基于胫骨MRI影像组学特征区分有无膝骨关节炎的机器学习研究
本研究基于665名女性右膝1.5T MRI数据,半自动分割胫骨并提取形状与纹理影像组学特征,用Elastic Net模型区分有无MOAKS定义的胫股骨关节炎。图像特征模型ROC AUC为0.80,优于仅年龄和BMI的协变量模型(0.68),提示影像组学特征可作为骨关节炎的定量影像生物标志物。
要点
- 胫骨影像组学特征区分有无胫股骨关节炎的ROC AUC达0.80,优于仅临床变量的0.68。
- 内侧胫骨平台下骨区域特征对骨关节炎及软骨损伤的区分能力最高。
- 紧凑度降低及纹理更均匀与骨关节炎相关,提示软骨下骨结构改变。
关键影像表现/征象
- 紧凑度降低与胫股骨关节炎相关。
- Gabor和GLSZM纹理特征在多个模型中贡献较大,纹理更均匀与骨关节炎相关。
诊断标准与关键数值
- 胫股骨关节炎定义为存在明确骨赘和全层软骨缺失,或其中一项加上以下两项:非半月板或韧带附着处的软骨下骨髓病变或囊肿、半月板浸渍或退变(含水平撕裂)、部分层厚软骨缺失。
- 图像特征模型区分有无胫股骨关节炎的ROC AUC为0.80(95%CI 0.73-0.87),PR AUC为0.46(95%CI 0.33-0.58)。
- 协变量模型(年龄和BMI)区分有无胫股骨关节炎的ROC AUC为0.68(95%CI 0.60-0.75)。
- 内侧软骨下骨VOI联合协变量区分内侧胫骨软骨损伤的ROC AUC为0.66(95%CI 0.59-0.73),PR AUC为0.30(95%CI 0.21-0.39)。
- 所有内侧VOI联合协变量区分内侧胫骨骨赘的ROC AUC为0.80(95%CI 0.73-0.86),PR AUC为0.45(95%CI 0.34-0.57)。
临床应用与阅片要点
- 可关注胫骨平台下骨及中段区域的形状与纹理特征,内侧间室对骨关节炎判别价值更高。
- MRI评估骨纹理的同时可评估软骨、半月板等其他组织,较X线提供更全面的骨关节炎信息。
- 自动分割中约12.9%需手动校正,实际应用中应目视核查分割质量。
局限性
- 影像组学特征仅从胫骨提取,未纳入其他骨骼。
- 模型仅纳入年龄和BMI两个基本危险因素作为协变量。
- 分割方法并非全自动,13%的分割需要手动调整。
- 影像组学特征与生物学过程之间的关联并不总是明确。
全文中译10 节 · 点击展开
引言
骨关节炎是最常见的关节疾病,在欧洲影响超过4000万人[1]。它降低个体的生活质量,并给社会带来巨大的经济负担,因为直接和间接成本可高达一个国家国内生产总值的2.5%[2, 3]。骨关节炎影响关节中的所有组织,例如,导致关节软骨的进行性退变以及软骨下骨密度和结构的改变[4, 5]。软骨下骨的宏观改变包括骨赘、骨硬化(僵化)和囊肿[4, 5]。骨关节炎诊断、预防和治疗的进展将对患者和社会产生重大影响。
人们已经认识到软骨下骨在骨关节炎的发病机制中发挥作用[5–7],并且软骨下骨已被建议作为潜在的改善病情抗骨关节炎药物的靶点[8]。然而,软骨下骨在骨关节炎发生和进展中的确切作用仍不清楚[5]。
磁共振成像(MRI)被认为是评估膝骨关节炎最全面的影像学模态[9]。已开发出半定量评分系统来评估MRI上骨关节炎相关的组织结构退化[10]。此外,存在许多评估关节软骨和半月板的定量方法[11–13]。由于软骨下骨也参与骨关节炎疾病过程,来自骨的定量影像生物标志物可能有助于该疾病的检测、预测和监测。
影像组学是一个从图像中提取大量定量图像特征(与强度、几何形状和纹理相关的特征)并将其与生物标志物和临床结局相关联的领域。影像组学方法已成功应用于不同的MRI数据[14],但这些方法尚未广泛用于膝骨关节炎的评估。骨形状和纹理变量此前已从膝关节MRI中提取用于评估骨关节炎性改变[15–18],并且纹理已被证明与软骨下骨的实际三维微结构相关[19]。然而,以往的纹理分析研究手动定义感兴趣区、分析有限数量的切片,并使用有限数量的纹理变量。
由于软骨下骨在骨关节炎疾病过程中发挥作用,本研究的目的是利用膝关节MRI数据半自动提取胫骨软骨下骨的影像组学特征,并在大型人群队列中评估这些影像组学特征区分无骨关节炎与有骨关节炎膝关节的能力。
受试者与方法
研究队列
