基于MRI影像组学在诊断前交叉韧带损伤分级中的应用

摘要：目的" 分析MRI影像组学对前交叉韧带损伤分级的诊断价值。方法" 回顾性选择2017～2022年滨州医学院附属医院放射科质子加权成像提示前交叉韧带异常信号患者212例，以关节镜检查结果为金标准，将患者分为重度损伤组（n=141）和轻度损伤组（n=71）。提取前交叉韧带图像的组学特征包括形状特征、一阶特征、纹理特征和小波特征。通过SMOTE法进行过采样，解决数据不均衡问题。通过组内及组间相关系数进行一致性检验。在两组中通过7：3的比例随机分割为训练集和测试集。并用LASSO算法筛选出最佳影像组学特征，采用Logistic回归建立组学模型。基于影像组学特征建立影像组学模型，基于两组的临床参数建立临床模型，以及联合两者建立Nomogram模型。分别在训练集及测试集绘制ROC曲线，计算敏感度、特异性、准确度评估模型的诊断效能，通过绘制校准曲线来评估模型预测值和实际观测值之间的差异，通过绘制临床决策曲线分析评价其临床有效性。结果" 通过特征提取在质子加权成像横断位、冠状位、矢状位共获得2553个特征，通过特征筛选及降维最终保留12个特征参数。影像组学模型训练集的曲线下面积（AUC）为0.9105，测试组为0.8561。性别、关节不稳、关节交锁以及组学积分是诊断前交叉韧带重度损伤的最佳特征集。临床模型训练集的AUC值为0.6989，测试组为0.6415。Nomogram模型训练集的AUC值为0.9449，测试组为0.8661。Nomogram模型与临床模型差异有统计学意义（Plt;0.05），Nomogram的AUC高于组学模型，但在测试集差异无统计学意义（Pgt;0.05）。结论" 基于MRI的影像组学方法可为诊断前交叉韧带损伤分级提供一种新型的检测手段，使前交叉韧带损伤的临床诊断准确率得到很大提升，Nomogram模型比临床模型以及组学模型的诊断效能更好。

关键词：MRI；影像组学；前交叉韧带损伤；分级

Application of MRI radiomics in classification diagnosis of anterior cruciate ligament injury

CHENG Lin1， 2， LI Yifan2， HOU Zenghao2， DU Jinhao2， ZHANG Xuanyu2， MA Zhiying2， WANG Shanshan1， 2

1Department of Radiology， Binzhou Medical University Hospital， Binzhou 256603， China; 2School of Medical Imaging， Binzhou Medical University， Yantai 264003， China

Abstract： Objective To analyze the diagnostic value of MRI radiomics in the classification of anterior cruciate ligament （ACL） injury. Methods A total of 212 patients with abnormal signals of the ACL suggested by proton density weighted imaging in the Department of Radiology of the Affiliated Hospital of Binzhou Medical University from 2017 to 2022 were reviewed. The parents were divided into severe injury group （n=141） and mild injury group （n=71） based on arthroscopic findings， which was the gold standard in the classification of ACL injury. The radiomics features of the ACL images were extracted including shape features， first order features， texture features and wavelet features. The imbalance problem of data was solved by performing oversampling using SMOTE method. Consistency test was performed by intra-group and inter-group correlation coefficients. Patients were randomly divided into a training set and a test set at 7：3. The best radiomics features were selected by LASSO algorithm， and the radiomics model was established by Logistic regression. The radiomics model was established based on the radiomics features and the clinical model was established based on the clinical parameters of the two groups. The Nomogram model was established by the radiomics features and the clinical parameters as mentioned above. The diagnostic efficacy of the model was evaluated by ROC curves， sensitivity， specificity and accuracy in the training set and the test set. The difference between the model's predicted values and the actual observed values was evaluated by the calibration curve， and the clinical efficacy was evaluated by the clinical decision curve analysis. Results A total of 2553 features were obtained from proton density weighted imaging transverse， coronal and sagittal positions through feature extraction， and 12 feature parameters were retained through feature filtering and dimensionality reduction. The area under the curve （AUC） was 0.9105 for the training set of the radiomics model and 0.8561 for the test set. The best feature sets of diagnosing severe ACL injury were gender， joint instability， joint interlock and radiomics. In the clinical model， the AUC values of the training set was 0.6989 and the test set was 0.6415. In the Nonogram model， the AUC values of the training set was 0.9449 and the test set was 0.8661. The difference between the Nomogram model and the clinical model was statistically significant （Plt;0.05）. The AUC of the Nomogram was higher than that of the radiomics model， but the difference was not statistically significant in the test set（Pgt;0.05）. Conclusion The radiomics method based on MRI images can provide a new diagnostic method in classification of ACL injury which can greatly improve the clinical diagnosis accuracy of ACL injury. Furthermore， the diagnostic efficiency of the Nomogram model is the best compared with the clinical model and the radiomics model.

