CT 影像组学模型对糖尿病足患者足底神经病变的诊断价值探究

乔风雷，袁永胜（通信作者）

（南京鼓楼医院集团宿迁医院<徐州医科大学附属宿迁医院>影像科 江苏 宿迁 223800）

糖尿病足是一种严重的糖尿病并发症，它是指由于糖尿病导致的多种因素，如周围神经病变、血管病变和感染等，使得下肢皮肤出现溃疡或坏死的情况。糖尿病足不仅影响患者的生活质量，还增加了截肢和死亡的风险。因此，预防和治疗糖尿病足是糖尿病管理的重要内容。足底神经病变（diabetic foot neuropathy, DFN）是指由于高血糖等因素损伤足底神经纤维，导致感觉、运动和自主神经功能障碍的一种周围神经系统并发症，是糖尿病足发生的重要危险因素之一[1]。DFN 可导致足部皮肤感觉丧失或减退，使患者不能及时察觉外界刺激或损伤，从而增加足部溃疡或感染的风险。因此，早期诊断和干预DFN 对于预防和治疗糖尿病足具有重要意义。

CT 是一种常用的影像学检查方法，能够清晰显示足底神经的解剖结构和形态特征，为DFN 的诊断提供了一定的依据[2]。近年来，影像组学在肿瘤诊断、分期、预后评估和个体化治疗等方面取得了显著的进展。然而，目前关于影像组学在DFN 诊断中的应用研究尚不多见。本研究旨在探讨CT 影像组学模型在糖尿病足患者DFN诊断中的应用价值，并与常规CT 测量指标进行比较。

1 资料与方法

1.1 一般资料

选取2020 年1 月—2022 年12 月在南京鼓楼医院集团宿迁医院就诊的40 例糖尿病足患者，根据临床神经电生理检查结果分为DFN 组（20 例）和非DFN 组（20 例）。DFN 组男12 例，女8 例，年龄45 ～75 岁，平均年龄（59.31±5.72）岁；非DFN 组男10 例，女10 例，年龄46 ～74 岁，平均年龄（58.31±5.32）岁。纳入标准：①符合糖尿病诊断标准；②CT 图像质量良好，无明显伪影或伪影；③足底神经分割和测量结果可靠，无明显误差或偏差；④无其他导致周围神经病变的原因，如酒精中毒、维生素缺乏、肝肾功能不全、甲亢或甲减等；⑤患者均签署知情同意书。排除标准：①未经确诊的糖尿病患者；②有严重的心、肝、肾功能不全或其他危及生命的合并症的患者；③有严重的感染或出血倾向的患者；④孕妇或哺乳期妇女。

1.2 方法

1.2.1 CT 扫描 所有患者均采用同一台飞利浦公司生产的256 层螺旋CT 机扫描仪进行双侧足部CT扫描，扫描参数为：管电压120 kV，管电流自动调节，层厚0.6 mm，重建间隔0.3 mm，螺距0.9，FOV 200 mm×200 mm。扫描范围从足踝关节至足趾末端。扫描前要求患者空腹4 h，避免服用含碘或钡的药物或食物。扫描过程中要求患者平卧，双足自然伸直，尽量保持静止，避免呼吸运动或肌肉收缩造成的影像模糊。

1.2.2 CT 影像组学特征提取 使用ITK-SNAP 软件对CT 图像进行预处理，包括去噪、锐化、滤波等操作，以提高图像质量。然后，使用3D Slicer 软件对足底神经进行半自动分割，得到足底神经的三维模型。最后，使用PyRadiomics 软件对足底神经的影像组学特征进行提取，包括形态学、灰度统计学、纹理、小波和高阶特征等五大类，共计113 个特征。

1.2.3 常规CT 测量指标 使用RadiAnt DICOM Viewer 软件对CT 图像进行测量，得到足底神经的常规CT 测量指标，包括截面积、周长、直径和密度等四个指标。测量过程中采用放大镜工具放大足底神经的图像，以提高测量的准确性。

1.2.4 影像组学模型构建 使用Python 语言对影像组学特征进行筛选和降维，去除缺失值、常数值和冗余值等无效特征，采用最小冗余最大相关法（mRMR）选择与DFN 诊断相关性最高的特征子集。然后，使用随机森林算法（random forest, RF）构建影像组学模型，采用网格搜索法优化模型参数，采用五折交叉验证法评估模型性能。最后，使用Shapley 加法解释（Shapley additive explanations, SHAP）分析影像组学模型中各个特征的重要性。

