基于CT的影像组学建模预测孤立性矢状缝早闭儿童的颅骨形态异常严重程度与手术结局:一项假设生成研究
本研究回顾性分析105例孤立性矢状缝早闭婴儿的术前高分辨率CT,提取矢状缝及前、中、后段的影像组学特征,构建逻辑回归模型预测颅骨形态异常严重程度(基于头颅指数)和术后Sloan结局。预测严重程度的模型在测试集AUC为0.71、阳性预测值0.83;预测术后结局的模型AUC(95%CI)为0.75(0.61;0.88)、阴性预测值(95%CI)为0.95(0.84;0.99)。作者认为影像组学可能有助于量化骨缝微结构并为预测颅骨畸形和分层术后结局提供生物学信息。
要点
- 基于整个矢状缝提取的峰度特征可区分头颅指数定义的两种颅骨形态严重程度,测试集AUC 0.71、阳性预测值0.83。
- 基于矢状缝后段提取的峰度特征与Sloan术后结局相关,AUC(95%CI)0.75(0.61;0.88),阴性预测值(95%CI)0.95(0.84;0.99)。
- 融合段的数量(p值=1)和位置(p值=0.96)与颅骨形态严重程度无统计学显著关联,头颅指数严重程度与二分类术后结局也无显著关联(p值=0.36)。
核心结论
- 作者认为影像组学可能有助于量化矢状缝中段空间的骨微结构,并可能提供与骨缝骨化过程相关的生物学信息,以预测颅骨畸形的发生并对术后结局进行分层。
研究设计与样本
- 回顾性研究,纳入2015年至2019年间连续入院的105例孤立性矢状缝早闭婴儿(女28例、男77例;平均年龄121±28天,范围90–180天),均接受矢状缝早闭手术矫正。
- 术前使用GE Light Speed Pro 64系统行高分辨率CT,采用自动管电流调制技术(「AutomA」)低剂量扫描,层厚1.25或0.6 mm,骨算法重建并做2D-CT和3D-CT重建。
- 由一名熟练的儿科放射科医生手动分割整个矢状缝(ROI_entire)及前(ROI_anterior)、中(ROI_central)、后(ROI_posterior)段,并由一名资深儿科放射科医生独立复核作为质量检查。
- 使用本机构影像组学部门开发的开源R库MODDICOM提取特征,符合影像生物标志物标准化倡议建议;每个ROI提取17个基于强度的统计特征和14个形态学特征,未纳入纹理特征。
- 预测颅骨形态严重程度的模型将数据集按约80/20随机分为训练集和测试集,训练集用于特征选择和模型训练并行三折交叉验证重复五次,测试集用于留出验证;预测术后结局的模型因阳性类融合段数量少,在每个位置使用全部可用数据集进行特征选择和模型训练,仅行内部验证(2000次Bootstrap重采样计算AUC的95%CI,1000次Bootstrap重采样计算平均系数)。
关键影像表现/征象
- 颅骨形态严重程度class 1(超长头型)患者中,峰度值位于四分位距内的灰度分布主要集中于350–500 HU以上,即密质骨范围;class 0(长头型)患者的灰度分布则跨越包括软组织和骨在内的宽HU范围。
- 术后Sloan结局class 0和class 1中,后段ROI峰度值位于四分位距内的灰度分布均跨越宽HU范围,主要包含骨范围。
- 融合段的数量(p值=1)和位置(p值=0.96)与头颅指数定义的两种颅骨形态严重程度无统计学显著差异,基于头颅指数的临床严重程度与二分类Sloan术后结局也无统计学显著关联(p值=0.36)。
诊断标准与关键数值
- 头颅指数(CeI)为最大颅宽与最大颅长之比乘以100,在F平面(Monro孔水平)测量;据既往发表数据分为超长头型(CeI<66%)和长头型(CeI 66–77%)两组。
- 矢状缝按解剖位置分为前、中、后三段,每段评为「融合」(f)或「开放」(p)。
