影像组学研究椎体骨折进展

叶森琦，侯志鹏，张吉辉，顾勇杰，于 亮，赵刘军*

(1.宁波大学医学院，浙江 宁波 315211；2.宁波大学医学院附属宁波市第六医院脊椎外科，浙江 宁波 315040)

椎体骨折好发于中老年人，可由多种因素，如骨质疏松症、肿瘤、急性创伤等导致[1]，随着人口老龄化加剧，其发生率逐年升高；但部分椎体骨折的影像学表现不明显，存在漏诊可能，影响患者预后[2-3]。近年来，影像组学逐渐发展，以此开发的辅助诊断疾病、指导治疗、预测预后的模型[4-5]已广泛用于肿瘤领域[6-7]。本文对影像组学研究椎体骨折相关进展进行综述。

1 影像组学分析椎体骨折流程

影像组学分析椎体骨折的基本流程主要包括：①采集图像；②分割图像和勾画ROI；③提取及筛选图像特征；④建立及验证模型。

1.1 采集图像 作为影像组学分析的第一步，需要采集优质图像资料，包括X线片、CT、MRI及超声等。采集影像过程中应最大程度避免异质性，以提高数据的准确性及可重复性；具体方法如采用统一标准设备采集图像，维持其像素及灰度一致，并保持患者的同质性等[8]。目前影像组学主要针对骨折部位的X线片、CT及MRI研究椎体骨折；如受实际条件限制使图像异质性过大，则需对图像进行预处理，尽可能使之保持一致[9-10]。

1.2 分割图像及勾画ROI 分割图像及勾画ROI的准确性是能否成功构建模型的关键。分割图像的方式主要包括手动分割和自动分割。手动分割多由1名或多名有经验的放射科医师或脊柱外科医师利用影像分割软件(如3D slicer、ITK-SNAP、MIMICS等)进行，之后勾画ROI的准确度高，但受医师主观因素影响较大[10-11]。自动分割分为半自动分割和全自动分割，包括各种基于深度学习(deep learning，DL)的自动分割方法，如深度卷积神经网络(deep convolutional neural network, DCNN)及人工神经网络(artificial neural network, ANN)等[9,12-13]；目前针对椎体骨折的自动分割方法的精度及可重复性有限，且缺乏统一标准。

1.3 提取及筛选图像特征 确定ROI后，须施行影像组学的核心步骤，即从ROI中提取高通量图像特征，通常包括语义特征(semantic features)、基于形状的特征(shape-based features)、一阶特征(first-order features)、二阶特征(second-order features)及高阶特征(higher-order features)等[5,14]。语义特征指通常用于描述图像的影像学特征，如病灶的形状、大小及位置等。基于形状的特征如紧凑性、球形度等[15]。一阶特征又称直方图特征，基于单像素或单体素分析获得，包括灰度均值、偏度、峰度及熵等[16]。二阶特征又称纹理特征，可从不同的矩阵中提取，如灰度游程矩阵(gray level run length matrix, GLRLM)及灰度共生矩阵(gray level concurrence matrix, GLCM)等[14]。高阶特征即基于变换的特征，包括小波变换和拉普拉斯变换等。基于影像学资料可提取成千上万个特征，但并非所有特征均可用于最终建模；为避免过度拟合风险[17]，需要筛选最具相关性的最佳特征并去除冗余特征，以构建高质量模型。

1.4 建立及验证模型 筛选得到最佳特征后，即可通过人工智能、机器学习(machine learning, ML)及统计学分析进行数据挖掘、分析并建立模型，后者包括logistic回归模型、生存分析、Cox回归、支持向量机(support vector machine, SVM)及随机森林(random forest, RF)等[5]，需结合实际加以选择。模型建立后，还需对其进行验证、测试，以评估模型性能，并比较不同模型的性能差异。目前常通过交叉检验法、受试者工作特征(receiver operating characteristic, ROC)曲线及曲线下面积(area under the curve, AUC)评估模型性能[18]。

