引用本文： 李遠哲, 賴清泉, 黃婧, 胡偉藝, 王毅, 方凱彬. 基于膝關節MRI影像組學的半月板撕裂自動鑒別算法研究. 中國修復重建外科雜志, 2022, 36(11): 1395-1399. doi: 10.7507/1002-1892.202206016 復制
半月板撕裂是膝關節常見損傷類型之一 [1-2]。關節鏡檢查是診斷半月板損傷“金標準”，但有創，因此需要探索一種無創且準確的檢查方法。MRI是公認具有較高準確性的半月板撕裂檢測方法 [3-4]，在掃描條件良好前提下，如患者配合度高且無其他偽影干擾，準確率可達85% [5-6]。但是，基于MRI圖像判斷半月板損傷程度的準確性與醫生經驗密切相關，存在較強主觀性。同時，隨著醫學影像技術的發展，醫學圖像分辨率及掃描精細程度越來越高，獲得的圖像數據越來越多，其中含有大量干擾和無用信息，影響了醫生的判斷，如何高效、準確挖掘有效信息顯得尤為重要。
影像組學是一種從醫學圖像中提取關鍵參數的方法，近年來已在許多領域得到應用并取得一定成果，例如腫瘤診治[7-9]、精神疾病及心臟疾病診斷方面 [10-11]，但是用于半月板損傷診斷的研究相對較少。目前，有研究采用深度學習從膝關節MRI圖像自動分割半月板 [12-14]，并獲得較好效果，但缺少對半月板撕裂診斷的研究。本研究利用MRI影像組學建立半月板撕裂自動鑒別模型，以期提高半月板撕裂診斷的準確率。
1 材料與方法
1.1 研究對象
以2018年7月—2021年3月福建醫科大學附屬第二醫院骨科收治的半月板損傷患者228例（246膝）為研究對象。男146例，女82例；年齡9～76歲，中位年齡53歲。單膝210例，其中左膝95例、右膝115例；雙膝18例。患者均經關節鏡（Stryker公司，美國）檢查明確半月板損傷，其中撕裂半月板117膝，非撕裂半月板129膝。
1.2 研究方法
1.2.1 MRI數據獲得
所有患者關節鏡檢查前采用3.0T MRI系統（Philips公司，荷蘭）行膝關節MRI檢查。檢查時沙袋固定患者小腿，掃描中心定于關節間隙水平，冠狀位掃描線與脛骨平臺平行，矢狀位掃描線與脛骨平臺垂直。本研究選取矢狀位質子密度加權頻率衰減翻轉恢復（proton density weighted-spectral attenuated inversion recovery，PDW-SPAIR）序列進行影像組學研究。掃描參數： 重復時間/回波時間 3 000 ms/30 ms，矩陣 512×512，視野 160 mm×160 mm，層厚3 mm，層間距0 mm。
1.2.2 感興趣區域（region of interest，ROI）分割及標注
由1名具有10年肌肉骨骼診斷經驗的放射科醫生（醫生A）獨立使用ITK-SNAP 3.6.0軟件勾畫ROI，在膝關節MRI矢狀位PDW-SPAIR序列上手動分割半月板圖像（圖1）；1個月后重復上述操作，以評估同一觀察者兩次操作一致性（組內一致性）。另由1名具有15年肌肉骨骼診斷經驗的放射科醫生（醫生B）獨立完成上述操作，以評估不同觀察者間一致性（組間一致性）。
圖1
基于MRI矢狀位PDW-SPAIR序列行半月板分割示意圖
紅色部分示半月板區域 a. 撕裂半月板；b. 非撕裂半月板
Figure1. Schematic diagram of meniscus segmentation based on PDW-SPAIR sequence of sagittal MRIRed part showed the meniscus a. Meniscus tear; b. Meniscus non-tear injury
1.2.3 影像組學特征提取
使用AK軟件（人工智能工具包；GE Healthcare公司，美國）的影像組學模塊，于半月板ROI提取影像組學特征。所有提取特征可細分為以下類別：一階統計量、基于形狀、灰度共生矩陣（gray-level co-occurrence matrix，GLCM）、灰度大小區域矩陣（gray-level size zonematrix，GLSZM）、灰度游程長度矩陣（gray-level run-length matrix，GLRLM）、一階特征和灰度相關性矩陣（gray level dependence matrix，GLDM）等。影像組學特征描述參照PyRadiomics文檔網站 （http://pyradiomics.readthedocs.io）。對獲得的特征進行歸一化，并去除單位限制。以組內和組間相關系數（intraclass correlation coefficient，ICC）確定影像組學特征提取一致性，將ICC>0.80特征歸類為一致性良好的特征[15-16]。保留一致性良好的影像組學特征，使用最大相關-最小冗余（max-relevance and min-redundancy，mRMR）和套索算法（least absolute shrinkage and selection operator，LASSO）進行選擇。首先進行mRMR去除冗余和無關特征，保留20個特征；然后進行LASSO，選擇最優特征子集，構建最終模型。本研究取1.2.2中醫生A第1次勾畫的ROI提取影像組學特征并建模。
