,包含这些图像和四个分类选项(一般扁平型、外侧膨出扁平型、内侧膨出扁平型和椭圆形肌腱),随后分发给评估者。每位评估者收到详细说明,包括肌腱形态的定义和示例(不包括被评估的病例),并使用研究的标准方案评估肌腱。
提出的分类
所提出的分类(名义变量)基于对肌腱厚度(最短直径)与宽度(最长直径)比值的视觉评估。四种类型定义如下(图1)。
一般扁平型肌腱
肌腱的厚度(定义为前后[AP]径)沿其长度相对一致。肌腱的宽度显著大于其厚度。此形态的肌腱可以是直的、弯曲的或折叠的。
一般扁平伴外侧膨出型
肌腱呈扁平状,但外侧缘膨出,使外侧部分厚度增加。
一般扁平伴内侧膨出型
肌腱呈扁平状,但内侧缘膨出,导致内侧部分厚度增加。
椭圆形肌腱
腓骨短肌腱呈椭圆形,类似于腓骨长肌腱的横截面。厚度略小于宽度。
金标准
最终结果为两位肌肉骨骼放射科医师之间的共识,作为金标准。
生成式人工智能工具
生成式人工智能工具,特别是ChatGPT(OpenAI,GPT-4架构),被用于协助语言校正,提高手稿的清晰度和可读性。未使用生成式人工智能工具进行数据分析、研究设计、结果解释或科学结论的形成。作者仔细审查、修订并批准了所有人工智能生成的编辑,以确保准确性和完整性。
统计分析
使用R 4.4.3版(R Core Team,奥地利维也纳)和RStudio 2024.12.1 + 563版(2024.12.1 + 563)进行统计分析和数据可视化。使用ggplot2包对数据进行可视化。基于Fleiss' kappa及自举法95%置信区间评估七名评估者间的评估者间一致性。对于两两一致性,计算所有评估者对之间的Cohen's kappa和Gwet's AC1。这些统计量也用于评估3周洗脱期后的评估者内信度。纳入Gwet's AC1作为Cohen's kappa的稳健替代方法, particularly考虑到潜在的患病率和边际分布不平衡。
计算每名评估者的F1分数(定义为精确率和召回率的调和平均数),以评估所提出分类方法的性能。该指标反映了正确识别肌腱分类(精确率)与检测给定类别所有病例(召回率)之间的平衡。计算F2分数(β = 2)以考虑召回率优先的情况。此外,采用多数投票法,即选择七名评估者中最常被分配的肌腱形态作为预测类别。然后,将多数投票分类与金标准(定义为两名肌肉骨骼放射科医师之间的共识)进行比较,以计算总体分类性能指标。
采用累积一对一其余策略进行受试者工作特征(ROC)曲线分析,将每种肌腱形态与所有其他形态进行比较。报告精确率、召回率、F1分数和曲线下面积(ROC-AUC)的宏平均值,以确保对所有肌腱类别的平衡评估。
为识别误分类模式,为每名评估者和多数投票结果生成混淆矩阵。这些矩阵用于可视化常见错误,并突出评估者之间分歧或不确定的领域。
结果
研究队列
共审查了439例踝关节MRI检查。应用排除标准后,排除了310例检查。我们排除了任何显示腓骨肌腱病变征象的检查,包括提示纵行撕裂、腱鞘炎或肌腱变性的异常T2或质子密度(PD)信号(n = 131)。其他排除标准为:骨折(n = 35)、感染(n = 7)、腱鞘囊肿或肿瘤(n = 3)、腓骨短肌横行断裂(n = 4)、术后改变或金属伪影(n = 54)、MRI相关伪影(n = 19)、同一患者多次MRI检查(n = 33)、临床数据缺失(n = 9)、年龄小于18岁(n = 8)以及腓骨长肌或短肌腱完全断裂(n = 6)。最终研究人群包括130例使用我们标准踝关节方案进行的检查,用于评估创伤或踝关节疼痛(流程图见补充材料图S1)。研究队列由130人组成,平均年龄39.7岁,标准差13.4岁(范围:18–64岁)。其中男性73人(56.2%),女性57人(43.8%)。检查左侧69人(53.1%),检查右侧61人(46.9%)。
基于共识的肌腱分类
根据评分者之间共识的肌腱形态分布如下:37.7%的病例(n = 49)被分类为一般扁平型,20.8%(n = 27)为外侧膨隆型扁平,19.2%(n = 25)为内侧膨隆型扁平,22.3%(n = 29)为椭圆形肌腱。图1展示了每种类型的示例。