Keywords： MRI; radiomics; anterior cruciate ligament injury; classification

收稿日期：2023-10-25

基金项目：国家级大学生创新训练项目（202310440234）

Supported by National Undergraduate Training Program for Innovation （202310440234）

作者简介：程" 琳，在读硕士研究生，E-mail： 2497456895@qq.com

通信作者：王山山，博士，副教授，E-mail： wss3256590@126.com

前交叉韧带（ACL）在膝关节前向稳定性中发挥着至关重要的作用［1-2］，美国每年发生ACL损伤的人数超过25万人，其发病率在运动活跃个体中更高［3］。韧带损伤程度对治疗方案的选择和改善预后至关重要［4］。目前，部分学者研究仅基于影像组学特征建立组学模型诊断ACL损伤程度，未加入临床特征建立临床模型及联合诊断模型［5］，本研究主要应用基于MRI图像建立组学模型、基于临床特征建立临床模型以及联合两者建立Nomogram模型，将三者进行对比研究，选择最优模型建立诊断指标，提高ACL损伤诊断的准确性。

1" 资料与方法

1.1" 一般资料

收集本院放射科212例经膝关节MRI检查质子加权成像（PDWI）提示ACL异常信号患者的影像学资料。纳入标准：行3.0T MRI平扫检查PDWI上提示ACL异常信号；已进行关节镜检查；临床资料完整；认知状态良好，能够配合完成相应的MRI检查。排除标准：既往曾有同侧韧带手术史；患侧膝关节有类风湿及骨性关节炎、膝关节复杂骨折、恶性肿瘤、膝关节手术史以及其他影响膝关节症状、体征的疾病；严重心肝肾疾病；MRI检查禁忌证。采集患者的临床资料即年龄、性别、外伤史以及有无关节不稳、关节交锁、间歇性跛行、关节疼痛、蹲起困难等临床表现。根据患者关节镜检查结果将患者分为重度损伤组（n=141，包括完全撕裂及撕裂gt;1/2者）和轻度损伤组（n=71，包括撕裂lt;1/2及未撕裂者）。本研究已通过滨州医学院附属医院伦理委员会批准（审批编号：202311070814000324347）。

1.2" 检查方法

利用3.0T磁共振仪，患者采取仰卧位，患侧膝关节保持自然伸直状态。扫描序列：PDWI矢状位：TR 2400 ms、TE 31 ms、FOV 160 mm、层厚3 mm、层间距0.3 mm。冠状位：TR 2710 ms、TE 35 ms、FOV 160 mm、层厚3 mm、层间距0.3 mm。横断位TR 2850 ms、TE 31 ms、FOV 160 mm、层厚3 mm、层间距0.3 mm。

1.3" 韧带勾画

使用3D slicer软件（Version5.1.0，https：//www.slicer.org），逐层手动分割感兴趣区域（ROI）。为了评估观察者组内相关系数（ICC）即特征提取工作的一致性，首先随机选择30例患者的图像，由2位放射科医师（医师A、医师B）在PDWI图像手动分割韧带提取ROI，并且由医师A完成剩余182例患者ROI提取工作；间隔1周后，由医生A再次勾画随机选取的30例患者图像。

1.4" 特征选择

使用3D slicer提取影像组学特征。采用预处理的方法对PDWI图像进行规范化处理。将像素重采样为标准尺寸1 mm×1 mm×1 mm，使用三线插值方式实现标准化。灰度值离散化为常规的25二进制宽度。自动提取横断位、矢状位、冠状位ROI中的特征。最初提取的特征中有许多是无意义的，因此采用ICC对勾画的影像组学特征进行一致性评价，选择一致性良好（ICCgt;0.75）的特征。然后采用最小绝对收缩与选择算子（LASSO）回归，以10倍交叉验证法选择调整参数λ，筛选出与韧带损伤程度有关的特征参数。