1.2.4 訓練模型與驗證
將246膝按照7∶3比例隨機分成訓練組及測試組。其中，訓練組172膝中包含撕裂半月板82膝、非撕裂半月板90膝；測試組74膝中包含撕裂半月板35例、非撕裂半月板39例。訓練組與測試組數據保持絕對獨立。
根據選擇后的影像組學特征，使用訓練組訓練支持向量機（support vector machine，SVM）建立半月板撕裂自動鑒別模型。訓練時采取十折交叉驗證（10-fold cross-validation）保證訓練準確性，獲得訓練組受試者工作特征曲線（receiver operator characteristic curve，ROC）和相對應曲線下面積（area under ROC curve，AUC）、靈敏度、特異度，以關節鏡檢查結果作為判斷標準計算準確率。最后將測試組數據輸入訓練完成的半月板撕裂自動鑒別模型，計算準確率，繪制ROC并獲取AUC、靈敏度、特異度，對模型性能進行綜合評估。
2 結果
2.1 影像組學特征提取
于半月板ROI共提取1 316維影像組學特征，其中981維組內和組間ICC>0.80。通過mRMR將981維影像組學特征中的冗余信息進行消除，保留20維。進一步通過LASSO選擇最優特征子集，確定選用8維最顯著影像組學特征，平均組內、組間ICC為0.942、0.920，特征序號見表1；特征圖見圖2，按特征重要性評分排序，縱坐標評分越大，表明該影像組學特征貢獻率越明顯。
表1
8維最顯著影像組學特征ICC
Table1.
ICC of the best 8-dimensional radiomic features
圖2
最顯著影像組學特征及其相應評分
Figure2.
The best radiomic features and their corresponding scores
2.2 半月板撕裂自動鑒別模型性能評估
訓練組ROC見圖3a，AUC為0.889±0.036 ［95%CI（0.845，0.942），P<0.001］，準確率、靈敏度、特異度分別為0.873、0.869、0.842。測試組ROC曲線見圖3b，AUC為0.876±0.036 ［95%CI（0.875，0.984），P<0.001］，準確率、靈敏度、特異度分別為0.862、0.851、0.845。
圖3
兩組ROC
a. 訓練組；b. 測試組
Figure3. ROC of two groupsa. Training group; b. Testing group
3 討論
在臨床實踐中，有許多因素會影響影像診斷半月板撕裂的準確性。例如：將Humphry韌帶、Wrisberg韌帶等結構誤認為損傷部分；部分截斷偽影、魔角效應使半月板體部邊緣出現類似輕度撕裂信號[17-18]。近年來，基于膝關節MRI半月板損傷自動檢測的人工智能算法已有報道，但是主要聚焦于半月板自動分割及損傷的自動判別，針對半月板撕裂檢測鮮有報道 [19-24]。本研究通過半月板MRI的PDW-SPAIR序列影像提取高通量組學特征，利用LASSO作為穩定變量濾波器的優勢篩選特征，使用SVM對篩選后的影像組學特征構建模型，得到了性能較高的半月板撕裂自動鑒別模型，達到了AUC 0.889±0.036、準確率0.873的表現，稍高于影像科醫生結合多影像序列的診斷準確率（0.85）[5-6]，證明半月板撕裂與否在異質性和PDW-SPAIR序列影像表現方面存在顯著差異，選定的影像組學特征能檢測兩者間差異。這也提示影像組學可用于自動診斷半月板撕裂，后續可結合多序列進行多模態影像的影像組學研究，有望進一步提高基于影像組學的半月板撕裂自動鑒別性能，提升其診斷準確度。但本研究需要醫生手動勾畫半月板ROI，是其不足之處。
隨著影像組學及醫學影像人工智能研究的深入發展，我們將在本研究基礎上加大研究樣本量和優化運算流程，并進行半月板全自動分割研究，以期形成全自動輔助診斷系統。
利益沖突 在課題研究和文章撰寫過程中不存在利益沖突；經費支持沒有影響文章觀點和對研究數據客觀結果的統計分析及其報道
倫理聲明 研究方案經福建醫科大學附屬第二醫院醫學倫理委員會批準【[2021]福醫附二倫理審字（303）號】