研究数据由鹿特丹研究(Rotterdam Study)子研究(RS-III-1)中665名女性参与者的基线数据组成。鹿特丹研究是一项在荷兰开展的基于人群的研究,旨在调查各种慢性致残性疾病的患病率、发病率和危险因素[20–22]。在RS-III-1的参与者中,最初邀请1116名45–60岁女性参加一项调查膝骨关节炎早期征象的子研究[20, 21]。在同意参与的891名女性中,665名MR图像质量充分且视觉MRI分级可用的女性被纳入本研究。受试者的平均年龄和体重指数(BMI)分别为54.6(标准差(SD):3.7)岁和26.8(SD:4.6)kg/m2。Erasmus大学医学中心的医学伦理委员会批准了该研究,所有受试者均提供了书面知情同意。
MRI采集
所有参与者均使用1.5-T MRI扫描仪(Signa Excite 2,General Electric Healthcare)进行扫描,采用八通道心脏线圈,可在不重新定位受试者的情况下同时成像双膝。扫描方案包括矢状面双回波快速自旋回波(FSE)质子密度加权、脂肪抑制FSE T2加权、脂肪抑制扰相梯度回波以及稳态采集快速成像(FIESTA)序列(表1)。
MRI评估
两名经验丰富的阅片者使用MRI骨关节炎膝关节评分(MOAKS)[10]对MRI进行评分。如先前所述[23],阅片者由一位经验丰富的肌肉骨骼放射科医师(E.O.,在临床和研究环境中具有>15年肌肉骨骼MRI经验)进行了广泛培训。
我们采用先前提出的定义来识别MRI上的胫股骨关节炎[24, 25]。胫股骨关节炎定义为存在明确的骨赘和全层软骨丢失,或存在其中一项特征以及以下两项特征:(1)不与半月板或韧带附着相关的软骨下骨髓病变或囊肿,(2)半月板浸渍或变性(包括水平撕裂),或(3)部分厚度软骨丢失[24]。1级和2级软骨病变归类为部分厚度病变,3级病变归类为全层病变。2级和3级骨赘归类为明确骨赘。骨髓病变和囊肿在评分为1级或更高时视为存在。半月板相关特征在浸渍或变性为1级或更高或存在水平撕裂时视为存在。我们未评估半月板半脱位或骨磨损。
除胫股骨关节炎外,还分析了影像组学特征区分无/有内侧胫骨软骨损伤、骨赘和骨髓病变的膝关节的能力。如果受试者在内侧胫骨前部、中部或后部存在任何软骨丢失(任何软骨丢失大小的分级为1级或更高),则被纳入内侧胫骨软骨损伤组。同样,如果受试者在内侧胫骨存在骨赘(1级或更高),则被纳入内侧胫骨骨赘组;如果受试者在胫骨内侧前部、中部或后部存在任何骨髓病变(骨髓病变大小的分级为1级或更高),则被纳入骨髓病变组。
胫骨自动分割
定量分析使用了FIESTA扫描。采用结合多图谱和外观模型的内部自动分割方法对参与者右膝的胫骨进行分割[26, 27]。使用20例手动分割的胫骨作为多图谱模型的图谱和外观模型的训练数据。在多图谱部分,使用Elastix软件将图谱图像配准到目标图像(即待分割的图像)[28]。配准通过估计仿射变换后进行非刚性变换来完成。两种变换均使用互信息作为相似性度量。获得的配准参数用于变形图谱图像的手动分割。通过平均所有图谱图像的变形分割来计算目标图像中体素属于胫骨分割或背景(即非胫骨)的概率。外观模型由随机森林分类器组成,该分类器在训练集上基于高斯尺度空间特征进行训练。特征向量(49个特征)由原始图像的强度值和高斯滤波版本、各轴方向的一阶和二阶高斯导数、梯度幅值、拉普拉斯算子、高斯曲率以及高斯滤波图像Hessian矩阵的三个特征值组成。然后使用该分类器将目标图像上的体素分类为胫骨或背景。分割方法的最终输出通过结合多图谱和外观组件的概率获得。对分割结果进行视觉检查并在需要时手动校正。
总共从胫骨的内侧和外侧间室自动提取了六个三维感兴趣体积(VOI)(图1)。通过沿分割矢状切片的垂直轴搜索最高和第二高坐标来定位内侧和外侧胫骨棘。由于所有扫描中膝关节的定位相似,使用胫骨棘和胫骨外边界作为标志来识别内侧和外侧间室。内侧和外侧软骨下骨VOI置于软骨-骨界面正下方。上述VOI的底部坐标定义为每个间室中点处软骨-骨界面下方10 mm。内侧和外侧中段VOI置于软骨下骨VOI下方。内侧和外侧骨小梁VOI置于中间区域VOI下方。中段和骨小梁VOI的高度为10 mm。需要注意的是,尽管将这些VOI称为软骨下骨、中段和骨小梁VOI,但VOI中混合了不同的骨类型[29, 30]。
影像组学