1.5" 处理不平衡类数据

因重度损伤组和轻度损伤组样本不均衡，建模样本的不均衡会导致样本量少的特征标签信息过少，在模型训练过程中很难提取出相应的特征分布规律，从而易造成模型过拟合等问题，故采取SMOTE法过采样合成少数类标签样本，以此来解决样本量不均衡的问题［6-7］。

1.6" 模型构建

根据保留的临床特征建立临床模型；基于每个方位最重要的组学特征构建影像组学模型；联合临床模型和影像组学模型建立Nomogram模型。

1.7" 统计学分析

使用Python3.11软件对数据进行SMOTE法过采样。使用R4.3.1软件分别进行组内相关一致性检验、影像组学特征的筛选降维、各个模型的效能评估；绘制Nomogram、校准曲线及决策曲线；采用ROC曲线下面积（AUC）来评估组学模型、临床模型及Nomogram模型的效能，采用约登指数计算模型的敏感度、特异性及准确度；校准曲线评估Nomogram模型预测值和实际观测值之间的差异，决策曲线评价模型的临床有效性。以Plt;0.05为差异有统计学意义。

2" 结果

2.1" 特征提取和筛选

从PDWI图像横断位、矢状位、冠状位中共提取2553个特征，其中形状特征有42个，一阶特征有54个，纹理特征有225个，小波特征有2232个。消除ICClt;0.75的769个特征，最终通过LASSO算法筛选出12个影像组学特征（图1），包括横断位相关纹理特征7个，矢状位相关纹理特征4个，冠状位相关纹理特征1个（图2）。计算每位患者的影像组学积分。

采用多变量Logistic回归逐步向后筛选法，分析得出关节不稳+关节交锁+性别+影像组学积分为AIC最小的特征集。

2.2" 模型诊断效能评估

组学模型显示，训练集与测试集各自的AUC分别为0.9105、0.8561（图3），训练集特异性为0.939、敏感度为0.718、准确度为0.839，测试集特异性为0.809、敏感度为0.844、准确度为0.827；Nomogram模型训练集的AUC为0.9449，测试集的AUC为0.8661（图4），训练集特异性为0.85、敏感度为0.930、准确度为0.887，测试集特异性为0.795、敏感度为0.837、准确度为0.816；临床模型训练集AUC为0.6989，测试集AUC为0.6415（图6）。Nomogram模型在训练集及测试集的校准曲线显示，校准预测曲线与标准曲线贴合可，提示Nomogram在诊断ACL损伤程度的预测概率与实际概率具有良好的一致性（图7）。决策曲线分析显示Nomogram模型的诊断效能均明显高于组学模型和临床模型（图8）。

利用De-long检验对比临床模型与Nomogram的诊断效能，训练集和测试集的差异均有统计学意义（Plt;0.05，表1）。Nomogram的AUC值高于组学模型，但在测试集差异无统计学意义（Pgt;0.05，表2）。Nomogram诊断ACL损伤程度优于组学及临床模型。

3" 讨论

ACL损伤现已成为膝关节最常见的韧带损伤［8］，ACL损伤后如不及时准确诊断、治疗可能会造成一系列的并发症［9-12］。目前诊断ACL损伤的方法主要包括膝关节的体格检查、影像学检查及关节镜检查等。关节镜目前作为诊断ACL损伤的“金标准”，但其属于有创性检查，存在一定的手术及麻醉风险以及经济负担。MRI目前是诊断ACL损伤的首选［13-17］。MRI将ACL损伤主要分为4级［18-19］，但MRI诊断ACL损伤分级有相对局限性［20-21］，当ACL水肿、滑膜内有出血、老年患者ACL退变、或合并其他损伤以及韧带周围的脂肪组织产生部分容积效应等原因可能使韧带损伤分级困难或不能准确分级。影像组学为可挖掘的数据，从中提取大量、深层、定量的疾病影像特征。

有研究纳入26例ACL撕裂、42例ACL未撕裂患者，采用t检验和LASSO方法进行特征选择，采用随机森林和支持向量机作为机器学习分类器，采用ROC曲线敏感度、特异性、准确性和AUC值评估模型，结果发现采用LASSO选择方法与随机森林分类器的模型性能更好［5］。本研究与既往研究相比，研究对象的纳入包括单纯损伤但未撕裂、撕裂lt;1/2、撕裂gt;1/2、完全撕裂，按ACL损伤程度分为轻度和重度，能较好地指导临床制定治疗方案［22-25］。在提取组学特征基础上纳入了临床特征，分别构建基于组学特征的影像组学模型、基于临床特征的临床模型以及联合组学特征和临床特征的Nomogram模型。采用校准曲线评估Nomogram模型预测值和实际观测值之间的差异、决策曲线评价模型的临床有效性以及De-long检验对比临床模型、Nomogram模型、组学模型三者之间的诊断效能。

