文献速递骨肌技术与安全MR

基于MRI的人工智能预测全髋关节置换失败后的感染

MRI-based artificial intelligence to predict infection following total hip arthroplasty failure.
PubMed 文献 · Radiol Med · 2023-02-14

本研究纳入173例因全髋关节置换失败行翻修术的患者,利用术前骨盆MRI特征训练支持向量机(SVM)分类器预测感染。在外部测试队列中,基于所有MRI特征的模型达到92%敏感度、79%特异度、89%AUC;仅基于假体周围骨髓水肿的模型敏感度68%、特异度89%、AUC 79%。

要点

  • 假体周围骨髓水肿、关节外水肿和滑膜炎是预测THA感染的最佳MRI特征。
  • 基于所有MRI特征的SVM模型在外部测试队列中AUC达89%,敏感度92%。
  • 仅用骨髓水肿的模型特异度较高(89%),但敏感度较低(68%)。

核心结论

  • 基于MRI特征的SVM分类器在预测THA感染方面展现出良好前景,可作为放射科医生的辅助工具。

研究设计与样本

  • 回顾性研究,纳入173例(98女,年龄67±12岁)因单侧THA失败首次翻修且术前1月内行骨盆MRI的患者,分为训练/验证/内部测试队列(n=117)和时间独立外部测试队列(n=56)。
  • 使用1.5T MRI设备(Avanto, Siemens)及金属伪影减少序列(MARS)协议,包括冠状T1WI、冠状STIR、轴位T1WI、轴位T2WI和矢状T2WI。
  • 参考标准为根据国际共识会议标准(术中培养同一微生物≥2份阳性,结合CRP、ESR、滑液分析及临床影像资料)确定的THA感染诊断。

关键影像表现/征象

  • THA感染患者中MRI特征(除骨破坏、关节周围软组织肿块和纤维膜外)出现频率显著更高(P<0.001)。
  • 滑膜炎、层状滑膜炎和关节外水肿特异度较高(分别为96.6%、97.4%、87.1%),骨髓水肿敏感度(80.7%)和阴性预测值(89%)最高。
  • 骨破坏、关节周围软组织肿块和假体周围纤维膜在感染中较少见,更多见于无菌性失败。

诊断标准与关键数值

  • 基于所有MRI特征,SVM分类器在训练/验证/内部测试队列中敏感度92%、特异度62%、PPV 79%、NPV 83%、准确率82%、AUC 81%。
  • 在外部测试队列中,基于所有MRI特征的SVM分类器敏感度92%、特异度79%、PPV 89%、NPV 83%、准确率88%、AUC 89%。
  • 仅基于假体周围骨髓水肿存在时,SVM在训练/验证/内部测试队列中敏感度81%、特异度76%、PPV 66%、NPV 88%、准确率80%、AUC 74%;在外部测试队列中敏感度68%、特异度89%、PPV 93%、NPV 60%、准确率75%、AUC 79%。

临床应用与阅片要点

  • 在THA失败患者的术前MRI报告中,应重点关注假体周围骨髓水肿、关节外水肿和滑膜炎,这些是感染的最佳预测征象。
  • AI模型可辅助放射科医生区分感染性与无菌性THA失败,尤其在经验不足或伪影干扰时。
  • 注意金属伪影可能影响骨髓水肿、骨破坏和纤维膜等特征的判读,需结合MARS序列优化图像质量。

局限性

  • 样本量相对有限,可能影响机器学习分类器的稳健性。
  • 尽管使用了金属伪影减少序列,仍不能排除磁敏感伪影对假体周围骨特征评估的影响。
  • 未纳入局部淋巴结病变评估,而近期报道其可能为感染性THA的影像生物标志物。
全文中译9 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:Radiol Med. 2023 Feb 14;128(3):340–6. doi: 10.1007/s11547-023-01608-7

