影像组学在骨关节炎早期诊疗中的研究进展

马学智，马勇,2*，王建华，郭杨,2，孙文渊，周士杰

1.南京中医药大学附属医院骨伤科，江苏 南京 210029；2.南京中医药大学骨伤修复与重建新技术实验室，江苏 南京 210023；3.南京中医药大学附属医院放射科，江苏 南京 210029；*通信作者 马勇 mayong@njucm.edu.cn

骨关节炎（osteoarthritis，OA）是一种好发于中老年人群的关节退行性疾病，主要表现为关节疼痛、肿胀、僵硬、活动受限，甚至畸形累及手、髋、膝等关节[1]。本病早期症状较为隐匿，后期症状逐渐加重，若不加干预，严重者可导致残疾。全球OA患者数量高达3亿，我国中老年人群OA的患病率为46.3%，女性患病风险明显高于男性[2]。目前随着我国人口老龄化的不断加剧，OA的发病率逐年递增，给患者的身体健康及家庭经济带来巨大负担[3]。在临床诊疗中早期诊断OA及诊断窗口前移，可尽早做出医疗决策，降低致残率。传统医学影像技术对OA的预测及早期诊断存在局限性。影像组学作为新兴医疗辅助技术，在疾病发病率预测、早期诊断、病变性质预判、临床疗效评估及生存预测等方面具有巨大潜力和价值[4-8]，而对于肌肉骨骼系统疾病研究较少。本文就影像组学在OA早期诊疗中的应用及研究进行综述。

1 影像组学概述

影像组学是将图像处理技术与数据挖掘技术有机结合，并应用到医学影像分析中的一门新型交叉学科，其将X线、CT、超声、MRI等图像中提取的高通量医学特征及信息，通过计算机系统转变为可挖掘的高分辨率数据，并进行分析、建模及验证，客观描述疾病及病灶内部的异质性，提供客观、准确的诊断结果，克服了传统医学影像学分析仅依靠主观视觉进行定性评价的缺陷，为临床制订诊疗决策提供帮助[9]。影像组学的工作流程主要包括：①基本信息收集；②图像采集及影像特征分析；③图像整理及分割；④特征参数提取；⑤特征参数降维及筛选；⑥影像组学标签的建立及性能检验；⑦模型构建及效能检验等。

2 影像组学在OA 早期诊疗中的应用

2.1 OA的早期诊断及鉴别诊断 OA的早期诊断对于诊断窗口前移及医疗决策的精准规划极为重要。早期OA可能是一个可逆过程[10]，尤其是临床症状及典型骨损伤出现前期，此阶段关节软骨发生早期生化变化[11]，有效的干预对OA的预后影响深远，但现有的X线、MRI等检查对此阶段的病变评估较为困难。影像组学及纹理分析技术可挖掘肉眼无法识别的疾病前期生物标志物，提供客观、准确的早期诊断结果，提高诊断效能，降低漏诊率。Bayramoglu等[12]在基于机器学习算法的髌骨X线纹理分析中发现，该机器学习模型与深度卷积神经网络进行纹理感兴趣区（ROI）分类可显著提高髌骨OA的检测性能，这些纹理特征有望作为诊断OA的附加成像生物标志物。Peuna等[13]建立了基于灰度共生矩阵的软骨纹理分析方法，并通过参数和特征的详细选择以及算法优化，使该模型对软骨退行性改变的检测更加敏感，可有效检测及评估早期膝骨性关节炎（knee osteoarthritis，KOA）的进展。Peuna等[14]后续研究中将局部二值模式纹理分析引入软骨OA的评价中，发现由灰度共生矩阵与局部二值模式纹理分析组成的分类模型对OA患者的检测具有较高的准确度，其中多层感知器类型分类器获得最佳性能，总体精度达90.2%，为OA的预测、早期诊断及疾病分级提供了有力的帮助。