- 术后美容效果按Sloan等提出的结局分类评价,I至IV级代表「极好」至「良好」的整体畸形矫正;分析时将Sloan I归为class 0(极好),Sloan II、III、IV归为class 1(良好/一般)。
- 预测颅骨形态严重程度的模型:单因素分析中峰度(F_stat.kurt)p值=0.011、灰度直方图第10百分位数p值=0.044;最终模型仅含F_stat.kurt,截距系数(95%CI)1.38(0.80;1.96)(p值<0.001),F_stat.kurt系数(95%CI)−1.94(−3.60;−0.27)(p值=0.022)。
- 预测颅骨形态严重程度的模型内部验证均值(标准差):AUC 0.68(0.07)、准确率0.71(0.04)、敏感度0.72(0.07)、特异度0.69(0.23)、阳性预测值0.88(0.09);测试集AUC 0.71,准确率0.65、敏感度0.67、特异度0.60、阳性预测值0.83。
临床应用与阅片要点
- 作者认为影像组学可能有助于量化矢状缝中段空间的骨微结构,并可能提供与骨缝骨化过程相关的生物学信息,以预测颅骨畸形的发生并对术后结局进行分层。
- 作者指出,放射科医生对骨缝融合程度和早闭位置的定性评估不足以全面描述舟状头畸形的严重程度。
- 作者假设从高分辨率CT矢状缝提取的影像组学特征可能反映骨缝早闭过程中的骨结构变化,并与舟状头严重程度和临床结局相关。
局限性
- 原文在术后结局预测部分写道,由于二分类术后结局class 1中融合段数量少,仅进行了内部验证。
- 作者指出,class 0患者中难以获得沿整个矢状缝的统一密度范围,无法评估该组骨化过程的实际状态,这可能与队列中骨改变不完全且程度可变病例数少有关。
- 原文在术后结局影像组学分析部分写道,从整个矢状缝提取的影像组学特征均未显示与二分类术后结局有统计学显著关联。
全文中译13 节 · 点击展开
引言
矢状缝闭合通常始于20岁左右,大多数个体在30至50岁之间完成闭合[1]。矢状缝过早闭合是最常见的孤立性缝性骨性融合(ISS)形式,发病率约为1/5 000,男女比例为4:1[2]。
ISS的诊断表型特征为神经颅前后径扩大(舟状头或长头)、矢状缝上方不同程度的骨性隆起、额部突出、枕部隆起、双顶径及双颞径狭窄[2, 3]。
ISS的诊断通常仅基于临床观察即可确立。然而,高分辨率CT(HR-CT)结合三维重建(3D-CT)的应用表明,矢状缝可呈现不同程度的骨性融合(部分或完全融合),且融合过程可随时间沿矢状缝向颅底进展[1, 4]。因此,HR-CT可能有助于早期识别矢状环主要及次要缝的过早骨性融合程度,并排除其他缝弓的融合受累[1]。
ISS患者可根据矢状缝融合的时间及初始部位,以及沿相邻主要及次要颅缝的代偿性过度生长方向,分为不同的亚型[5]。初始融合部位(前部、后部、中央)并不总是与矢状缝融合长度相关[6];容积研究证实了这一点,这些研究未发现颅骨容积与矢状缝融合长度之间存在明确的相关性[7]。
代偿性颅骨生长不仅发生在邻近融合矢状缝的骨缝(冠状缝和人字缝),也发生在颅底的次要骨缝(如蝶岩缝、蝶鳞缝和蝶额缝),这有助于影响颅骨畸形的整体严重程度[8, 9]。
头颅指数评估异常的長宽比,是一种稳健且经过验证的工具,可用于量化矢状缝舟状头的严重程度,从而规划个体化手术方案(即手术时机和最适宜技术)并获得最佳美容效果。
尽管头颅指数间接反映了沿融合缝的骨化过程以及沿未闭合缝的代偿性过度生长,但其数值取决于测量所用的平面[10],并可能受个体颅骨形态的影响。
因此,量化沿融合矢状缝的骨化程度在理论上可支持临床医生更准确地判断舟状头的严重程度。
影像组学是生物影像定量分析的一项创新性发展,基于从标准放射学图像中提取特征,可能为颅骨形态异常提供新的见解,补充传统的临床和放射学评估[11]。