评分者间一致性
评分者之间的两两一致性
Cohen's kappa——范围为0.589至0.865——和Gwet's AC1——范围为0.580至0.865——根据Landis和Koch [27]的标准,表明具有显著至几乎完美的一致性(表1和补充材料图S2-S4)。
评分者内信度
经过3周的洗脱期后,Cohen's kappa范围为0.57至0.93,表明具有中等至几乎完美的评分者内一致性。Gwet's AC1通常更高,范围为0.70至0.93。根据Landis和Koch [27]的标准,大多数评分者表现出显著至几乎完美的可重复性。
评分者间的总体一致性
所有评分者间的Fleiss' kappa为0.691(95%置信区间0.629–0.752),根据Landis和Koch [17]的标准,表明具有显著一致性。为评估该结果的稳定性,我们进行了自助法分析,对数据重采样1000次。95%置信区间为0.629–0.752(图2)。这一较窄的置信区间表明评分者之间的一致性水平在不同重采样中保持一致。所发现的显著一致性,其置信区间下限仍高于0.6,表明评分者在肌腱形态分类方面具有可靠的评分者一致性。
分类性能指标
各评分者的分类性能存在差异,反映在F1分数、调和平均数和F2分数上。虽然大多数评分者与共识分类表现出显著一致性,但我们观察到平衡精确率和召回率的差异影响了总体F1分数(表2)。评分者1、2和5表现持续较高,F1分数 > 0.84,表明与共识高度一致。评分者6表现出最高的分类准确率,F1分数达到0.90,表明能可靠地区分肌腱形态。相反,评分者3和7的F1分数较低(分别为0.78和0.68),表明分类变异性较大,可能是由于区分某些肌腱形态存在困难。
为进一步评估分类可靠性,我们采用了多数投票法,以所有评分者中最常被分配的类别作为最终预测(表2)。该方法显著提高了分类性能,F1分数达到0.93,调和平均数为0.935,F2分数为0.929,显示了结合多次评估以减轻个体评分者变异性的价值。
分类性能
ROC曲线显示,所有肌腱形态均具有稳健的分类性能,其中一般扁平型肌腱获得最陡峭的曲线,表明其与其他类别具有清晰的可分离性(补充材料图S5)。持续较高的曲线下面积(ROC-AUC = 0.89)证实该分类能有效区分不同肌腱形态。这表明该分类系统提供了可靠的评估。ROC分析中观察到的高灵敏度和高特异度凸显了模型的稳健性,在较低假阳性率处具有陡峭斜率,表明误分类极少。累积的一对多方法非常适合这些数据,确保我们以具有临床意义的方式评估分类性能,而非将每个类别视为独立类别。
该分类系统表现出较强的整体性能,准确率为0.83,宏平均F1分数为0.83,表明在各肌腱类别间性能均衡良好。宏平均精确率和召回率分别为0.84和0.83。受试者工作特征曲线下面积为0.89。零假设准确率为0.31,证实该分类系统大幅优于随机猜测。
精确率-召回率分析
我们使用精确率-召回率曲线评估分类性能;该曲线展示了召回率与精确率之间的权衡。分析揭示了各肌腱形态在精确率、召回率和F1分数上的差异。我们观察到形状更清晰的肌腱形态具有更高的F1分数(补充材料图S6),而较低的F1分数则反映分类中较大的不确定性。精确率-召回率曲线下面积较高(0.83),表明在正确识别肌腱形态的同时减少假阳性方面表现良好。
误差分析与误分类趋势
我们生成了个体评估者的混淆矩阵(补充材料图S7),以补充Fleiss' kappa并提供对误分类的更详细分析。最常见的错误——将卵圆型肌腱误分类为伴内侧隆起的一般扁平型(4.76%)——发生率几乎是其他错误的两倍(图3)。混淆矩阵显示了评估者将肌腱分类为另一类型的频率,既表明了一致性区域也表明了误分类。矩阵对角线代表正确分类的肌腱形态,其值 consistently 较高,表明评估者总体上与金标准(两名肌肉骨骼放射科医师的共识)一致。
讨论