影像组学技术在MRI图像早期诊断中也具有较高的优越性，Li等[15]对Kellgren-Lawrence等级为1级或更低级的KOA患者进行MRI髌下脂肪垫三维纹理分析研究，发现可对早期KOA患者髌下脂肪垫出现的细微结构变化进行有效量化，并且该模型对KOA发病及疾病进展具有较高的预测性能（曲线下面积≥0.75）。Xie等[16]基于MRI影像图像分别建立股骨内外侧、胫骨内外侧等不同软骨和软骨下骨区域的影像组学模型，以此区分前交叉韧带重建术后的膝关节与正常膝关节发生创伤性OA的风险。与传统T2值相比，该联合模型具有更加敏感的检测能力。与原发性OA不同，创伤性OA有一个已知的起点因素，因此该模型对于创伤性OA的早期诊断是一种有力的辅助工具。同时，由于传统影像组学模型存在先待验证的不足，因此Kundu等[17]研究了基于MRI三维传输的形态测量学技术，该方法结合最优质量运输理论和统计模式识别技术，可以在OA出现临床症状前3年检测并可视化生化软骨损伤的早期痕迹，做到OA可逆阶段的超早期诊断，并对OA软骨损伤及疾病进展可视化监测，扩大传统MRI对早期OA的诊断能力。上述研究表明影像组学及纹理分析在OA早期成像标志物的挖掘、早期诊断与鉴别方面能发挥出巨大的优势。

2.2 OA的进展预测 除早期诊断外，对于OA早期进展的动态监测及严重程度的定量分析也是亟须解决的问题，有利于对疾病的宏观掌控及治疗方案的灵活运用，影像组学在此方面展现出极大的潜力和价值。Väärälä等[18]开发了一种基于灰度共生矩阵的MRI纹理分析方法，采用三维纹理分析方法提取股骨和胫骨软骨的纹理特征，可以有效区分KOA与机体衰老引起的不同软骨变化，同时该纹理特征可以作为KOA发病及进展过程中的有效预测标志物。此外，Hirvasniemi等[19]研究发现基于骨盆与髋关节X线的骨纹理分析参数并结合临床信息的综合预测模型，极大地提升了正常患者在10年内发生髋关节OA及进行髋关节置换术的预测精确性。

在临床中KOA患者的影像表现及严重程度分级常与临床症状不一致，Neubauer等[20]开发了人工智能影像辅助诊断系统，可有效提升KOA影像分级与临床症状的相关性，极大地完善和提升了KOA进展评估手段的科学性。Kraus等[21]使用经验证的半自动化软件对膝关节X线软骨下骨骨小梁纹理进行特征分析，发现早期OA患者软骨下骨垂直骨小梁变薄，水平骨小梁变厚。孙英伟等[22]研究证实基线膝关节X线尚无明显变化时，膝关节软骨下骨骨小梁的放射成像骨纹理参数能预测OA的进展。Almhdie-Imjabbar等[23]研究发现基于TBT的联合模型在预测早期KOA患者未来4～6年的疾病进展情况方面具有良好的性能。上述研究表明影像组学通过软骨、骨小梁结构纹理分析及预测系统的建立，可为OA的进展预测提供客观依据。

2.3 OA的疗效评价 临床疗效的客观评价对于OA尽早进行个体化治疗方案的制订与调整提供相关帮助。Xue等[24]构建了基于膝关节MRI的影像组学模型量化胫骨和股骨软骨下骨的结构，该方法不仅可以检测并量化KOA患者软骨下骨的变化，同时可以有效检测KOA，并且其性能明显优于传统模型，间接反映出软骨下骨可能是KOA的潜在治疗靶点。Podsiadlo等[25]在探讨发生膝关节置换风险与膝关节骨小梁结构相关性的一项前瞻性研究中，发现在几个分形骨纹理参数中，平均分形维数与膝关节置换发生率呈负相关，表明胫骨骨小梁结构可能对OA的进展监测及治疗是一个潜在标志物。Jang等[26]通过膝关节内注射多核苷酸的方式促进KOA患者膝关节软骨下重塑，不仅是治疗手段的进步，同时该研究通过纹理分析手段进行KOA进展及临床疗效评估，为KOA诊疗方式的创新和进步提供思路。通过上述影像组学及纹理分析技术，可挖掘出早期OA的敏感标志物，为OA的临床疗效提供客观、真实的评价指标，以进一步协助精准医疗决策的制订。