尽管影像组学已广泛应用于肿瘤学领域,但其在儿科影像领域的应用仍然很少[12],且尚无针对缝性骨性融合、旨在评估颅骨形状严重程度的研究。
因此,可以推测从HR-CT图像的矢状缝提取的影像组学特征可能反映沿缝线骨结合的骨结构变化,定量描述骨化过程的时间及微结构骨变化,与标准实践相比,可能更好地与舟状头畸形的严重程度相关。
本研究的目的是探讨影像组学分析的潜力,并开发一种基于HR-CT影像组学的模型,能够预测受ISS影响的儿童颅骨畸形的严重程度。此外,还研究了用于术后结局的潜在影像组学预测因子,以便为医生提供完全个性化的先进临床决策支持系统。
主要终点是从矢状缝及其各段提取影像组学特征,以评估最严重的舟状头畸形和最差的术后结局。
材料与方法
患者
我们回顾性分析了2015年至2019年间连续入住我院的105例ISS婴儿的术前多平面高分辨率3D-CT图像(28例女性,77例男性;平均年龄121 ± 28天,范围90–180天)。所有患者均接受了磷钙生物学检测以排除代谢性疾病和骨骼畸形(无一例显示异常)。
所有婴儿均表现为舟状头畸形、矢状缝上方不同程度的骨性隆起、前额突出和枕部隆起。
所有婴儿均在出生后2–5个月内接受了矢状缝颅缝早闭的手术矫正。
本研究经当地机构审查委员会批准。
影像学
HR-CT扫描使用GE Light Speed Pro 64系统(GE Medical System,Milwaukee,WI,USA),配备自动管电流调制技术(“AutomA”)进行低剂量扫描。
扫描以1.25或0.6 mm轴位层厚采集,数据除进行2D-CT和3D-CT重建外,还使用骨算法处理。
所有患者在自然睡眠或镇静状态下进行扫描以避免运动。
HR-CT用于评估矢状缝的状态,并排除沿矢状弓和其他“缝弓”的其他缝线受累。矢状缝根据其解剖位置分为三个段(前–中–后),每段评分为“闭合”(f)或“通畅”(p)(表1)。
通过头指数评估颅骨形态及颅缝早闭重建术后的手术结局
HR-CT图像用于计算头指数。头指数(CeI)代表最大颅宽与最大颅长之比× 100,在F平面上进行测量(图1)。
我们根据先前发表的关于CeI的数据将患者分为两个亚组:超长头型(CeI < 66%)和长头型(CeI在66–77%范围内)颅骨形态[9, 10](表1)。
手术干预后的美容效果根据Sloan等人提出的结局分类进行评估。在该系统中,I至IV级代表畸形的总体矫正从“优秀”到“良好”[13]。
图像后处理与影像组学特征提取
高分辨率CT(HR-CT)图像由一名熟练的儿科放射科医师使用专用图像分割软件(Eclipse,Varian Medical Systems,CA,USA)进行手动分割。随后由一名资深儿科放射科医师独立审查分割结果,作为独立的质量检查。
根据为分析缝线模式所进行的分区(图1),对每例患者分割以下感兴趣区(ROI):整个矢状缝(ROI_entire);矢状缝前部(ROI_anterior)、中部(ROI_central)和后部(ROI_posterior)。
随后,dicom格式的图像及相应的分割结果使用MODDICOM进行处理,该软件是由本机构放射组学平台开发的开源R库[14],完全符合图像生物标志物标准化倡议的建议[15]。
从每个ROI中提取影像组学特征并用其最大值进行归一化。对于每个ROI,17个基于强度的统计特征描述灰度直方图的属性,14个形态学特征描述几何属性(图2)。描述图像灰度局部分布的纹理影像组学特征未纳入本研究,因为由于ROI尺寸较小,这些特征被认为不具有意义。
影像组学研究设计
颅骨形态异常严重程度预测
我们首先开发并验证了一个影像组学模型,基于从“ROI_entire”提取的特征来预测颅骨形态异常的严重程度,以支持决策。
我们根据头颅指数(CeI)将颅骨形态异常严重程度分为两类:类别0包括长头亚组,类别1包括超长头亚组。