作者貢獻聲明 李遠哲：研究設計及實施、文章撰寫；王毅：研究實施；黃婧、胡偉藝：數據收集整理及統計分析；賴清泉、方凱彬：行政支持
半月板撕裂是膝關節常見損傷類型之一 [1-2]。關節鏡檢查是診斷半月板損傷“金標準”，但有創，因此需要探索一種無創且準確的檢查方法。MRI是公認具有較高準確性的半月板撕裂檢測方法 [3-4]，在掃描條件良好前提下，如患者配合度高且無其他偽影干擾，準確率可達85% [5-6]。但是，基于MRI圖像判斷半月板損傷程度的準確性與醫生經驗密切相關，存在較強主觀性。同時，隨著醫學影像技術的發展，醫學圖像分辨率及掃描精細程度越來越高，獲得的圖像數據越來越多，其中含有大量干擾和無用信息，影響了醫生的判斷，如何高效、準確挖掘有效信息顯得尤為重要。
影像組學是一種從醫學圖像中提取關鍵參數的方法，近年來已在許多領域得到應用并取得一定成果，例如腫瘤診治[7-9]、精神疾病及心臟疾病診斷方面 [10-11]，但是用于半月板損傷診斷的研究相對較少。目前，有研究采用深度學習從膝關節MRI圖像自動分割半月板 [12-14]，并獲得較好效果，但缺少對半月板撕裂診斷的研究。本研究利用MRI影像組學建立半月板撕裂自動鑒別模型，以期提高半月板撕裂診斷的準確率。
1 材料與方法
1.1 研究對象
以2018年7月—2021年3月福建醫科大學附屬第二醫院骨科收治的半月板損傷患者228例（246膝）為研究對象。男146例，女82例；年齡9～76歲，中位年齡53歲。單膝210例，其中左膝95例、右膝115例；雙膝18例。患者均經關節鏡（Stryker公司，美國）檢查明確半月板損傷，其中撕裂半月板117膝，非撕裂半月板129膝。
1.2 研究方法
1.2.1 MRI數據獲得
所有患者關節鏡檢查前采用3.0T MRI系統（Philips公司，荷蘭）行膝關節MRI檢查。檢查時沙袋固定患者小腿，掃描中心定于關節間隙水平，冠狀位掃描線與脛骨平臺平行，矢狀位掃描線與脛骨平臺垂直。本研究選取矢狀位質子密度加權頻率衰減翻轉恢復（proton density weighted-spectral attenuated inversion recovery，PDW-SPAIR）序列進行影像組學研究。掃描參數： 重復時間/回波時間 3 000 ms/30 ms，矩陣 512×512，視野 160 mm×160 mm，層厚3 mm，層間距0 mm。
1.2.2 感興趣區域（region of interest，ROI）分割及標注
由1名具有10年肌肉骨骼診斷經驗的放射科醫生（醫生A）獨立使用ITK-SNAP 3.6.0軟件勾畫ROI，在膝關節MRI矢狀位PDW-SPAIR序列上手動分割半月板圖像（圖1）；1個月后重復上述操作，以評估同一觀察者兩次操作一致性（組內一致性）。另由1名具有15年肌肉骨骼診斷經驗的放射科醫生（醫生B）獨立完成上述操作，以評估不同觀察者間一致性（組間一致性）。
圖1
基于MRI矢狀位PDW-SPAIR序列行半月板分割示意圖
紅色部分示半月板區域 a. 撕裂半月板；b. 非撕裂半月板
Figure1. Schematic diagram of meniscus segmentation based on PDW-SPAIR sequence of sagittal MRIRed part showed the meniscus a. Meniscus tear; b. Meniscus non-tear injury
1.2.3 影像組學特征提取
使用AK軟件（人工智能工具包；GE Healthcare公司，美國）的影像組學模塊，于半月板ROI提取影像組學特征。所有提取特征可細分為以下類別：一階統計量、基于形狀、灰度共生矩陣（gray-level co-occurrence matrix，GLCM）、灰度大小區域矩陣（gray-level size zonematrix，GLSZM）、灰度游程長度矩陣（gray-level run-length matrix，GLRLM）、一階特征和灰度相關性矩陣（gray level dependence matrix，GLDM）等。影像組學特征描述參照PyRadiomics文檔網站 （http://pyradiomics.readthedocs.io）。對獲得的特征進行歸一化，并去除單位限制。以組內和組間相關系數（intraclass correlation coefficient，ICC）確定影像組學特征提取一致性，將ICC>0.80特征歸類為一致性良好的特征[15-16]。保留一致性良好的影像組學特征，使用最大相關-最小冗余（max-relevance and min-redundancy，mRMR）和套索算法（least absolute shrinkage and selection operator，LASSO）進行選擇。首先進行mRMR去除冗余和無關特征，保留20個特征；然后進行LASSO，選擇最優特征子集，構建最終模型。本研究取1.2.2中醫生A第1次勾畫的ROI提取影像組學特征并建模。