2.4 OA的预后评估 OA的预后评估可为后续医疗方案的准备及患者生活质量评价提供相关依据。MacKay等[27]对10例拟行膝关节置换术的KOA患者的患膝进行高空间分辨率冠状位T1加权序列MRI检查，并对图像中胫骨软骨下骨进行纹理分析，然后对术中相同部位病理组织计算其骨体积分数、骨小梁厚度、小梁间距和小梁数量，并通过创建回归模型评估骨纹理特征分析与以上测得参数的相关性，结果显示基于MRI的软骨下骨纹理分析与相同部位的骨组织形态学指标明显相关，验证了MRI纹理特征分析模型，为OA进展及预后评估提供参考。Heilmeier等[28]对309名受试者膝关节MRI图像进行全器官MRI评分、膝关节软骨T2灰度共生现矩阵纹理分析，并对受试者行4～7年随访，结果显示基于MRI的膝关节软骨T2纹理特征分析可以作为发生膝关节置换术的预测指标。通过影像组学不仅有望提高OA的一体化诊疗水平，还为OA的未病先防、既病防变提供客观依据。

3 影像组学在OA 骨骼结构评价中的应用

影像组学对于OA患者骨骼结构也进行了相关评价，Hirvasniemi等[29]评估了基于膝关节X线的骨密度和骨纹理关系，发现两者在OA患者、骨髓病变患者及健康受试者间存在显著差异。同时使用基于机器学习算法的骨纹理特征的弹性网络模型，发现其对OA与骨髓病变受试者的检测性能较高，对不同等级KOA骨纹理参数的变化定量评价，发现骨纹理结构分析的重现性明显优于直接评估灰度值，在成像条件变化时更有利于进行定量分析。在软骨评价中，Youssef等[30]利用激光散斑图像灰度共生矩阵纹理分析评估关节软骨表面粗糙度，该方法对0.09～2.51 μm的平均表面粗糙度值具有良好的评估效果，且精度达0.03 μm，利用该方法可以对关节软骨退行性变早期迹象进行准确分析和评估，上述研究也表明在OA的进展过程中软骨质地参数的变化先于软骨形态改变，为早期OA结构评价中选择敏感指标提供相关思路。

4 影像组学在OA 诊疗中的总结及展望

影像组学作为传统影像学与机器学习算法的新型交叉学科，凭借客观、精准、定量化的优势，在OA的早期诊疗中展现出巨大潜力，但尚存在以下不足：①肌肉骨骼系统较为复杂，影像组学在该领域研究较少，且缺少大样本、多中心、高质量的临床研究，且现有研究模型的真实临床效能有待考证；②目前影像组学及纹理分析在骨科领域的研究，仅为基于医学影像图像的单一模型研究，缺少影像组学模型联合临床诊疗信息的个体化综合诊疗模型，单一模型的诊断效能缺乏说服力；③影像组学作为新兴学科，对于图像采集设备、图像处理、ROI勾画、参数设置、特征提取及处理、模型构建及内外部验证尚未形成统一标准及规范化流程，研究的可重复性欠佳；④肌肉骨骼形态结构各异，ROI区的手动勾画因研究者不同存在差异，对病灶异质性的定量及客观评估易产生影响。虽然目前影像组学在肌骨领域仅为初步探索，但随着精准医疗及人工智能的不断发展及影像组学标准化流程的建立，影像组学将在未来精准医疗决策的制订中发挥重要作用。