随后,整个队列被随机分为训练数据集和测试数据集,训练/测试比例约为80/20(表2)。
训练数据集用于放射组学特征选择和模型训练,并进行内部验证。测试数据集用于通过“留出”数据集验证模型,以评估模型对先前未见数据的泛化能力。
术后结局预测
从骨缝病理性融合切片中提取的放射组学特征被视为潜在预测因子,用于区分不同的Sloan术后结局。分析针对每个切片位置分别进行。
为增强模型的临床转化价值,我们根据颅骨畸形的总体矫正效果(优与良/中等)将Sloan术后结局二分为两类:0类包括Sloan结局I,1类包括Sloan结局II、III和IV(表2;图2)。
我们假设骨缝融合切片(ROI_前/中/后)的特征能够区分术后结局优(0类)与良/中等(1类)。
统计分析
统计分析和建模在RStudio(R版本3.4.1)中进行。
融合切片的分布与舟状头畸形的严重程度
采用Fisher统计检验,首先评估矢状缝融合切片的数量和位置是否与两类颅骨形状严重程度相关,其次评估基于CeI的舟状头畸形严重程度是否与两类Sloan结局相关。
放射组学建模
对训练数据集进行单变量分析,通过Wilcoxon–Mann–Whitney统计检验评估从ROI_entire提取的每个放射组学特征与二分类颅骨形态异常严重程度之间的关联。
显著性水平设定为0.05,显著特征用于构建逻辑回归模型。
我们通过逐步变量选择,根据赤池信息准则(AIC)选择最佳拟合模型。AIC旨在在数据拟合优度与模型复杂度之间取得平衡,以防止过拟合[16]。模型系数的95%置信区间(CI)按Wald区间计算[17]。
我们进行了三次交叉验证并重复五次以进行内部验证。模型性能通过受试者工作特征(ROC)曲线的曲线下面积(AUC)进行评估。我们根据结局的患病率设定阈值,以计算每次重复的准确率、灵敏度和特异度。还计算了多数类1的预测值,即阳性预测值(PPV)。然后,我们计算了五次重复中各指标的平均值和标准差。
最后,我们将所开发的放射组学模型应用于测试数据集。该“留出”验证通过计算ROC曲线的AUC、准确率、灵敏度、特异度和PPV进行评估。
随后建立了一个单独的影像组学模型来预测术后结局。由于二分术后结局类别1中融合切片的数量较少,分析针对每个部位使用全部可用数据集进行特征选择和模型训练,仅进行了内部验证。
对于特征选择,我们使用Wilcoxon–Mann–Whitney统计检验进行单变量分析。
我们将显著性水平设定为0.05,旨在仅选择具有统计学显著性的特征并构建逻辑回归模型。通过计算ROC曲线的AUC并应用2000次自助重采样获得AUC的95%CI来评估模型性能。
对于内部模型验证,对回归系数进行自助法重采样1000次,使用自助百分位数法计算平均系数和95%CI。
基于结局患病率设定阈值,以计算具有平均系数的模型的敏感度、特异度和多数类0的预测值,即阴性预测值(NPV)。性能指标的95%CI使用推荐用于小样本量的Jeffrey方法获得[17](图2)。
结果
颅骨形状严重程度的两类之间在融合切片的数量(p值=1)或位置(p值=0.96)方面均未发现统计学显著差异(图3a–b)。
同样,基于CeI的临床严重程度与二分术后结局之间未发现统计学显著关联(p值=0.36)(图3c)。
从单变量分析中,我们发现峰度(F_stat.kurt)和灰度直方图第10百分位数在颅骨畸形严重程度的两类之间分别显示出统计学显著差异,p=0.011和p=0.044。
根据AIC最佳拟合的逻辑模型仅将F_stat.kurt作为预测因子。模型系数估计值(95%CI)如下:截距为1.38(0.80; 1.96)(p值<0.001),F_stat.kurt为−1.94(−3.60; −0.27)(p值=0.022)。从内部验证中获得以下均值(标准差)值:AUC 0.68(0.07)、准确度0.71(0.04)、敏感度0.72(0.07)、特异度0.69(0.23)、PPV 0.88(0.09)(表3)。与基于多数类1患病率(约0.75)的零模型相比,逻辑模型获得的PPV较高。