本研究最重要的发现是,所提出的基于MRI的腓骨短肌腱形态分类系统可靠且可重复,评定者间一致性为显著。MRI在运动影像学中发挥核心作用,可对肌腱等软组织 structures 进行详细评估。既往研究,包括Ersoz等人的研究,曾使用“回旋镖形”等描述性术语来描述轴位MRI上的腓骨短肌腱撕裂[28]。虽然这些观察提示其与撕裂相关,但一直缺乏标准化的MRI分类系统。本研究通过提出并验证一种基于肌腱横截面形态的可重复四型分类填补了这一空白,为临床评估和未来研究提供了一致的背景。
基于Fleiss' kappa的显著一致性提示,总体而言,评定者能够根据共识可靠地对肌腱形态进行分类。Gwet's AC1值始终较高,可能凸显了Cohen's Kappa在类别分布不均情况下的局限性[29]。这些发现提示各评定者在评估中保持了一致性,进一步强化了该分类系统的可靠性。轻微差异可能与临界肌腱形态或视觉评估有关,值得未来开展度量标准化工作以进一步优化分类一致性。为更好地了解哪些类型最常相互混淆,我们构建了混淆矩阵。
将非放射科医师纳入评定者,旨在评估该分类系统在不同培训水平和临床背景下的直观性和可重复性。尽管我们的评定者组未包括任何骨科外科医师,但包括了两名物理治疗师,提供了较为均衡的评定者组合。若仅纳入经验丰富的放射科医师,评定者间一致性可能更高;然而,研究结果对运动医学日常临床实践的普适性则会降低,因为在运动医学中患者由多学科团队管理,且MRI由不同医疗专业人员判读[30]。
既往一些研究已提及腓骨短肌腱在横截面上的不同形态,但尚无经过验证的分类[31]。对肌腱形态过于复杂的描述可能导致误解。因此,有必要开发一种相对简单、同时仍能反映解剖变异复杂性的分类。据我们所知,这是首个经过验证的外踝处腓骨短肌腱形态分类。我们基于临床观察以及该部位是腓骨短肌腱撕裂最常见位置这一事实选择该层面[32, 33]。
尽管总体一致性较高,但我们观察到评分者之间存在差异,这反映了区分细微解剖差异的挑战[27]。混淆矩阵中出现的误分类模式显示了视觉评估的局限性[34]。混淆矩阵分析显示,卵圆形肌腱和伴有内侧膨隆的一般扁平肌腱常被误分类,表明它们在视觉分类上存在一定相似性。这种重叠导致评分者间一致性降低,并凸显了运动医学中评估细微肌腱病理时所面临的诊断挑战。
尽管存在解剖变异,我们的分析表明,即使放射科医师在评分者群体中占少数,该分类仍然可靠。采用更大、更多样化样本的多中心研究将有助于确认这些误分类模式是否可推广至不同患者群体。尽管如此,我们在研究开始前确定了样本量,以确保具有足够的统计效力并使结果有效。
我们的评分者未进行肌腱测量,因为我们有意选择纯视觉评估方法,以反映现实临床场景中决策必须具有时间效率的情况。我们假设,在临床实践中,大多数评分者依赖视觉评估,偶尔辅以测量。使用测量有可能进一步提高一致性。我们认为,未来人工智能可能被用于肌腱类型分类。然而,目前尚无此类解决方案。
自举分析还凸显了Fleiss kappa的稳定性,证实了我们分类系统的稳健性[35]。较窄的置信区间以及相似的Cohen kappa和Gwet AC1表明,观察到的一致性水平不太可能由抽样变异所致,并可推广至我们的研究队列之外。这两种一致性度量之间的强相关性证实了所提出分类系统的一致性和稳健性,支持其用于进一步研究和临床实施的潜力。
ROC曲线的重叠表明,相似肌腱形态之间的分类存在一定程度的不确定性,我们认为可通过测量或机器学习模型进一步改进。
尽管本研究具有优势,但仍需承认若干局限性。第一,分类仅基于轴位MRI,未与手术结果进行相关性验证。然而,由于本研究聚焦于无影像学病理证据的肌腱,手术探查在伦理上并不合适。第二,分类依赖于单一预先选定的轴位层面。虽然这可能无法捕捉病理病例中的全部形态学变异,但我们的初步分析表明,在正常肌腱中,腓骨短肌腱的横截面形状在踝后段内保持一致。第三,分类基于视觉评估,这引入了一定程度的主观性。尽管评估者间和评估者内一致性很强,未来研究或可通过纳入定量形态学分析来提高可重复性。最后,所纳入的MRI均因临床指征而获取,这可能引入选择偏倚。有必要使用标准化成像方案并进行前瞻性验证,同时纳入病理病例,以完善和扩展该分类系统。
