基于腰椎CT的影像组学分析检测骨质疏松症
本研究基于腰椎CT构建并验证影像组学特征模型以筛查骨质疏松,386个椎体按7:3随机分为训练集270个和测试集116个。影像组学模型训练集AUC 0.96、测试集0.92,均高于HU模型(训练集0.88、测试集0.84),DeLong检验显示两模型AUC有显著差异(p<0.05),决策曲线分析显示影像组学模型净获益更高。
要点
- 基于常规术前腰椎CT的影像组学特征模型可用于筛查骨质疏松,训练集AUC 0.96、测试集AUC 0.92。
- 影像组学模型AUC高于HU模型(训练集0.96 vs 0.88,测试集0.92 vs 0.84,p<0.05)。
- 决策曲线分析显示影像组学模型总体净获益高于HU模型。
核心结论
- 基于CT的影像组学特征模型可在腰椎手术前区分有无骨质疏松的患者。
- 影像组学方法无需额外医疗费用和辐射暴露,可能提供有价值的信息以辅助手术决策。
研究设计与样本
- 回顾性研究,经本机构伦理委员会批准(批准号2021KJCX038),连续纳入2020年1月至2021年6月本科室数据库中14天内行腰椎CT和DEXA检查的99例患者,最终分析386个椎体(L1–L4)。
- 386个椎体按7:3分层随机抽样分为训练集270个和测试集116个,其中127个(32.9%)基于DEXA结果诊断为骨质疏松。
- CT采用64通道螺旋扫描仪,管电压120 kVp、管电流300 mA、层厚1.25 mm、间隔0.625 mm;以DEXA为参考标准。
- 使用3D Slicer pyradiomics模块从三维分割的整个椎体(含松质骨和皮质骨)自动提取1040个影像组学特征。
- 排除标准为相关椎体肿瘤、强直性脊柱炎、弥漫性特发性骨骼肥厚症;10个椎体因严重金属伪影影响图像评估被排除。
诊断标准与关键数值
- 影像组学特征模型在训练集AUC为0.960、测试集AUC为0.915;HU模型在训练集AUC为0.883、测试集AUC为0.836。
- DeLong检验显示两模型AUC在训练集和测试集均有显著差异(p<0.05)。
- 骨质疏松组Rad score为0.62±0.18,非骨质疏松组为0.18±0.22,两组差异有统计学意义(p<0.05)。
- HU模型通过ROC曲线和Youden指数确定最佳HU截断值,并基于HU进行逻辑回归分析。
- 共1040个特征中846个ICC>0.75被保留,经mRMR筛选30个特征后LASSO回归(最优λ=0.031,1-SE标准)最终保留12个特征构建影像组学特征。
临床应用与阅片要点
- 影像组学模型阳性结果可提醒医生追加DEXA以确认骨质疏松;模型显示低概率时可能无需进一步检查和治疗。
- 作者指出该方法不能替代DEXA,DEXA仍是ISCD推荐的标准检查。
- 作者认为该方法可提醒脊柱外科医生排查并可能治疗骨质疏松。
- 本研究中心因QCT非常规应用,无法在本回顾性研究中使用QCT图像。
局限性
- 本研究为单机构回顾性研究,需进一步开展更大样本的前瞻性研究。
- 本研究仅关注影像组学特征与DEXA结果的相关性,可能无法反映骨质疏松相关并发症(如腰椎融合术后假关节形成)的风险。
- 与HU方法相比,影像组学方法需要额外的软件操作。
全文中译12 节 · 点击展开
引言
骨质疏松是一种以骨密度降低和骨微结构质量恶化为特征的骨骼疾病。该病最常见的筛查方式是双能X线吸收测定法(DEXA)。然而,骨质疏松的筛查率仍然较低。由于医疗费用高和辐射暴露,临床实践中在脊柱手术前并非常规进行DEXA检查[1–3]。骨质疏松可能导致脊柱手术后出现严重并发症,如融合失败[1]。提高筛查率可能减少骨质疏松相关并发症。
