膝关节X线片纹理分析与机器学习：识别隐匿性骨折的新方法
膝关节X线片纹理分析与机器学习：识别隐匿性骨折的新方法
膝关节隐匿性骨折由于其症状不明显，常常在常规X线检查中被漏诊，导致治疗延误。近年来，随着机器学习技术的发展，有研究尝试将其与医学影像学结合，以提高诊断准确性。本文介绍了一项最新研究，探讨了膝关节X线片纹理分析与机器学习相结合在识别胫骨平台隐匿性骨折中的应用潜力。
膝关节作为人体重要的承重关节，极易受到创伤。其中，胫骨平台骨折的发生率约占所有骨折的1%，占老年人骨折的8%。隐匿性骨折是指以指骨小梁骨折为特征的骨折类型，又称隐匿性骨折、软骨下骨挫伤、隐匿性骨内骨折。X线检查是一种方便、经济的影像学检查方法，在临床工作中尤其在骨科急诊患者的检查中更受青睐。当发生隐匿性骨折时，由于骨骼的细微变化，常规X线检查往往不能发现骨结构的变化，除了软组织肿胀、关节囊积液等间接征象，容易漏诊，延误患者治疗，甚至加重病情。
磁共振成像（MRI）在发现隐蔽性骨折方面具有很大的优势，但由于MRI耗时长，且有较多的禁忌症，很少用于骨外伤患者的急诊检查。通过MRI诊断为隐匿性骨折的患者通常距离第一次检查有一段时间。在此期间，医生的错误治疗或患者的疏忽可能导致病情恶化。因此，提高隐匿性骨折的早期诊断率对改善患者预后具有积极作用。
纹理分析（TeXture analysis， TA）可以提取许多肉眼不可见的图像特征，反映病变内部的异质性。由于TA涉及的数据量大，因此采用相应的算法进行特征提取和模型构建。经过训练后，这些特征可以导致被称为机器学习（ML）的强推断。通过从过去的计算中学习并从大量数据库中提取规则，它可以帮助人类生成可靠且可重复的决策。通过使用ML方法从大量纹理特征中过滤出诊断疾病的关键信息，可以促进辅助诊断，分类或疾病分级。近年来，放射组学在多系统肿瘤的鉴别诊断、病理分级、预后预测和疗效评价等方面得到了广泛的研究和应用。在肌肉骨骼成像方面，大多数研究主要集中在骨质疏松症、骨折、骨关节炎等疾病的诊断上，并取得了许多成果。然而，目前利用X线TA影像预测隐匿性骨折的研究较少，探索基于平片预测隐匿性骨折风险的ML模型显得尤为必要。本研究有两个主要目的：一是从膝关节X线图像中提取纹理特征，并比较各种ML方法在胫骨平台隐匿性骨折分类中的性能。二是选择最佳特征选择方法，识别诊断胫骨平台隐匿性骨折的关键特征，最终建立最有效的骨折风险预测模型。
病例对照研究的设计和纳入流程图
本研究中使用的工作流程
胫骨平台隐匿性骨折2例。图中显示的是一名23岁的男性，左膝受伤；正位和侧位x线片未见明确骨折（A，B）；MRI示胫骨内侧平台脂肪饱和T1WI低信号线性影，脂肪饱和T2WI低信号线性影，脂肪抑制PDWI高信号线性影，骨髓水肿伴关节囊积液（C-E）。另一例为右膝外伤的28岁女性；x线正位片和侧位片未见明确骨折（F，G）；后续MRI示胫骨外侧平台脂肪饱和T1WI低信号、脂肪饱和T2WI低信号、脂肪抑制PDWI高信号线性影，伴关节囊积液（H-J）。MRI，磁共振成像；TIWI、t1加权成像；T2WI、t2加权成像；PDWI，质子密度加权成像
各组患者临床特点及影像学表现
6种机器学习方法和3种特征选择方法的分类准确率、f1得分和AUC比较
结合logistic回归分类器（A-C）、SVM分类器（D-F）、GaussianNB （G-I）九种特征选择方法的ROC曲线分析。ROC，接收机工作特性；支持向量机；高斯朴素贝叶斯；LASSO，最小绝对收缩和选择算子；RFE，递归特征消去；GBDT，梯度增强决策树；RF，嵌入式随机森林；XGBoost，极端梯度增强；POE + ACC，分类误差概率+平均修正系数；MI，互信息。
LASSO模型特征重要性盒图（左前22个特征）。由LASSO选出的29个特征的重要性分布。通过最优参数选择，保留高均值左侧的前22个特征。LASSO，最小绝对收缩和选择算子。
结果：最小绝对收缩和选择算子（LASSO）法在6种主流方法中表现最佳，准确率为0.81，F1值为0.80，AUC为0.920，均高于其他5种方法（准确率范围为0.65 ~ 0.80，F1评分范围为0.61 ~ 0.79，AUC范围为0.722 ~ 0.895）。在软件的三种特征选择模型中，最理想的精度测量方法是MI方法，达到0.77。在F1值和AUC的测量中，最佳方法是Fisher，分别达到0.78和0.888。各项指标均低于LASSO法。LASSO与支持向量机（SVM）组合的分类性能最好，LASSO与logistic回归组合的分类性能稍差，但差异无统计学意义。
结论：膝关节X线摄影TA联合ML在识别胫骨平台隐匿性骨折风险患者方面取得了很高的效果。从模型性能和计算复杂度两方面考虑，LASSO特征选择方法与逻辑回归分类器相结合的分类性能最好。
文献来源： Zeng J; Zou F; Chen H;TeXture analysis combined with machine learning in radiographs of the knee joint: potential to identify tibial plateau occult fractures.Quant Imaging Med Surg 2025 Jan 02;15(1):502-514