引言

髋关节骨关节炎是髋部疼痛和全髋关节置换术(THA)的常见原因,而全髋关节置换术迄今为止是骨科手术中最常见的手术方式之一,随着人口老龄化,植入物数量随时间不断增加。THA失败可能由假体周围关节感染和非感染性原因引起,如无菌性松动、脱位、金属碎屑不良反应(ARMD)、骨折或植入物断裂[1]。现有的诊断工具包括临床检查、血液样本和关节液的实验室检查以及影像学检查[2–6]。这些检查存在一定局限性,尤其是在检测THA感染及致病微生物方面,但它们都是THA失败患者常规进行的全面术前评估的一部分。事实上,目前尚无高度敏感且特异的单一术前诊断检查[7]。近期已有多篇论文发表于磁共振成像(MRI)用于鉴别感染性与非感染性THA失败的研究[8–11]。这些研究探讨了不同常规影像学特征(如骨髓水肿、滑膜炎、积液和骨破坏)以及局部区域淋巴结病变的诊断效能,报告了非常好的结果。然而,对于缺乏肌肉骨骼影像学丰富经验的放射科医师和其他医师而言,髋关节THA患者的MRI表现解读可能具有挑战性,原因在于这些检查仅为偶尔进行,通常在转诊中心开展,同时也与假体本身相关的伪影有关。在这方面,与其他多种情形一样,人工智能(AI)和机器学习可能对放射科医师具有支持作用[12, 13]。AI在辅助肌肉骨骼放射科医师评估骨科植入物方面有多种潜在应用,包括假体特征描述、特定植入物型号识别以及假体位置和并发症评估。大多数已发表的文献涉及基于AI的放射学图像分析用于关节置换术后评估的自动化[14, 15]。例如,基于AI的算法在预测THA脱位风险(AUC 76.67)或检测THA松动(准确率88.3%)方面报告了良好的准确性[14]。遗憾的是,这些研究大多存在关键的方法学局限性。因此,当前证据不足以支持在日常临床实践中使用基于AI的诊断算法应用于医学图像以评估THA并发症。本研究旨在探讨AI是否能辅助放射科医师进行THA感染的MRI诊断。

方法

意大利米兰圣拉斐尔医院的机构审查委员会批准了这项回顾性研究,并豁免了知情同意的要求(方案RETRORAD)。在匹配影像、实验室和手术数据后,我们的数据库被完全匿名化处理,以根据研究型医院通用数据保护条例删除数据与患者身份之间的任何关联。

患者

本研究关注对2015年1月至2022年1月在意大利米兰IRCCS Istituto Ortopedico Galeazzi接受治疗的一系列连续患者所进行的MRI检查的评估。这些患者患有疼痛性全髋关节置换术(THA)并需要翻修手术,均接受了术前骨盆MRI检查。我们通过交叉核对放射科、髋关节科以及临床化学与微生物学实验室的数据库,收集了这些患者的全部影像学、手术和临床数据。纳入标准如下:(i)因单侧失败THA接受首次翻修手术的患者;(ii)具备术中微生物学检测结果;(iii)在翻修手术前1个月内以相同成像方案进行的术前非增强骨盆MRI。排除标准为:(i)因假体相关伪影导致MRI无法诊断;(ii)炎性关节炎、肿瘤、肠道炎性疾病或自身免疫性疾病。总体而言,本研究共纳入173例患者(98例女性,75例男性;平均年龄:67 ± 12岁,范围28–94岁)。他们被分为训练/验证/内部测试队列和外部测试队列,详见下文机器学习部分。

微生物学分析

翻修手术中采集的假体周围材料术中样本(膜组织、骨、液体、THA组件)被送至本实验室进行培养分析。琼脂平板和增菌肉汤分别孵育48小时和15天,并每日检查微生物生长情况。若肉汤混浊,则取一等份接种于血琼脂平板。从琼脂平板生长的菌落通过Vitek 2分析仪(BioMerieux, Marcy L'Etoile, 法国)进行生化检测鉴定。THA感染的最终诊断依据国际共识会议标准[16]获得,该标准包括两份或以上术中培养样本显示同一微生物生长,以及术前血液检测结果中C反应蛋白(CRP)、红细胞沉降率(ESR)水平和滑液分析结果,这些结果与临床数据、影像学发现、术前关节穿刺培养分析及术中样本一起用于达成最终诊断。