CT是腰椎手术术前评估的常用诊断影像学方式。利用CT扫描测量椎体HU值在既往研究中显示出良好前景。低HU值可能与腰椎融合术后假关节形成等并发症相关[4]。Schreiber等[5]发现,常规CT扫描获得的HU值与DEXA结果显著相关,Zou等[6]发现HU值是腰椎固定术后椎弓根螺钉松动的良好预测指标。此外,HU测量使临床医生能够在术前筛查骨质疏松,而无需额外辐射暴露和医疗费用[7]。然而,所述方法中的HU测量未包括皮质骨;因此,在真实世界中,这种评估可能丢失评估骨质量所需的大量信息[5]。椎体感兴趣区(ROI)的平均HU值可能因不同观察者而异。松质骨具有异质性;因此,基于轴位层面的HU可能无法准确反映骨质量[2, 5, 8, 9]。
影像组学特征是从医学图像中以数学方法提取的大量(200+)定量特征,被认为可反映区域内异质性[10]。影像组学假设这些定量特征可能提供与特定疾病相关的未知信息[10–13]。在肿瘤学中,影像组学主要用于临床诊断和预后的无创评估[14]。近期,Wu等[15]应用基于CT的影像组学方法预测COVID-19患者的结局,Mookiah等[16]使用多排CT衍生的影像组学特征在实验室中评估骨小梁质量和骨质疏松。然而,尚无研究基于从常规CT扫描中提取的高通量影像组学特征评估骨质量。在本研究中,影像组学特征从整个椎体的3D分割中提取,包括松质骨和皮质骨,以确定基于常规术前腰椎CT扫描的影像组学模型在筛查骨质疏松中的效能。
材料和方法
研究参与者
我们机构的当地伦理委员会批准了这项回顾性研究(批准号2021KJCX038)。通过审查我科2020年1月至2021年6月的数据库,连续纳入患者。我们确定了99例在14天内接受腰椎CT和DEXA检查的患者。排除标准为(1)相关椎体肿瘤,(2)强直性脊柱炎,(3)弥漫性特发性骨肥厚。
使用双能X线吸收测定法(DEXA),研究中的99例患者中有34例被诊断为骨质疏松症。对每例患者,选择L1–L4椎体进行分析;因此,本研究最初共纳入396个椎体。然而,其中10个因严重影响图像评估的严重金属伪影而被排除。在考虑的386个椎体中,根据DEXA结果,127个(32.9%)存在骨质疏松。采用分层随机抽样方法,将这些椎体按7:3的比例随机分为两组。因此,训练队列包括270名参与者,而测试队列包括116名。图1展示了描述患者选择的流程图。临床特征从我院的患者记录中获得。
图像采集
所有CT图像和DEXA结果均从本科室的图像归档和通信系统(PACS)中收集。每例患者均使用螺旋64通道CT扫描仪行腰椎CT扫描。使用以下CT扫描参数:管电压120 kVp,管电流300 mA,层厚1.25 mm,间隔0.625 mm。对每例患者的脊柱和髋部行DEXA扫描,并根据诊断将腰椎分为两组:骨质疏松组和非骨质疏松组。
图像分割、影像组学特征提取和HU测量
使用3D Slicer(\https://www.slicer.org),一款免费开源软件,对椎体进行三维分割。使用分割阈值和种子生长模块在椎体区域对图像进行半自动分割。去除椎体后部以减轻椎弓根的影响。图2展示了分割示例。
在从分割椎体获得的特征中,通过应用3D Slicer pyradiomics模块自动提取了1040个特征。进行重采样和z分数归一化以保证特征提取的可重复性。提取的影像组学特征见补充材料S1。
使用先前描述的技术从PACS数据中测量HU值[5]。感兴趣区(ROI)置于每个椎体的椎体中部轴位CT图像上。ROI定义为单个最大尺寸的椭圆形,包括最大量的骨小梁,同时避开椎体皮质骨。每个椎体在一个层面上进行测量。获得的平均HU值用于进一步研究。