对于颅骨形状严重程度类别1,F_stat.kurt值在四分位距(IQR)内的灰度分布主要集中于350–500亨氏单位(HU)以上,即密质骨范围;而对于颅骨形状严重程度类别0,灰度分布跨越广泛的HU范围,包括软组织和骨骼(图4)。
将所提出的模型应用于测试数据集后,我们获得的性能接近内部验证的结果。具体而言,测试数据集中的AUC等于0.71,而准确度、敏感度、特异度和PPV分别为0.65、0.67、0.60和0.83(表3)。
从单变量分析中,唯一能够区分Sloan术后结局的统计学显著特征是从ROI_posterior提取的峰度(p值=0.009),标记为F_stat.kurt_post。
对于Sloan结局分类0和1,F_stat.kurt_post值位于IQR内的灰度级分布广泛覆盖HU范围,主要包括骨骼范围(图5a、b)。
预测因子F_stat.kurt_post确实显示出具有统计学显著性的估计模型系数,其AUC(95% CI)为0.75(0.61;0.88)(图5c)。
模型系数估计值(95% CI)如下:截距为−1.66(−2.39;−0.93)(p值<0.001),F_stat.kurt_post为−4.82(−9.18;−0.45)(p值=0.030)。通过自举法,我们获得以下平均(95% CI)模型系数:截距为−1.73(−2.58;−1.09),F_stat.kurt_post为−5.19(−9.69;−1.78)。相应的模型性能指标(95% CI)如下:敏感度为0.82(0.53;0.96),特异度为0.64(0.50;0.75),NPV为0.95(0.84;0.99)(表4)。与基于多数类0的患病率(约0.83)的零模型相比,NPV较高。
讨论
众所周知,成骨过程的失调是骨缝骨性融合的主要发病机制。这种失调可能会影响占据骨缝中段空间的未分化间充质细胞[18]。在正常发育过程中,邻近成骨前沿的间充质细胞能够分化为成骨细胞并融入生长中的骨组织,而骨缝中段的间充质细胞则保持未分化状态,但同样能够参与颅盖骨的生长[19]。这些未分化的骨缝中段间充质细胞的“过度活跃”会导致膜内间隙的早期骨化,并伴有受累骨缝的过早闭合。
遗憾的是,由放射科医师主导的定性评估——即评估骨缝融合程度及矢状缝上骨性融合的位置——不足以全面描述舟状头畸形的严重程度[6]。我们的数据以矢状缝融合节段的数量和位置表示,结果显示其与颅骨形态严重程度无显著关联,这与既往研究一致。因此,整体颅骨畸形的严重程度受代偿性颅盖重塑的影响,可能主要取决于沿矢状缝骨性融合的骨化过程。
因此我们推测,从高分辨率CT(HR-CT)图像中沿矢状缝提取的影像组学特征可能反映沿骨缝骨性融合的骨结构变化,且与骨化过程的时间进程相关,这些定量特征可能成功预测舟状头畸形的严重程度及临床结局,并与之相关。
在本研究中,我们利用从整个矢状缝或其部分融合节段的高分辨率CT图像中提取的特征构建了影像组学模型,旨在对头部畸形的严重程度进行分层,并对表现为孤立性矢状缝早闭的儿童的临床结局进行分层。
我们研究的第一步是将从矢状缝提取的影像组学特征与整体颅骨形态严重程度进行相关性分析。由于骨缝骨性融合的时间进程影响沿整个矢状缝的骨化过程,进而影响整体颅骨形态严重程度,因此沿整个矢状缝提取的影像组学特征可能能够更好地反映骨缝骨结构变化并预测整体颅骨畸形。我们观察到,从整个矢状缝提取的一个影像组学特征——即峰度——能够将我们的样本按颅骨形态严重程度分为两组,如颅骨指数(CeI)所述(长头型 vs. 超长头型)。
基于峰度的逻辑回归模型与零模型相比,确实能够以较高的阳性预测值预测颅骨形态严重程度。