本研究通过预实验，分别采用Logistic回归、Adaboosting、随机森林、XGBoost算法建立诊断模型。Logistic回归训练速度快、模型解释性好、适合二分类问题可直接对分类可能性进行建模但对多重共线性数据较为敏感、很难处理数据不均衡的问题［26］。随机森林能够处理高维度的数据且不用做特征选择、训练速度快但在某些噪音较大的分类问题上易过拟合。Adaboost是一种很高精度的分类器，不易过拟合，但数据不平衡会导致分类精度下降。XGBoost算法灵活性强、可防止过拟合但不适合处理高维特征数据［27］。预实验结果表明，Logistic回归算法在诊断ACL损伤方面效果更好。故本研究采用Logistic回归建立诊断模型，用以诊断ACL损伤程度。

通过多因素Logistic回归筛选出性别、关节交锁及关节不稳为诊断ACL损伤程度的最佳临床特征，本研究显示男性易提示为ACL重度损伤，可能是因为病例筛选时导致结果偏倚，或者是因为男性职业特殊性导致ACL损伤程度更加严重。由于ACL在维持膝关节的前向稳定性以及参与膝关节伸膝时最后锁扣运动中发挥重要作用，因此ACL重度损伤者关节不稳和关节交锁的症状可能越明显。

本研究显示，与ACL损伤程度相关的组学特征主要体现在纹理特征方面。基于影像组学标签对诊断ACL损伤程度具有较好的准确性。结合影像组学标签、性别、有无关节不稳和关节交锁构建的Nomogram模型进一步提高诊断性能。

综上所述，基于MRI的影像组学方法可为诊断前交叉韧带损伤分级提供一种新型的检测手段，使前交叉韧带损伤的临床诊断准确率得到很大提升，Nomogram模型比临床模型以及组学模型的诊断效能更好。本研究创新点在于利用Logistic回归建立诊断模型，可以准确诊断ACL损伤分级，帮助临床医生制定治疗方案及预后策略，减少患者不必要的检查，有望提供一种新的无创性诊断ACL损伤的手段。但该研究样本量较少，本研究团队下一步将增大样本量，并采用多中心研究，进行诊断模型的推广。

参考文献：

［1］" " 李长树， 李" 政， 李" 雳， 等. 膝前交叉韧带断裂合并内侧副韧带Ⅲ度急性损伤一期联合修复重建的短期临床疗效研究［J］. 中国中医骨伤科杂志， 2023， 31（2）： 18-23.

［2］" "Kokkotis C， Moustakidis S， Tsatalas T， et al. Leveraging explainable machine learning to identify gait biomechanical parameters associated with anterior cruciate ligament injury［J］. Sci Rep， 2022， 12（1）： 6647.

［3］" " 金伟林， 程亚栋， 曾冠楠， 等. 前交叉韧带断裂损伤后并发关节软骨损伤的相关因素研究［J］. 创伤外科杂志， 2020， 22（8）： 588-91.

［4］" " 向珊珊， 傅" 明， 张志奇， 等. 关节镜下自体或同种异体肌腱移植修复急性和陈旧性前交叉韧带损伤： 重建效果评价［J］. 中国组织工程研究， 2018， 22（26）： 4174-8.

［5］" Chen DS， Wang TF， Zhu JW， et al. A novel application of unsupervised machine learning and supervised machine learning-derived radiomics in anterior cruciate ligament rupture［J］. Risk Manag Healthc Policy， 2021， 14： 2657-64.

［6］" "Awan MJ， Mohd Rahim MS， Salim N， et al. Machine learning-based performance comparison to diagnose anterior cruciate ligament tears［J］. J Healthc Eng， 2022， 2022： 2550120.

［7］" " 王晓晖， 吕晓烁， 刘" 展， 等. 基于影像组学构建识别临床高风险颈动脉斑块的机器学习模型［J］. 中国胸心血管外科临床杂志， 2024， 31（1）： 24-34.