随机选择共36个椎体以评估HU测量和影像组学特征的可靠性。在第一作者(Y.W.J.)测量HU值一个月后,提取椎体的影像组学特征。共同作者(R.W.)重复测量和提取过程以评估观察者间可靠性。两名观察者在进行测量时对临床信息设盲。使用组内相关系数(ICC)确定观察者内和观察者间变异性。
影像组学标签和HU模型的建立
在进行影像组学特征构建之前,我们进行了降维处理,以消除影像组学模型中的过拟合或任何类型的偏倚。首先,观察者间和观察者内组内相关系数(ICC)均> 0.75的影像组学特征被认为是可靠的并被筛选出来。使用最小冗余最大相关(mRMR)算法确定每个特征的相关性和冗余性。选择mRMR排名最高的30个特征来构建模型。然后使用最小绝对收缩和选择算子(LASSO)回归模型(一种线性回归的选择方法)选择最优特征子集。该方法可以收缩回归系数并将一些系数缩减为零;剩余的系数被用于构建最终模型。使用十折交叉验证来调整正则化参数(λ)。使用以下公式计算每个椎体的影像组学评分(Rad评分)。其中Xi代表第i个所选特征,Ci是对应的特征系数,b是截距。
影像组学特征模型是使用从训练集中提取的影像组学特征构建的。该模型识别骨质疏松症的能力在训练集和测试集中均进行了评估。相比之下,基于HU值的ROC曲线被用于建立骨质疏松症与非骨质疏松症之间的区分标准。使用ROC曲线,通过约登指数确定最合适的HU截断值。还进行了基于HU的逻辑回归分析。
HU和影像组学特征模型性能的评估
HU和影像组学特征模型的性能根据训练集和测试集中的AUC进行评估。我们使用决策曲线分析(DCA)来确定所提出的两种模型的临床获益。
统计分析
所有统计分析均使用R统计软件(版本3.4.2,http://www.r-project.org)进行。使用卡方检验或Fisher精确检验比较两组之间的分类数据。使用R中的“mRMRe”包实现mRMR算法。使用“glmnet”包实现LASSO算法。使用“pROC”包绘制ROC曲线。然后使用DeLong检验比较两种模型的ROC曲线。最后,使用“rmda”包执行DCA。统计学显著性设定为p < 0.05。
结果
影像组学特征的建立
从腰椎CT图像中,最初提取了1040个定量特征,其中846个特征的ICC > 0.75。观察者间和观察者内一致性分析的结果见补充材料S2。观察者1对样本进行了分割和影像组学提取。应用mRMR算法后,保留30个特征用于LASSO回归方法。采用十折交叉验证选择LASSO回归中的调优参数(λ)(图3)。在1-SE标准下,最佳λ为0.031,其余12个特征(表2)用于建立影像组学标签。如表3所示,骨质疏松组的Rad评分(0.62 ± 0.18)与非骨质疏松组(0.18 ± 0.22)差异显著(p < 0.05)。总Rad评分见补充材料S3。
HU与影像组学标签模型性能的评估
HU与影像组学标签模型的ROC曲线见图4。DeLong检验显示,影像组学标签模型在预测骨质疏松方面比HU模型更有效。在训练集中,影像组学标签模型和HU模型的AUC值分别为0.960和0.883(p < 0.05),而在测试集中分别为0.915和0.836(p < 0.05)(表4)。基于DCA,影像组学模型优于HU模型(图5)。
讨论
本研究表明,基于术前腰椎CT的影像组学标签模型可用于诊断骨质疏松。在训练集和测试集中,影像组学标签模型均表现出优异的预测性能。此外,基于AUC和DCA曲线,影像组学标签模型检测骨质疏松的效率高于HU模型。影像组学模型阳性结果可提醒医生进行额外的DEXA以确认是否存在骨质疏松。相反,当影像组学模型显示骨质疏松概率较低时,可能无需进一步检查和治疗。该方法可能降低医疗费用和辐射暴露。