1.3 观察指标

①比较两组常规CT 测量指标，分别为足底神经截面积、周长、直径和密度；②比较常规CT 测量指标结果和影像组学模型构建结果。

1.4 统计学方法

采用SPSS 22.0 统计软件分析数据。符合正态分布的计量资料采用均数±标准差（± s）表示，采用t检验；计数资料采用频数（n）和百分率（%）表示，采用χ2检验。P＜0.05 表示差异有统计学意义。

2 结果

2.1 常规CT 测量指标结果

两组患者的常规CT 测量指标显示，DFN 组患者的足底神经截面积、周长和直径均大于非DFN 组患者（P＜0.05），而两组足底神经密度差异无统计学意义（P＞0.05），见表1。

表1 两组患者的常规CT 测量指标结果（± s）

表1 两组患者的常规CT 测量指标结果（± s）

足底神经密度/HU DFN 组 20 12.40±3.20 13.60±2.90 3.90±0.80 38.50±5.60非DFN组 20 8.70±2.60 10.40±2.40 3.10±0.70 39.30±6.10 t 4.013 3.802 3.366 0.432 P＜0.001 0.001 0.002 0.668组别 例数 足底神经截面积/mm2足底神经周长/mm足底神经直径/mm

2.2 影像组学模型构建结果

本研究使用随机森林算法构建了影像组学模型。随机森林算法是一种基于多个决策树的集成学习方法，能够处理高维度、非线性和复杂的数据，具有较高的分类精度和泛化能力。随机森林算法的主要步骤如下：从原始数据集中随机抽取多个样本子集，每个子集包含一定比例的特征和样本；对每个子集使用决策树算法构建一棵分类树，每次分裂节点时从子集中随机选择一部分特征作为候选特征；将所有的分类树组成一个森林，对新的数据进行预测时，让每棵树给出一个分类结果，然后采用投票机制确定最终的分类结果；使用OOB（Out-of-Bag）误差或交叉验证误差评估随机森林的性能，使用特征重要性评估每个特征对分类结果的贡献。其参数为：树的数量为100，特征的选择标准为基尼系数，最大特征数为根号下特征总数，最小叶子节点数为1。采用五折交叉验证法评估影像组学模型的诊断性能，结果如表2 所示，影像组学模型的诊断准确率、灵敏度、特异度、阳性预测值和阴性预测值分别为92.50%、95.00%、90.00%、90.50%和81.40%，均高于常规CT 测量指标（P＜0.05）。

表2 影像组学模型和常规CT 测量指标在DFN 诊断中的性能比较单位：%

3 讨论

影像组学是一种基于影像学数据提取、分析和建模的新兴学科，能够从影像中挖掘出大量的定量特征，反映疾病的多层次、多维度和多尺度信息。这些定量特征包括形态学、强度、纹理、波谱、功能和分子等方面，可以揭示疾病的生物学特性、病理变化和治疗反应。

DFN 是一种常见的神经系统疾病，主要表现为颅内压增高、视神经乳头水肿和视力下降等。DFN 的发生机制尚不明确，可能与颅内静脉窦的解剖结构、血流动力学和颅内压调节等因素有关。目前，DFN 的诊断主要依赖于临床表现、脑脊液检查和颅内压监测等方法，但这些方法存在一定的局限性，如创伤性、侵入性、不稳定性和不客观性等[3]。因此，寻找一种无创、准确和客观的诊断方法对于DFN 的早期发现和治疗具有重要意义。

影像组学作为一种新兴的诊断技术，可以从多个角度反映DFN 的临床表现、病理机制和预后风险等。例如，通过分析DFN 患者的颅内静脉窦的形态学特征，可以评估颅内静脉窦的狭窄程度和血流阻力等[4]；通过分析DFN 患者的视神经乳头水肿的纹理特征，可以评估视神经乳头水肿的严重程度和视功能损害等；通过分析DFN患者的脑灰质和白质的功能特征，可以评估脑灰质和白质的代偿能力和损伤程度等。这些影像组学特征不仅可以帮助诊断DFN，还可以帮助区分DFN 与其他类似疾病（如假性颅内压增高综合征）之间的差异。