［8］" " 刘广銮， 郭宗磊， 戈" 进， 等. 前交叉韧带损伤伴发内侧半月板后根撕裂：解剖学的危险因素分析［J］. 中国组织工程研究， 2023， 27（5）： 663-8.

［9］" " Kim HJ， Lee JH， Lee DH. Proprioception in patients with anterior cruciate ligament tears： a meta‑analysis comparing injured and uninjured limbs［J］. Am J Sports Med， 2017， 45（12）： 2916-22.

［10］ Samuelsen BT， Webster KE， Johnson NR， et al. Hamstring autograft versus patellar tendon autograft for ACL reconstruction： is there a difference in graft failure rate？ A meta-analysis of 47， 613 patients［J］. Clin Orthop Relat Res， 2017， 475（10）： 2459-68.

［11］ Nasseri A， Khataee H， Bryant AL， et al. Modelling the loading mechanics of anterior cruciate ligament［J］. Comput Methods Programs Biomed， 2020， 184： 105098.

［12］" O'Sullivan O， Ladlow P， Steiner K， et al. Knee MRI biomarkers associated with structural， functional and symptomatic changes at least a year from ACL injury - A systematic review［J］. Osteoarthr Cartil Open， 2023， 5（3）： 100385.

［13］" 段寿生， 陈用国. MRI对膝关节交叉韧带损伤的诊断价值研究［J］. 浙江创伤外科， 2023， 28（6）： 1154-6.

［14］" "梁继华， 梁小瑜. 磁共振成像技术诊断膝关节前交叉韧带断裂的准确率分析［J］. 影像研究与医学应用， 2022， 6（24）： 173-5.

［15］" 王海杰， 高明勇， 涂" 滨. 超声与MRI检查对前交叉韧带损伤诊断的对比研究［J］. 中国超声医学杂志， 2020， 36（7）： 651-3.

［16］" "孙小煜， 宋" 璐， 张雪峰， 等. 应用MRI、MSCT检查在外伤性膝关节交叉韧带损伤诊治中临床价值研究［J］. 中国CT和MRI杂志， 2021， 19（9）： 180-2.

［17］" 王" 忠， 文" 明， 刘成渝， 等. 高分辨率CT诊断膝关节半月板及交叉韧带损伤的价值观察［J］. 中国CT和MRI杂志， 2022， 20（12）： 153-5.

［18］" "向作林， 吴国彪， 谭必会， 等. 磁共振成像技术在膝关节前交叉韧带损伤中的应用［J］. 现代医用影像学， 2023， 32（7）： 1234-6， 1250.

［19］" 王文河， 陈" 伟， 李克军. 前交叉韧带损伤的MRI征象分析［J］. 影像研究与医学应用， 2020， 4（7）： 53-4.

［20］" Van DP. Pitfalls in MR imaging of acute anterior cruciate ligament injuries［J］. Knee Surg Sports Traumatol Arthrosc， 2020， 28（11）： 3622-4.

［21］" 柏" 瑞， 黄俊成， 何小华， 等. 低剂量双能量CT诊断膝关节前交叉韧带损伤的临床对照分析［J］. 中国CT和MRI杂志， 2022， 20（10）： 157-9.

［22］" 牛金榜. 健美操运动员前交叉韧带损伤的康复方案研究： Ⅰ度损伤的保守治疗［J］. 体育科技文献通报， 2020， 28（2）： 150-1， 154.

［23］" "谢羽婕， 季玉秀， 张" 驰. 前交叉韧带损伤诊治策略［J］. 西南医科大学学报， 2023， 46（6）： 483-8.

［24］" Stone AV， Marx S， Conley CW. Management of partial tears of the anterior cruciate ligament： a review of the anatomy， diagnosis， and treatment［J］. J Am Acad Orthop Surg， 2021， 29（2）： 60-70.

［25］" Carulli C， Innocenti M， Roselli G， et al. Partial rupture of anterior cruciate ligament： preliminary experience of selective reconstruction［J］. J Orthop Traumatol， 2020， 21（1）： 5.

［26］" 黄瑜亮， 黄" 斌， 严" 俊. 结直肠癌的早期诊断技术进展［J］. 分子影像学杂志， 2019， 42（1）： 77-80.

［27］" 杨剑锋， 乔佩蕊， 李永梅， 等. 机器学习分类问题及算法研究综述［J］. 统计与决策， 2019， 35（6）： 36-40.

（编辑：郎" 朗）