在影像组学特征模型的开发中,846个ICC>0.75的候选影像组学特征通过结合mRMR和LASSO方法被缩减至12个特征。在影像组学特征模型中结合多个影像特征可以成功地将患者分为低评分组或高评分组,两组骨质疏松概率存在显著差异。对于骨质疏松概率较高的患者,应考虑进行额外检查或治疗。一些选定的特征,如一级特征类别中的偏度,似乎与骨质疏松独立相关;然而,将单一特征与病理状态可靠关联具有挑战性[17]。因此,构建多特征模型是骨质疏松筛查更为可行的方法[18]。
骨质疏松是脊柱融合术后某些并发症最重要的相关因素之一,包括螺钉松动、骨不连和融合器下沉;外科医生应意识到患者中存在骨质疏松。一些择期脊柱手术可在骨质疏松药物干预后推迟。骨密度可通过定量CT(QCT)、超声和DEXA获取。然而,世界卫生组织仅基于DEXA测量来定义骨质疏松。根据国际临床骨密度测量学会(ISCD)的建议,DEXA测量应包括脊柱和髋部,并应基于脊柱和髋部之间最低的T值来诊断骨质疏松。QCT聚焦于松质骨,可用于评估骨质量。QCT的临床应用常因高昂的经济成本和所需的特定培训而受到阻碍[19]。由于QCT在我院并非常规应用,我们无法在本回顾性研究中使用QCT图像。
目前,HU测量仍然是机会性骨质疏松筛查最常用的方法;因此,将影像组学方法与HU方法进行比较是合理的。Da Zou等人[20]使用HU值对腰椎退行性疾病患者进行骨质疏松筛查,特异性为88.5%,敏感性为60.8%。Cohen等人[21]在一个多族裔中东人群中进行了利用常规CT进行机会性骨质疏松筛查的验证研究。获得的敏感性为76%,特异性为74%。本研究中HU模型的效能与既往研究相似。此外,DeLong检验和DCA分析均显示影像组学模型优于HU模型。
基于常规术前腰椎CT扫描的影像组学分析可为骨骼健康筛查提供一种替代方案。然而,该方法不能替代DEXA,后者仍是ISCD推荐的标准检查。尽管如此,我们的方法可以提醒脊柱外科医生去排查并可能治疗骨质疏松。目前,影像组学分析流程可能看似复杂;然而,自动分割的进步可能使特征提取和计算整合到一个软件程序中。影像组学方法最终将成为一个一键式操作。本研究证明,基于腰椎CT扫描的影像组学分析可能是术前筛查骨质疏松的有效方法。
本研究存在一些局限性。第一,这是一项在单一机构开展的回顾性研究。有必要开展样本量更大的前瞻性研究。第二,我们仅关注影像组学特征与DEXA结果之间的相关性,这可能无法反映骨质疏松相关并发症的风险,例如腰椎融合术后的假关节形成。最后,与HU方法相比,影像组学方法需要额外的软件操作。尽管如此,我们认为影像组学方法是值得的,因为它包含了更多的成像信息,例如皮质骨。从椎体提取的影像组学特征可能有助于分析其他骨质疏松相关疾病。
总之,我们开发并验证了一种基于CT的影像组学特征模型,用于在腰椎手术前检测骨质疏松。影像组学方法可能提供有价值的信息并促进手术决策,且无需额外的医疗费用和辐射暴露。
补充信息
ESM 1(CSV 4711 kb)
(XLSX 1341 kb)
(CSV 55 kb)
引用
- Jiang YW, Xu XJ, Wang R, et al. Radiomics analysis based on lumbar spine CT to detect osteoporosis. Eur Radiol. 2022. PMID: 35499565. doi:10.1007/s00330-022-08805-4
- 全文:PMC9059457(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9059457/
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。