文献速递神经头颈MR

基于水脂成像的视神经影像组学列线图检测甲状腺相关眼病视神经病变

Radiomics analysis of the optic nerve for detecting dysthyroid optic neuropathy, based on water-fat imaging.
PubMed 文献 · Insights Imaging · 2022-09-24

本研究纳入59例DON患者(104个眼眶)和69例无DON的TAO患者(131个眼眶),从视神经T2加权水脂图像提取影像组学特征构建列线图模型。列线图在验证集的AUC为0.88,优于传统MRI评估模型的0.75,决策曲线分析显示其临床净获益更高。

要点

  • 视神经影像组学列线图鉴别DON与无DON的TAO优于传统MRI评估。
  • 传统MRI评估中,眶尖拥挤征和视神经牵拉征是独立预测因子。
  • 视神经本身微结构改变可能比间接眶内征象更值得关注。

核心结论

  • 基于视神经水脂成像的影像组学列线图鉴别DON与无DON的TAO,诊断性能优于传统MRI评估模型。
  • 视神经本身的改变在临床决策中应获得更多考虑。

研究设计与样本

  • 单中心回顾性研究,纳入59例DON患者104个眼眶和69例无DON的TAO患者131个眼眶,按8:2随机分为训练集和验证集。
  • 采用3.0T MR(Discovery 750; GE Healthcare)32通道头线圈行冠状位和轴位IDEAL-T2WI序列,提供水图像。
  • DON诊断基于以下临床发现中至少两项:单侧受累时相对传入瞳孔缺陷、色觉缺陷、视力下降、视乳头水肿、视野缺损、视觉诱发电位异常。
  • 从视神经T2加权水脂图像提取851个影像组学特征,经mRMR和LASSO logistic回归筛选特征并构建Rad-score。
  • 传统MRI评估模型基于眶尖拥挤征、视神经牵拉征和肌肉指数构建。

关键影像表现/征象

  • 肌肉指数在DON组显著高于无DON的TAO组(训练集p=0.019,验证集p<0.001)。
  • 眶尖拥挤征在DON组出现频率显著更高(训练集p<0.001,验证集p=0.002)。
  • 视神经牵拉征在DON组出现频率显著更高(训练集p<0.001,验证集p=0.003)。
  • 多因素logistic回归显示眶尖拥挤征(p<0.05)和视神经牵拉征(p<0.05)为传统MRI模型的独立因素。
  • LASSO筛选出8个非零系数影像组学特征,其中最小轴长、大区域高灰度强调(LAHGLE)和短游程低灰度强调(SRLGLE)为主要预测特征。

诊断标准与关键数值

  • Rad-score计算公式:0.046222 + (A*0.295835) − (B*0.168698) + (C*0.078249) − (D*0.215994) + (E*0.256508) − (F*0.061405) − (G*0.238402) + (H*0.006713),特征A至H详见原文表3。
  • 验证集中传统MRI评估模型AUC为0.75(95%CI 0.61–0.88)。
  • 验证集中影像组学签名模型AUC为0.85(95%CI 0.76–0.94)。
  • 验证集中影像组学列线图模型AUC为0.88(95%CI 0.79–0.97),敏感度0.90(95%CI 0.76–1.0),特异度0.71(95%CI 0.59–0.82),准确率0.76(95%CI 0.65–0.86)。
  • 列线图模型AUC高于传统MRI评估模型(0.88 vs 0.75,p=0.04,Delong检验)。

临床应用与阅片要点

  • 在冠状位水-IDEAL-T2WI图像上手动勾画视神经VOI,可提取影像组学特征计算Rad-score辅助鉴别DON。
  • 传统MRI评估中应关注眶尖拥挤征和视神经牵拉征(眼球突出超过颧间线至少21 mm)。
  • 肌肉指数单独诊断性能有限(AUC=0.62,敏感度0.70,特异度0.59,准确率0.644),不宜单独依赖。
  • 列线图模型在验证集校准良好(Hosmer-Lemeshow检验),决策曲线分析显示多数阈值概率下净获益优于全或无策略。