2 影像组学研究椎体骨折

2.1 诊断椎体骨折 对于一般椎体骨折而言，影像组学诊断与人工读片无明显差异甚至优于人工[9]；但对于隐匿性、微小椎体骨折等人工不易发现的类型[2]，影像组学具有独特优势。彭云等[19]采用纹理分析和ML，基于椎体矢状位CT图像构建的影像组学模型诊断训练集、验证集隐匿性椎体骨折的AUC分别为1和0.84，基于椎体轴位CT图像构建的模型在训练集及验证集的AUC分别为1和0.85。MUEHLEMATTER等[10]通过骨纹理分析结合ML算法建立影像组学模型，其诊断椎体不完全性骨折的AUC最高达0.97。目前，已有研究者[20]尝试将自动识别椎体骨折模型应用于临床，以降低漏诊率，并取得了较好效果。

2.2 鉴别椎体骨折类型 明确椎体骨折病因系良性病变(外伤、骨质疏松等)或恶性病变(骨肿瘤、转移癌等)选择治疗方案的关键。LI等[12]以DL方法分析433例(恶性296例、良性137例)患者的CT图像，以区分良、恶性病变所致椎体骨折，发现软组织肿块和骨质破坏等视觉特征高度提示恶性病变，而横向骨折线则高度提示良性病变。CHEE等[11]以多变量logistic回归分析将临床特征与影像组学特征相结合而构建影像组学-临床联合模型，其在训练集和验证集的AUC均高于单一影像组学模型及临床模型。YODA等[21]观察47例恶性病变、50例良性病变致椎体骨折患者，使用卷积神经网络(convolutional neural network, CNN)学习其短T1反转恢复(short-T1 inversion recovery，STIR)序列图像和T1WI信息特征，并采用ROC曲线评估模型性能，结果显示基于STIR和T1WI的CNN模型的AUC分别为0.967和0.984，与3名脊柱外科医师诊断结果差异无统计学意义。另有研究[22]比较 logistic回归模型、分类树模型、SVM模型与神经网络模型用于判断MRI中的良、恶性病变所致椎体骨折的AUC，结果表明4种模型性能相近，其AUC差异均无统计学意义。

影像组学为鉴别诊断新鲜与陈旧椎体骨折、急性与慢性椎体骨折提供了可能。CHEN等[23]开发的基于X线片的DL模型鉴别新鲜与陈旧椎体骨折的AUC为0.80，用于3级椎体压缩性骨折的AUC达0.89。YABU等[24]基于MRI通过CNN构建模型，其诊断新鲜椎体骨折的效能与脊柱外科医师人工读片相近。YANG等[18]报道，基于CT影像组学特征、联合临床特征构建的模型鉴别急、慢性椎体压缩性骨折的敏感度优于任一单一模型。

2.3 预测椎体骨折 预测椎体骨折风险有利于有针对性地进行预防，以减少椎体骨折事件发生。影像组学可用于预测椎体骨折。ZHANG等[13]纳入80例患者，自定量CT(quantitative computed tomography, QCT)图像中提取58个影像组学特征，经过特征筛选后构建模型评估腰椎强度，结果显示其有助于预测腰椎椎体骨折风险。GUI等[25]以接受立体定向放射治疗的脊柱转移癌患者为研究对象，采用最小绝对收缩和选择算子(least absolute shrinkage and selection operator，LASSO)方法基于CT图像及MR T1WI筛选影像组学特征，并结合临床特征构建模型，其评估放射治疗后1年内发生椎体压缩性骨折的AUC为0.878，优于基于临床特征(AUC=0.795)或仅以脊柱不稳定性肿瘤评分(AUC=0.579)建立的模型。刘进等[26]收集135例患者的366个椎体(其中67个椎体发生再次骨折)，共提取1 746个MRI组学特征，经筛选后获取13个最佳特征构建ML模型，再分别以临床特征、影像组学特征和二者联合构建模型，以预测胸腰段椎体强化术后再发骨折的可能性，结果显示联合模型的性能更佳。

3 小结与展望

影像组学在诊断椎体骨折、鉴别其类型及预测椎体骨折等方面均展现出可行性、优越性和巨大的应用潜力，有助于预防、治疗椎体骨折及评估预后。但目前勾画ROI及提取特征等尚缺乏统一标准，且图像来源、分析软件等均未统一，影响结果的可重复性，导致其临床应用受限[14]。建立多中心数据库，实现数据共享、数据收集及评价标准的统一化等将促进影像组学技术不断完善、成熟；将影像组学特征与临床甚至其他生物变量相结合，有利于进一步实现个性化诊疗。