使用Python中的开源最优放射组学分类工作流包(v. 3.0.0)从每个VOI中计算与该区域形状和纹理相关的放射组学特征[31]。共提取17个形状特征、3个方向特征、12个基于直方图的特征和271个纹理特征(补充表1)。纹理特征包括局部二值模式、灰度共生矩阵、灰度游程长度矩阵、灰度尺寸区域矩阵(GLSZM)、邻域灰度差矩阵和Gabor特征。与形状相关的特征仅针对整个胫骨体积进行计算。
统计分析
为评估自动分割的准确性,使用Dice相似系数[32]确定五个自动分割与手动分割胫骨之间的重叠度。这些胫骨未纳入图谱集。Dice系数范围为0至1,值越高表示分割准确性越好。
使用机器学习进行降维,并评估使用胫骨放射组学特征区分无骨关节炎与有骨关节炎受试者的效果。使用了三种不同模型:(1)协变量模型,包括年龄和BMI这两个骨关节炎的常见危险因素[33];(2)图像特征模型;(3)协变量+图像特征联合模型。降维和分类使用弹性净回归完成,这是一种正则化逻辑回归方法[34, 35]。弹性净线性结合了lasso和岭回归方法的L1和L2惩罚。为优化弹性净的L1和L2惩罚比率(α)和惩罚参数强度(λ),进行了10折交叉验证,采用网格搜索并重复100次。在网格中,α值从0.1到1以0.05为增量变化,λ从0.001到0.15以0.009为增量变化。当α接近0时,弹性净接近岭回归;当α为1时,执行lasso回归。在交叉验证中,使用受试者工作特征曲线下面积(ROC AUC)和精确率-召回率曲线下面积(PR AUC)及95%置信区间(CI)评估上述三种模型区分无骨关节炎与有骨关节炎受试者的性能[36]。为评估内侧胫骨放射组学特征区分个体骨关节炎相关结构改变的能力,以内侧胫骨软骨损伤、骨赘和骨髓病变作为结局变量重复分析。弹性净实验使用R软件(版本3.5.2)及Caret [37]、PRROC [38]、glmnet [34]和precrec [39]包完成。
结果
在分析的665个膝关节中,76个(11.4%)患有胫股骨关节炎,91个(13.7%)有内侧胫骨软骨损伤,85个(12.8%)有内侧胫骨骨赘,70个(10.5%)有内侧胫骨骨髓病变。胫骨未校正自动分割的平均Dice相似系数为0.96(SD:0.02)。在自动分割的膝关节中,86个(12.9%)经手动校正。
在对无胫股骨关节炎与有胫股骨关节炎的膝关节进行分类时,结合所有感兴趣区(VOI)的图像特征与协变量的模型获得了0.80(95% CI:0.73–0.87)的ROC AUC和0.46(95% CI:0.33–0.58)的PR AUC(表2,图2)。当分别评估每个VOI时,内侧软骨下骨VOI具有最高的ROC AUC(表2)。将内侧软骨下骨VOI的图像特征与协变量相结合的模型具有0.80(95% CI:0.72–0.87)的ROC AUC和0.46(95% CI:0.33–0.58)的PR AUC(补充图1)。
在对无内侧胫骨软骨损伤与有内侧胫骨软骨损伤的膝关节进行分类时,包含内侧软骨下骨VOI图像特征和协变量的模型具有最高的ROC AUC和PR AUC(0.66(95% CI:0.59–0.73)和0.30(95% CI:0.21–0.39))(表3,补充图2)。
在对无内侧胫骨骨赘与有内侧胫骨骨赘的膝关节进行分类时,包含所有内侧VOI图像特征和协变量的模型获得了0.80(95% CI:0.73–0.86)的ROC AUC和0.45(95% CI:0.34–0.57)的PR AUC(表4,补充图3)。当分别评估每个VOI时,内侧中部VOI具有最高的ROC AUC和PR AUC(0.79(95% CI:0.73–0.89)和0.44(95% CI:0.33–0.56))(表4)。
在对无内侧胫骨骨髓病变与有内侧胫骨骨髓病变的膝关节进行分类时,包含内侧中部VOI图像特征和协变量的模型具有最高的ROC AUC和PR AUC(0.69(95% CI:0.60–0.77)和0.28(95% CI:0.17–0.38))(表5,补充图4)。
用于对无胫股骨关节炎与有胫股骨关节炎、内侧胫骨软骨损伤、内侧胫骨骨赘和内侧胫骨骨髓病变的膝关节进行分类的最佳性能弹性网络(Elastic Net)模型中的α和λ超参数值以及五个系数最大的变量呈现在补充表2中。
讨论
在本研究中,我们应用半自动分割方法,并从大型人群队列的膝关节MRI数据中提取了胫骨的影像组学特征。当所有VOI在同一模型中联合使用时,对无与有胫股骨关节炎的膝关节进行分类获得了最高的ROC AUC和PR AUC。当每个VOI在模型中单独使用时,来自内侧软骨下骨和中部VOI的影像特征具有最高的ROC AUC和PR AUC。这可以用以下事实解释:膝关节内侧在骨关节炎中比外侧间室更常受累[40, 41]。