局限性

  • 单中心回顾性研究,可能存在选择偏倚。
  • 样本量相对较小,可能影响预测模型的稳健性。
  • 仅聚焦水脂成像,未结合功能MRI分析。
  • 需要前瞻性多中心大样本研究验证。
全文中译15 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:Insights Imaging. 2022 Sep 24;13:154. doi: 10.1186/s13244-022-01292-7

要点:水脂成像上视神经的影像组学分析能够预测DON患者。

视神经的影像组学列线图表现优于常规MRI评估。

视神经的特征在今后预测DON方面可能值得更多考虑。

引言

甲状腺功能障碍性视神经病变(DON)是甲状腺相关眼病(TAO)因视功能损害而最令人担忧的并发症。DON影响约5%-8%的TAO患者[1, 2]。若无及时诊断和干预,DON可导致不可逆的严重视力丧失[3]。DON依据其临床体征和症状进行识别[3]。在许多病例中,DON起病隐匿,早期诊断具有挑战性[1]。此外,TAO患者在尚未达到DON严重程度高峰之前就诊并不常见[4]。欧洲Graves眼病专家组(EUGOGO)建议将影像学证据与临床特征相结合以确定DON的诊断[5]。早期诊断和治疗对于避免永久性视力丧失至关重要。因此,准确且及时地识别DON对于改善预后至关重要。

炎症、视神经缺血以及眶尖处的机械性压迫是DON最广泛被接受的机制[3, 6]。既往影像学研究主要关注眶尖拥挤征(视神经在眶尖处被眼外肌拥挤),该征象已被证明有助于预测DON。这些研究忽视了视神经本身的损害[4, 7–10]。然而,多项研究已揭示视神经的直径和含水量与疾病活动度呈正相关[11],这进一步提示视神经在检测DON患者中的潜在价值。

水脂成像能够提供均匀可靠的脂肪抑制,且广泛可用于临床应用[12–14]。Alexis等指出,水脂序列在评估TAO方面较常规方案具有更高的敏感性、特异性以及更低的伪影[15]。基于回波不对称和最小二乘估计的水脂迭代分解(IDEAL)序列能够通过使用非对称采集的回波和迭代最小二乘分解算法将水和脂肪分解为两幅独立图像,从而最大化噪声性能[16]。它适用于减少眶周及眶内成分引起的局部静磁场不均匀性。

影像组学能够提取和分析无数人眼视觉检查无法检测的定量图像细节,已被广泛应用于临床决策支持系统以提高诊断准确性[17, 18]。结合视神经MRI征象与影像组学分析来预测DON可能产生良好的诊断效果。据我们所知,尚无研究探讨基于影像组学的模型在区分DON与无DON的TAO中的应用。

本研究的主要目的是在水脂成像上构建基于视神经的影像组学模型,并比较其与常规影像学评估在区分DON与无DON的TAO方面的诊断性能。

材料与方法

研究参与者

本单中心回顾性研究经我院机构审查委员会批准(IRB ChiECRCT-20170087)。2017年8月至2020年12月期间,共纳入华中科技大学同济医院59例DON患者的104个眼眶。同时纳入在同济医院接受治疗的69例不伴DON的TAO患者的131个眼眶。他们与DON患者按年龄匹配。参与者的纳入标准如下:(1)年龄>18岁;(2)屈光介质清晰,可获得足够的图像质量;(3)研究前至少3个月未接受全身糖皮质激素治疗。参与者的排除标准如下:(1)MR图像质量差;(2)患有其他可解释视力丧失的神经系统或眼科疾病;(3)有严重角膜暴露体征的患者;(4)曾接受类固醇治疗、放疗或手术减压的患者;(5)年龄与DON患者不匹配的不伴DON的TAO患者。

甲状腺相关眼病(TAO)根据Bartley等人1995年建立的标准进行诊断。甲状腺功能障碍性视神经病变(DON)的诊断基于存在以下两项或两项以上临床表现:单侧受累时的相对传入性瞳孔缺陷、色觉缺陷、视力下降、视乳头水肿、视野缺损以及图形视觉诱发电位测试异常。

参与者按8:2的比例随机分为开发集和验证集。44例DON患者的83个眼眶和40例不伴DON的TAO患者的80个眼眶被分配至开发集,其余参与者的眼眶被分配至验证集。表1显示了参与者详细的人口学信息。