1.2.4 訓練模型與驗證
將246膝按照7∶3比例隨機分成訓練組及測試組。其中，訓練組172膝中包含撕裂半月板82膝、非撕裂半月板90膝；測試組74膝中包含撕裂半月板35例、非撕裂半月板39例。訓練組與測試組數據保持絕對獨立。
根據選擇后的影像組學特征，使用訓練組訓練支持向量機（support vector machine，SVM）建立半月板撕裂自動鑒別模型。訓練時采取十折交叉驗證（10-fold cross-validation）保證訓練準確性，獲得訓練組受試者工作特征曲線（receiver operator characteristic curve，ROC）和相對應曲線下面積（area under ROC curve，AUC）、靈敏度、特異度，以關節鏡檢查結果作為判斷標準計算準確率。最后將測試組數據輸入訓練完成的半月板撕裂自動鑒別模型，計算準確率，繪制ROC并獲取AUC、靈敏度、特異度，對模型性能進行綜合評估。
2 結果
2.1 影像組學特征提取
于半月板ROI共提取1 316維影像組學特征，其中981維組內和組間ICC>0.80。通過mRMR將981維影像組學特征中的冗余信息進行消除，保留20維。進一步通過LASSO選擇最優特征子集，確定選用8維最顯著影像組學特征，平均組內、組間ICC為0.942、0.920，特征序號見表1；特征圖見圖2，按特征重要性評分排序，縱坐標評分越大，表明該影像組學特征貢獻率越明顯。
表1
8維最顯著影像組學特征ICC
Table1.
ICC of the best 8-dimensional radiomic features
圖2
最顯著影像組學特征及其相應評分
Figure2.
The best radiomic features and their corresponding scores
2.2 半月板撕裂自動鑒別模型性能評估
訓練組ROC見圖3a，AUC為0.889±0.036 ［95%CI（0.845，0.942），P<0.001］，準確率、靈敏度、特異度分別為0.873、0.869、0.842。測試組ROC曲線見圖3b，AUC為0.876±0.036 ［95%CI（0.875，0.984），P<0.001］，準確率、靈敏度、特異度分別為0.862、0.851、0.845。
圖3
兩組ROC
a. 訓練組；b. 測試組
Figure3. ROC of two groupsa. Training group; b. Testing group
3 討論
在臨床實踐中，有許多因素會影響影像診斷半月板撕裂的準確性。例如：將Humphry韌帶、Wrisberg韌帶等結構誤認為損傷部分；部分截斷偽影、魔角效應使半月板體部邊緣出現類似輕度撕裂信號[17-18]。近年來，基于膝關節MRI半月板損傷自動檢測的人工智能算法已有報道，但是主要聚焦于半月板自動分割及損傷的自動判別，針對半月板撕裂檢測鮮有報道 [19-24]。本研究通過半月板MRI的PDW-SPAIR序列影像提取高通量組學特征，利用LASSO作為穩定變量濾波器的優勢篩選特征，使用SVM對篩選后的影像組學特征構建模型，得到了性能較高的半月板撕裂自動鑒別模型，達到了AUC 0.889±0.036、準確率0.873的表現，稍高于影像科醫生結合多影像序列的診斷準確率（0.85）[5-6]，證明半月板撕裂與否在異質性和PDW-SPAIR序列影像表現方面存在顯著差異，選定的影像組學特征能檢測兩者間差異。這也提示影像組學可用于自動診斷半月板撕裂，后續可結合多序列進行多模態影像的影像組學研究，有望進一步提高基于影像組學的半月板撕裂自動鑒別性能，提升其診斷準確度。但本研究需要醫生手動勾畫半月板ROI，是其不足之處。
隨著影像組學及醫學影像人工智能研究的深入發展，我們將在本研究基礎上加大研究樣本量和優化運算流程，并進行半月板全自動分割研究，以期形成全自動輔助診斷系統。
利益沖突 在課題研究和文章撰寫過程中不存在利益沖突；經費支持沒有影響文章觀點和對研究數據客觀結果的統計分析及其報道
倫理聲明 研究方案經福建醫科大學附屬第二醫院醫學倫理委員會批準【[2021]福醫附二倫理審字（303）號】
作者貢獻聲明 李遠哲：研究設計及實施、文章撰寫；王毅：研究實施；黃婧、胡偉藝：數據收集整理及統計分析；賴清泉、方凱彬：行政支持