为全面起见,我们还测试了影像组学特征是否能够区分无与有内侧胫骨软骨损伤、骨赘和骨髓损伤的受试者。来自内侧软骨下骨VOI的影像特征在区分无与有内侧胫骨软骨损伤的膝关节方面具有最高的ROC AUC和PR AUC,表明软骨与软骨下骨之间存在相互作用。来自内侧中部VOI的影像特征在区分无与有内侧胫骨骨髓损伤的膝关节方面具有最高的ROC AUC和PR AUC。将所有内侧VOI在同一模型中联合的模型在区分无与有内侧胫骨骨赘的膝关节方面具有最高的ROC AUC和PR AUC。这些发现表明,除最靠近软骨-骨界面的软骨下骨区域外,更深部骨区域的特征在骨关节炎中也发生改变。
使用影像组学方法评估骨和骨关节炎的研究数量有限,但此前已从膝关节MRI中提取纹理变量以评估骨的骨关节炎改变[16, 17, 19]。一项研究使用MRI上的骨纹理预测36个月内膝关节骨关节炎的进展(通过平片上的关节间隙狭窄定义),并报告了ROC AUC在0.58至0.68之间,具体取决于模型[15]。基于X线片的骨纹理已被用于预测骨关节炎的进展或发生(ROC AUC在0.65至0.85之间)[42–44]以及区分无与有骨关节炎的膝关节(ROC AUC在0.81至0.85之间)[45, 46]。在MRI上评估骨的优势在于可以同时评估参与骨关节炎的其他组织。此外,二维平片是三维结构的投影,而MRI可以产生目标结构的三维数据。
在观察与骨几何形状相关的变量时,紧凑度变量被纳入所有对每种所用结局进行分类的最佳性能模型中。紧凑度变量描述矢状面切片上骨形状相较于圆形的紧凑程度[14, 47]。通过检查最终弹性网络(Elastic Net)回归模型中系数的方向,我们的结果表明较低的紧凑度与胫股骨关节炎相关。
尽管许多纹理特征对最终模型有贡献,但Gabor和GLSZM出现在许多模型中。Gabor滤波器对图像中的边缘(体素强度的变化)作出响应,并提供关于特定方向上纹理的信息[14, 48, 49]。GLSZM量化图像中的灰度区域(即共享相同灰度强度的连通体素的数量)[14]。Elastic Net模型中系数的方向表明,更均匀的骨纹理与骨关节炎相关。对此的一种解释是,患有骨关节炎的受试者可能存在增厚的软骨下骨,这可能导致更均匀的纹理。
本研究的一个优势是应用了基于自动多图谱和外观模型的算法进行胫骨分割。尽管使用了不同的MRI序列和数据,我们的分割方法的性能与先前报道的胫骨分割方法相当[50]。需要提及的是,我们的方法并非完全自动,因为13%的分割需要手动调整。
本研究存在需要解决的局限性。首先,放射组学特征仅从胫骨中提取。在未来的研究中,也可以从其他骨骼中提取特征。其次,生物学过程与个体放射组学特征之间的联系并不总是清晰的。然而,基于MRI的骨纹理已被证明与软骨下骨的实际三维微结构相关[19]。第三,模型中仅使用骨关节炎的基本危险因素作为协变量。在未来的研究中,应使用包含更多危险因素的模型,并研究放射组学特征在骨关节炎诊断和预后中的附加价值。
总之,我们的结果表明,无骨关节炎和患有骨关节炎的膝关节之间胫骨的放射组学特征存在差异,可作为定量成像生物标志物用于未来研究。由于MRI能够评估关节中的多种组织,从骨骼中提取定量成像生物标志物将有助于全面了解与骨关节炎相关的组织变化。
补充信息
ESM 1(DOCX 1.06 kb)
引用
- Hirvasniemi J, Klein S, Bierma-Zeinstra S, et al. A machine learning approach to distinguish between knees without and with osteoarthritis using MRI-based radiomic features from tibial bone. Eur Radiol. 2021. PMID: 33884470. doi:10.1007/s00330-021-07951-5
- 全文:PMC8523397(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8523397/
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。