表1 训练队列和验证队列患者的人口学和临床特征 查看原表 ↗

MRI数据采集

所有参与者在DON或TAO临床诊断后一周内接受MRI检查。所有MRI扫描均使用32通道头线圈在3.0 T MR机器(Discovery 750;GE Healthcare)上进行。MRI扫描期间患者取头先仰卧位,双眼闭合[11]。获取冠状位IDEAL-T2WI和轴位IDEAL-T2WI序列,提供水图像。冠状位和轴位IDEAL-T2WI序列的详细参数见表2。

常规MRI评估由两名放射科医师(两名受过培训的神经放射科医师,在诊断DON方面具有5年以上经验)独立进行。他们对诊断(伴DON的TAO或不伴DON的TAO)不知情。常规MRI评估包括:眶尖拥挤:增大的眼外肌在眶尖处挤压视神经。按照Nugent等人[19]的描述在冠状位水-IDEAL-T2WI图像上进行评估。(附加文件1:图S1)。

视神经牵拉:眼球突出超过颧间线至少21 mm。按照Rutkowska-Hinc等人[9]的描述在轴位水-IDEAL-T2WI图像上进行评估。

肌肉指数(MI):评估眼外肌子午线与眼眶子午线的比值。使用Lynn Barret等人[20]描述的方法。(附加文件1:图S2)

表2 轴位和冠状位IDEAL-T2WI参数 查看原表 ↗

VOI勾画和影像组学特征提取

视神经组织的感兴趣体积(VOI)在冠状位水-IDEAL-T2WI图像上使用ITK-SNAP软件(v. 3.6.0;www.itksnap.org)手动分割。由两名具有5年以上DON诊断经验的放射科医师独立在每张包含视神经组织的图像层面上绘制VOI。放射科医师对诊断结果(TAO伴或不伴DON)不知情。影像组学特征提取的详细信息见补充材料(附加文件1:附录E1)(图1)。

图1 参与者视神经组织的手动分割 查看原图 ↗

影像组学标签的构建

采用Spearman相关系数计算特征的相关性和冗余性。应用最大相关最小冗余(mRMR)算法评估特征。在开发集中应用十折交叉验证的最小绝对收缩和选择算子(LASSO)逻辑回归来识别最佳预测DON特征。影像组学评分(Rad-score)使用所选特征构建,并由LASSO逻辑回归模型加权。

影像组学列线图的开发及不同模型的性能

常规MRI预测模型使用逻辑回归建立。然后,多因素逻辑回归分析纳入独立的常规MRI因素。选择Rad-score构建影像组学列线图模型。应用校准曲线和Hosmer–Lemeshow检验研究影像组学列线图的性能特征。构建受试者工作特征(ROC)曲线以比较各模型鉴别DON与不伴DON的TAO的性能。计算各模型的特异度、敏感度、准确度和曲线下面积(AUC)。使用Delong检验比较AUC。应用决策曲线分析(DCA)通过量化验证集中不同阈值概率的净获益来确定影像组学列线图和常规MRI评估模型的临床实用性。

统计分析

统计分析使用R 3.6.1版本和MedCalc 12.7.0版本进行。评定者间和评定者内信度使用组内相关系数(ICC)评估。p < 0.05视为统计学显著性水平。所使用的R3.6.1软件包见补充材料(附加文件1:附录E2)。

结果

人口学和临床数据

开发队列和验证队列中参与者的人口学和临床数据见表1。两个队列之间无显著差异。对于在IDEAL-T2WI序列上测量的MI,评分者内一致性极好(ICC,0.97(0.96–0.98)),评分者间一致性极好(ICC,0.93(0.91–0.94));对于根尖拥挤征,评分者内一致性极好(ICC,0.94(0.92–0.95)),评分者间一致性极好(ICC,0.90(0.88–0.93));对于视神经牵拉征,评分者内一致性极好(ICC,0.93(0.91–0.94)),评分者间一致性极好(ICC,0.91(0.89–0.93))。DON组的MI显著高于无DON的TAO组(开发队列p = 0.019,验证队列p < 0.001)。根尖拥挤征在DON患者中出现的频率在统计学上高于无DON的TAO患者(开发队列p < 0.001,验证队列p = 0.002)。视神经牵拉征在DON患者中出现的频率在统计学上高于无DON的TAO患者(开发队列p < 0.001,验证队列p = 0.003)(表1)。