MRI方案与图像判读

所有MRI扫描均在我们机构的同一台1.5 T设备(Avanto,Siemens Medical Solutions,Erlangen,Germany)上完成。使用了检查床整合线圈与腹部线圈的组合。我们的金属伪影减少序列(MARS)方案包括冠状位T1加权、冠状位STIR、轴位T1加权、轴位T2加权和矢状位T2加权图像[17]:冠状位T1加权(重复时间/回波时间,500/9.1 ms;激励次数,2;层厚,3 mm;涡轮因子,6;翻转角,180;体素大小,1.3 × 0.9 × 3 mm;带宽,302),冠状位STIR(5180/81 ms;激励次数,2;层厚,3 mm;反转时间,160 ms;涡轮因子,28;翻转角,122;体素大小,1.4 × 1.1 × 3 mm;带宽,395),轴位T2加权(5000/68 ms;激励次数,2;层厚,3.2 mm;涡轮因子,27;翻转角,150;体素大小,1.4 × 1.0 × 3.2 mm;带宽,383),轴位T1加权(593/9.1 ms;激励次数,3;层厚,3.2 mm;涡轮因子,6;翻转角,180;体素大小,1.2 × 0.9 × 3.2 mm;带宽,302),矢状位T2加权(3550/85 ms;激励次数,2;层厚,3.5 mm;涡轮因子,26;翻转角,150;体素大小,1.0 × 1.0 × 3.3 mm;带宽,381)。视野根据患者体型进行调整,包括整个骨盆和所有假体。所有MRI扫描均由一名对临床和微生物学数据设盲、具有9年肌肉骨骼成像经验的放射科医师审阅,该医师对每项MRI特征给出是/否的回答。如先前一项关于THA患者骨盆MRI的研究[8]所述,THA失败的MRI特征为:假体周围骨破坏、假体周围软组织肿块、积液、滑膜炎、层状滑膜炎、囊外水肿、纤维性假体周围膜、骨水肿和囊外积液/窦道。

机器学习分析

机器学习分析使用TRACE4©平台(DeepTrace Technologies,Milan,Italy)进行[18]。我们的研究人群根据2019年9月之前和之后进行的MRI分别分为训练/验证/内部测试队列和外部测试队列。训练/验证/内部测试队列由117例患者组成(38例为THA感染,79例无THA感染)。外部测试队列由56例患者组成(19例为THA感染,37例无THA感染)。先前由肌肉骨骼放射科医师评估的所有成像参数均用于训练、验证和测试基于支持向量机(SVM,采用高斯核)的机器学习算法,以在训练/验证/内部测试队列上预测THA感染。采用了嵌套五折验证(10个集成,250个训练模型)方法。此后,在来自外部测试队列的时间独立数据上评估机器学习性能。

统计分析

采用卡方统计比较感染与非感染全髋关节置换术(THA)患者各MRI特征的差异。计算每个MRI特征的敏感度、特异度、阳性预测值(PPV)、阴性预测值(NPV)、准确率、曲线下面积(AUC)和比值比(OR)。我们还评估了OR最高的常规MRI特征联合应用的诊断效能。连续变量以均值±标准差表示。离散变量以中位数和四分位距汇总。对多重比较采用Bonferroni校正,统计学显著性设定为P < 0.003。使用SPSS软件(v. 26,IBM,Armonk,NY)进行统计分析。机器学习分类器的AUC、准确率、敏感度、特异度、PPV和NPV分别在训练-内部验证队列和测试队列中计算。

结果

与无感染患者相比,THA感染患者中常规MRI特征的出现频率显著更高(均P < 0.001),但骨破坏(P = 0.155)、关节周围软组织肿块(P = 0.005)和纤维膜(P = 0.081)除外。检测THA感染的敏感度范围为5.4%(关节周围软组织肿块)至80.7%(骨髓水肿),特异度范围为51.7%(骨破坏)至97.4%(层状滑膜炎),PPV范围为10.3%(关节周围软组织肿块)至87.9%(滑膜炎),NPV范围为62.5%(关节周围软组织肿块)至89%(骨髓水肿),准确率范围为46.8%(骨破坏)至81.5%(滑膜炎),OR范围为0.198(关节周围软组织肿块)至29(滑膜炎)。所有MRI特征的诊断效能数据报告于表1。图1展示了本研究人群中的一例代表性病例。

当在训练/验证/内部测试队列中考虑所有MRI特征时,SVM分类器预测THA感染的敏感度为92%、特异度为62%、PPV为79%、NPV为83%、准确率为82%、AUC为81%,其中骨髓水肿、囊外水肿和滑膜炎按重要性降序排列为最佳预测因子。在外部测试队列中测试后,该分类器预测THA感染的敏感度为92%、特异度为79%、PPV为89%、NPV为83%、准确率为88%、AUC为89%。

基于MRI上仅存在假体周围骨髓水肿,SVM分类器在训练/验证/内部测试队列中预测THA感染的敏感度为81%、特异度为76%、PPV为66%、NPV为88%、准确率为80%、AUC为74%,而在外部测试队列中其敏感度为68%、特异度为89%、PPV为93%、NPV为60%、准确率为75%、AUC为79%。