本研究是首次尝试使用CT 影像组学模型对DFN 进行诊断，使用随机森林算法构建了影像组学模型，其优点是能够处理高维度、非线性和复杂的数据，具有较高的分类精度和泛化能力，且能够评估各个特征的重要性。本研究还将影像组学模型与常规CT 测量指标进行了比较，结果显示，影像组学模型在DFN 诊断中具有更高的准确率、灵敏度、特异度、阳性预测值和阴性预测值。这表明，影像组学模型能够提供更多的足底神经信息，而不仅仅是表面的形态特征，从而更好地区分DFN 和非DFN 患者。

常规CT测量指标是指使用计算机断层扫描（computed tomography，CT）技术对足底神经进行横截面扫描，并根据图像上的亮度差异确定神经边界，然后计算出神经截面积（CSA）、周长（C）和直径（D）等参数[5]。这些参数可以反映神经纤维、髓鞘和间质等组成成分的总体变化，如水肿、纤维化、脂肪变性等。然而，这些参数并不能区分不同组成成分的相对比例或者定量描述其形态学特征[6]。

常规CT 测量指标受多种因素影响，导致其结果缺乏一致性和可靠性。首先，测量方法存在差异，如扫描仪型号、扫描参数、图像处理软件等都会影响图像质量和精度。其次，测量位置也会造成结果的变异，如足底神经在不同解剖部位的粗细、走行方向、周围组织结构等都会对图像产生影响[7]。最后，测量人员也会带来主观误差，如确定神经边界、选择感兴趣区域、计算参数等都需要人为判断和操作。

常规CT 测量指标不能全面反映足底神经在DFN 过程中发生的微观和功能性变化[8]。DFN 是一种多层次、多环节、多因素导致的复杂病理过程，涉及到神经血管、免疫炎症、氧化应激、线粒体功能障碍等多个方面。这些因素会导致足底神经出现轴突变性、髓鞘退化、纤维束重组、血管新生等多种形态学改变，并最终影响神经的传导速度、感觉阈值、疼痛反应等功能性指标。然而，常规CT 测量指标只能提供神经的总体信息，不能细致地区分和描述这些变化，也不能直接反映神经的功能状态。

常规CT 测量指标存在一定的重叠区间，不能明确划分DFN 和非DFN 患者。足底神经的CSA、C 和D 等参数在正常人群中就存在一定的范围和变异，而且受到年龄、性别、身高、体重等因素的影响[9]。在DFN 患者中，这些参数也会随着病程的进展而发生变化，但并不是线性或者单调的关系。因此，单纯根据这些参数的数值大小，很难确定一个明确的临界值或者判别标准，来区分DFN和非DFN 患者，或者评估DFN 的严重程度。

本研究有以下优点：①采用多种软件和算法对CT图像进行预处理、分割、提取和建模，保证了影像组学特征的有效性和可靠性；②采用五折交叉验证法和网格搜索法对影像组学模型进行评估和优化，保证了影像组学模型的性能和稳定性；③采用SHAP 值分析影像组学模型中各个特征的重要性，揭示了足底神经在DFN 过程中发生的变化规律。

本研究也有以下局限性：①样本量较小，可能存在一定的偏倚和误差，需要进一步扩大样本量以验证影像组学模型的适用性和普遍性；②仅使用CT 作为影像学检查方法，未考虑其他可能对足底神经有影响的因素，如血流动力学、代谢水平和炎症反应等，需要进一步结合多模态影像学数据以提高影像组学模型的复杂性和精确性；③仅探讨了影像组学模型在DFN 诊断中的应用价值，未考虑其在DFN 分级、预后评估和治疗反应监测等方面的应用潜力，需要进一步开展长期随访和动态观察以提高影像组学模型的实用性和临床意义。

综上所述，影像组学模型具有更高的诊断准确率，能够有效地区分DFN 和非DFN 患者。影像组学模型能够提供更多的足底神经信息，从而更好地反映足底神经在DFN 过程中发生的微观和功能性变化。证明了影像组学作为一种新兴的放射学方法，能够从医学图像中挖掘出有价值的信息，为DFN 的早期发现和干预提供了一种新的思路和方法。