传统MRI评估模型的开发

各组之间在MI、根尖拥挤征和视神经牵拉征方面存在显著差异。多因素logistic回归分析显示,根尖拥挤征(p < 0.05)和视神经牵拉征(p < 0.05)在传统MRI模型中仍为独立因素。

影像组学特征模型的开发

从IDEAL-T2WI中共提取851个影像组学特征。经mRMR算法和LASSO算法后,选取8个系数非零的特征用于影像组学特征模型(图2)。Rad-score计算公式如下:Rad-score = 0.046222 + (A*0.295835) − (B*0.168698) + (C*0.078249) − (D*0.215994) + (E*0.256508) − (F*0.061405) − (G*0.238402) + (H* 0.006713)。影像组学特征A至H的详细信息见表3。Rad-score在观察者间和观察者内的性能见附加文件1:表S1和S2、图S3和S4。

图2 使用最小绝对收缩和选择算子(LASSO)逻辑回归进行影像组学特征选择。a. 特征选择过程中LASSO逻辑回归的十折交叉验证。b. 选取了8个系数非零的影像组学特征。c. 所选影像组学特征对模型的贡献 查看原图 ↗
表3 影像组学特征详细信息 查看原表 ↗

影像组学列线图模型的开发及不同模型的性能

将传统MRI评估与Rad-score整合,构建影像组学列线图模型。使用多因素logistic回归模型,影像组学特征、根尖拥挤征和视神经牵拉征为DON检测的独立预测因素(图3a)。校准曲线和Hosmer-Lemeshow检验显示训练队列和验证队列中校准良好(图3b、c)。影像组学列线图计算的详细信息见补充材料(附加文件1:附录E3)。

表4显示了三种模型在验证队列中的诊断性能。不同模型的ROC曲线见图4。三种模型在验证集中的AUC分别为0.75(0.61–0.88)(常规模型)、0.85(0.76–0.94)(影像组学特征模型)、0.88(0.79–0.97)(影像组学列线图模型)。影像组学列线图的灵敏度、特异度和准确度分别为0.90(0.76–1.0)、0.71(0.59–0.82)和0.76(0.65–0.86)。影像组学列线图模型的AUC高于常规MRI评估模型(0.88 vs. 0.75,p = 0.04,Delong检验)。

影像组学列线图和常规MRI评估模型的DCA见图5。DCA表明,在大多数阈值概率范围内,使用所提出的影像组学列线图预测DON比假设所有患者均患有DON的策略或假设没有患者患有DON的策略增加更多净获益。这一发现表明该列线图模型在临床决策过程中具有优异的性能。

图3 a. 用于预测DON的影像组学列线图。该列线图基于影像组学特征(Rad-score)、眶尖拥挤征和视神经牵拉征。b和c 影像组学列线图在开发队列和验证队列中的校准曲线。DON,甲状腺相关眼病视神经病变 查看原图 ↗
表4 常规MRI评估、影像组学特征和影像组学列线图的性能 查看原表 ↗
图4 影像组学列线图、影像组学特征(Rad-score)、常规MRI评估模型、眶尖拥挤征、视神经牵拉征和肌肉指数(MI)在开发队列(a)和验证队列(b)中的ROC曲线。影像组学列线图在开发队列和验证队列中的AUC分别为0.921和0.876。Apex,眶尖拥挤征;MI,肌肉指数;Stretching,视神经牵拉征;Convention,常规MRI评估模型;Nomogram,影像组学列线图 查看原图 ↗
图5 影像组学列线图模型(蓝线)和常规MRI评估模型(红线)的决策曲线分析(DCA)。灰线代表假设所有患者均诊断为DON。黑线代表假设没有患者诊断为DON。决策曲线分析(DCA)显示影像组学列线图比常规MRI评估更具优势。Convention,常规MRI评估模型;nomogram,影像组学列线图 查看原图 ↗