开发该分类系统的动机源于我们的临床观察,即腓骨短肌腱撕裂常出现在形态扁平的肌腱中。尽管当前研究旨在评估该分类在非病理队列中的可重复性,我们还在有和无撕裂的匹配患者组中进行了单独的初步分析。这些早期发现表明,在MRI上存在腓骨短肌腱撕裂的病例中更常见扁平形状的肌腱。尽管属初步结果,该观察强调了该分类潜在的临床相关性,并支持将其作为预后影像标志物进行进一步评估。
我们的腓骨短肌腱分类系统被证明是一种稳健且可靠的工具,表现出显著的评估者间一致性和优异的整体性能。误分类罕见,且主要限于具有密切相关的解剖特征的肌腱类型。其简单性、实用性和可重复性使其非常适合临床和研究使用。该系统的优势在于其能够以清晰易懂的形式捕捉复杂的解剖变异。经过适当的评估者培训,它可提供一致且准确的肌腱评估。未来研究应探究该分类系统在其他成像方式(包括超声)以及不同国际环境中的表现。
补充信息
以下是电子补充材料的链接。ESM1图S1。流程图(PDF 22.6 KB)
图S2。每位评估者与共识相比的Cohen's kappa和Gwet's AC1比较。评估者:评估者1——具有10年经验的肌肉骨骼放射科医生;评估者2——物理治疗师;评估者3——医生;评估者4——五年级医学生;评估者5——具有6年经验的肌肉骨骼放射科医生;评估者6——放射科住院医师;评估者7——物理治疗师(PDF 23.2 KB)
图S3。评估者两两之间Cohen's kappa的热图可视化。颜色越深表示一致性越强。评估者:评估者1——具有10年经验的肌肉骨骼放射科医师;评估者2——物理治疗师;评估者3——医生;评估者4——五年级医学生;评估者5——具有6年经验的肌肉骨骼放射科医师;评估者6——放射科住院医师;评估者7——物理治疗师(PDF 30.2 KB)
图S4。评估者两两之间Gwet's AC1的热图可视化。颜色越深表示一致性越强。评估者:评估者1——具有10年经验的肌肉骨骼放射科医师;评估者2——物理治疗师;评估者3——医生;评估者4——五年级医学生;评估者5——具有6年经验的肌肉骨骼放射科医师;评估者6——放射科住院医师;评估者7——物理治疗师(PDF 29.5 KB)
图S5。肌腱分类系统的受试者工作特征(ROC)曲线,采用累积的一对其余方法。肌腱形态:1,一般扁平型;2,扁平伴外侧膨隆;3,扁平伴内侧膨隆;4,卵圆形肌腱。灵敏度(真阳性率)对1-特异度(假阳性率)作图。该曲线展示了分类模型区分四种肌腱形态的能力(PDF 19.4 KB)
图S6。平均精确率-召回率曲线,展示所有肌腱形态的肌腱分类中召回率与精确率之间的关系(平均曲线)。该曲线显示了在不同分类阈值下召回率与精确率之间的权衡,较高的值表明在区分肌腱形态方面具有更好的性能。AUC,曲线下面积(PDF 28.2 KB)
图S7。混淆矩阵热图,展示每位评估者、总体评价(多数投票)和共识分类之间的分类差异。肌腱形态:1,一般扁平型;2,扁平伴外侧膨隆;3,扁平伴内侧膨隆;4,卵圆形肌腱。颜色越深表示与共识的一致性越高,而较浅的色调突出显示误分类。参与分类过程的评估者:评估者1——具有10年经验的肌肉骨骼放射科医师;评估者2——物理治疗师;评估者3——医生;评估者4——五年级医学生;评估者5——具有6年经验的肌肉骨骼放射科医师;评估者6——放射科住院医师;评估者7——物理治疗师(PDF 41.7 KB)
引用
- Zych R, Mocanu D, Hagberg Y, et al. Validation of an MRI-based classification of peroneus brevis tendon morphology: a four-type system with high inter-rater reliability. Skeletal Radiol. 2025. PMID: 40796683. doi:10.1007/s00256-025-05010-4
- 全文:PMC12627172(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12627172/
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。