表1 所有MRI特征检测感染性THA的诊断效能 查看原表 ↗
图1 一名77岁女性THA感染患者的骨盆MRI。冠状位STIR(A)显示假体周围髋臼骨髓水肿(白箭头)和囊外水肿(空箭头)。冠状位T1加权图像(B)未见骨破坏。轴位T2加权图像(C和D)显示积液和滑膜炎 查看原图 ↗

讨论

本研究的主要发现是验证了一种诊断性机器学习分类器,以帮助医生在處理THA失败患者术前MRI时解读影像学表现。

很少有论文研究术前MRI在预测全髋关节置换术(THA)髋关节感染[8–10, 19]和膝关节感染[20, 21]患者中感染的诊断效能。我们的结果与既往研究一致,强调了一些MRI特征在预测THA感染中的准确性,如骨髓水肿、滑膜炎、滑膜分层和囊外水肿,准确率为75.1%–81.5%。更详细地说,最具特异性的发现是滑膜炎、层状滑膜炎和囊外水肿(特异性分别为96.6%、97.4%和87.1%),而骨髓水肿达到了最高的敏感度(80.7%)和阴性预测值(NPV)(89%)。另一方面,骨破坏、关节周围软组织和假体周围纤维膜是THA感染中偶尔观察到的影像学表现,在无菌性THA失败中更为常见。根据这些数据,基于人工智能的支持向量机(SVM)将骨髓水肿、囊外水肿和滑膜炎分类为THA感染的最佳预测因子。基于所有MRI特征,该分类器显示出82%的准确率,但敏感度(92%)和特异性(62%)之间不平衡显著。然而,在外部测试队列中观察到特异性(79%)、阳性预测值(PPV)(89%)、准确率(88%)和曲线下面积(AUC)(从81%至89%)的显著提高。基于人工智能的SVM选择骨髓水肿作为最佳预测因子,在训练/验证/内部测试队列中显示出80%的准确率,在外部测试队列中显示出75%的准确率。同样,在外部测试队列中观察到特异性(从76%至89%)和PPV(从66%至89%)的显著改善。这些结果表明,基于人工智能的机器学习分类器在鉴别感染性与无菌性THA失败等具有挑战性的情况下,可能是有用的支持性诊断工具。事实上,应用于关节置换术后影像学的人工智能工具可能通过减少放射科医生的认知负荷和疲劳来改善报告活动并降低错误率[15]。遗憾的是,无法与先前发表的数据进行比较,因为据我们所知,尚无其他研究在该背景下研究基于MRI特征构建的基于人工智能的机器学习分类器的诊断效能。此外,虽然人工智能模型已被证明可用于检测影像学上的植入物并发症,如脱位和松动[22],但人们对基于人工智能的支持性工具在THA感染诊断中可能具有的巨大临床影响关注不足。

必须指出我们研究的一些局限性。首先,我们系列中纳入的患者数量相对有限。众所周知,构建稳健的机器学习分类器需要大量数据[23–26];因此,更大规模的研究可能会证明基于人工智能的预测模型在失败全髋关节置换术(THA)中具有更高的诊断性能。应当指出,在适合翻修手术的失败THA患者中收集术前骨盆MRI并不容易。其次,我们不能排除我们的评估可能受到磁敏感伪影的影响,尽管使用了金属伪影减少序列,特别是关于假体周围骨骼的一些影像学特征(骨髓水肿、骨质破坏、纤维膜),这些特征可能被遗漏或错误观察。最新MRI扫描仪中纳入的新技术降低了图像误判的风险,并可能有助于提高放射科医师和基于人工智能的支持性分类器的诊断性能。最后,我们的分析未包括对局部区域淋巴结病变的评估,一些作者最近报道其可能是感染性THA的潜在影像生物标志物,甚至常规MRI特征报告了更高的诊断性能[8, 27]。

总之,使用SVM分类器的人工智能在基于术前评估的MRI特征预测THA感染方面显示出有前景的结果。该模型可能代表一种辅助工具,支持放射科医师识别THA感染,并可能为这一较少探索领域的进一步试验奠定基础。未来需要开展研究来构建结合影像、临床和实验室数据的基于人工智能的模型,以提高因失败关节置换术接受翻修手术患者术前评估的准确性。

引用

  1. Albano, Gitto, Messina, et al. MRI-based artificial intelligence to predict infection following total hip arthroplasty failure. Radiol Med. 2023. PMID: 36786971. doi:10.1007/s11547-023-01608-7
  2. 全文:PMC10020270(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10020270/

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。