对于颅骨形态严重程度的类别1(超长头型组),灰度分布主要集中在350–500 HU以上,即致密骨范围内;而对于颅骨形态严重程度的类别0(长头型组),灰度分布则跨越较宽的HU范围,包括软组织和骨组织范围。
我们的数据表明,属于1类的大多数患者骨化处于晚期阶段,且很可能骨缝闭合发生较早。这与既往研究报道一致,即骨缝闭合发生越早,对颅骨形态的影响越大;反之,骨缝闭合发生越晚,对颅骨形态的影响越小[7, 20]。
另一方面,对于属于0类的患者,难以沿整个矢状缝获得任何一致的密度范围,这使得无法评估该组中骨化过程的有效状态。这可能与我们患者队列中可用于分析的骨改变程度不完全且多变性的病例数量较少有关。
我们研究的第二步是将从矢状缝融合切片中提取的影像组学特征与Sloan术后结局进行相关性分析。作为对照,我们还将基于头型指数的整体颅骨形态严重程度与Sloan结局进行相关性分析,结果发现仅基于头型指数的临床严重程度无法区分术后结局为优与良/一般之间的差异。
关于定量影像组学分析,从整个骨缝提取的影像组学特征均未呈现与二分类术后结局的显著关联。因此,我们假设矢状缝闭合的单个融合切片可能独立影响Sloan结局。我们发现从ROI_posterior提取的峰度(F_stat.kurt_post)是唯一能够区分优(0类)与良/一般(1类)临床结局的预测因子,支持该骨缝后段在颅骨畸形发生中可能发挥重要作用。矢状缝闭合的后段被认为是影响整体颅骨形态的主要变量之一,但其他因素如垂直于矢状缝闭合后段的生长力作用也有助于决定后部颅骨的变化。它们的协同效应可能影响矢状缝后段的骨结构和组成,这可通过不同的峰度值被检测到,从而区分Sloan临床结局的两个类别。
两类Sloan结局的灰度分布均集中在密质骨范围,该数据证实了后部骨缝切片的完全骨化。
未来研究需要在更大规模且独立的数据集中验证基于后部融合切片所提出模型的预测价值。
总之,我们的结果表明,峰度是从高分辨率CT(HR-CT)图像中提取的唯一可能评估矢状缝组织微结构的影像组学特征,并提供关于整体颅骨形态严重程度和临床结局的相关生物学信息。
结论
我们从HR-CT图像开发了影像组学模型,用于预测孤立性矢状缝闭合儿童的颅骨形态畸形并区分临床结局。据作者所知,该经验代表了影像组学在颅骨畸形预测中的首次应用。
我们的分析表明,峰度可作为唯一的影像组学特征,用于量化沿骨缝中段间隙的组织微架构,并可能提供有关骨缝骨化过程的相关生物学信息,以预测颅骨畸形并区分术后美容效果,从而支持临床医生的决策。特别是,从整个矢状缝提取的峰度能够预测颅骨形状的严重程度,而从矢状缝骨性融合后段提取的峰度能够区分临床结局。
考虑到所获得的有希望的结果,计划开展更大样本量和外部数据集的进一步验证研究以确认我们的结果,为将影像组学分析引入继发于颅缝早闭的颅骨畸形儿童铺平道路。
引用
- Calandrelli R, Boldrini L, Tran HE, et al. CT-based radiomics modeling for skull dysmorphology severity and surgical outcome prediction in children with isolated sagittal synostosis: a hypothesis-generating study. Radiol Med. 2022. PMID: 35538388. doi:10.1007/s11547-022-01493-6
- 全文:PMC9130191(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9130191/
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。