讨论

在本研究中,我们在水脂成像上开发并验证了一种基于视神经的影像组学列线图,以提供一种无创工具来鉴别DON与不伴DON的TAO。我们比较了影像组学列线图模型、影像组学特征模型和常规MRI评估模型。我们将主要发现总结如下:(1)影像组学列线图在训练队列和测试队列中均表现出良好的诊断性能;(2)影像组学列线图显示出优于单独使用常规MRI评估模型的预测性能;(3)与使用间接眶部征象相比,视神经本身的微结构改变在检测DON方面可能值得更多考虑。

我们选择MI、眶尖拥挤征和视神经牵拉征作为常规MRI评估方法,因为绝大多数影像学研究已证明它们在区分DON与非DON的TAO中的重要性。根据我们的结果,常规MRI评估模型在区分DON与非DON的TAO方面未达到较高的AUC(验证集中为0.75)。此外,眶尖拥挤征和视神经牵拉征的评估可能受到阅片者经验的影响。Barrett等证明MI < 50%几乎可以排除DON。然而,未发现MI对常规MRI评估模型有显著贡献。MI代表了一种定量近似眶尖拥挤的方法。在本研究中,MI的诊断性能并不优异(AUC = 0.62,敏感度 = 0.70,特异度 = 0.59,准确率 = 0.644)。

据我们所知,本研究首次将基于水脂成像的影像组学分析应用于检测DON。鉴于视神经的潜在价值,我们在冠状位water-IDEAL-T2WI图像上勾画视神经组织。LASSO逻辑回归分析显示,最小轴长、大面积高灰度强调(LAHGLE)和短游程低灰度强调(SRLGLE)是三个主要的预测性影像组学特征(定义改编自http://pyradiomics.readthedocs.io/en/latest/features.html)。最小轴长特征给出的是包含ROI的椭球体的最小轴长,这与DON中眶尖拥挤的病理机制一致。LAHGLE特征用于测量大尺寸区域与较高灰度值联合分布在图像中的比例。SRLGLE特征用于测量较短游程长度与较低灰度值联合分布。我们的结果揭示了DON与非DON的TAO之间视神经图像中灰度水平的异质性。这一发现表明,DON中视神经的微结构变化可为检测DON提供额外信息。

在本研究中,影像组学列线图模型显示出优于常规MRI评估模型的预测性能,且Rad-score被重新确认为影像组学列线图中最重要的预测因素。DCA表明,与常规MRI评估模型相比,影像组学列线图更有益。因此,影像组学列线图可能有助于放射科医生及时检测DON并做出临床决策。

DON是TAO的一种严重并发症,由视神经功能障碍引起,既往综述表明视神经影像学中未发现特异性特征[21]。然而,EUGOGO指出,无明显眶尖拥挤或肌肉增大的TAO患者也可发生DON。我们的结果表明,视神经影像学在DON患者与非DON的TAO患者的鉴别诊断中具有良好价值,这提示未来在检测DON时,视神经本身可能比间接眶部征象更值得考虑。

我们的研究存在若干局限性。第一,本研究为回顾性单中心研究。第二,样本量相对较小。可能存在潜在的选择偏倚,并可能影响了预测模型的稳健性。需要开展大样本量的前瞻性多中心研究,以推动列线图从基础走向临床。此外,我们的研究仅关注水脂成像。结合功能磁共振成像分析可能有助于更全面地理解评估视神经本身对预测DON的潜在价值。

结论

我们证明了开发基于视神经的影像组学列线图用于检测TAO患者DON的可行性。视神经影像组学列线图可作为临床决策过程中的一种无创临床工具。我们相信,在未来区分DON与不伴DON的TAO的任务中,视神经本身的变化值得更多关注。

补充信息

附加文件1。影像组学特征提取的补充信息及影像组学列线图计算公式。

引用

  1. Wu, Luo, Zhao, et al. Radiomics analysis of the optic nerve for detecting dysthyroid optic neuropathy, based on water-fat imaging. Insights Imaging. 2022. PMID: 36153469. doi:10.1186/s13244-022-01292-7
  2. 全文:PMC9509517(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9509517/

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。