X线纹理分析与机器学习结合，助力隐匿性骨折早期诊断

创作时间:

作者:

@小白创作中心

X线纹理分析与机器学习结合，助力隐匿性骨折早期诊断

引用

MedSci-临床研究与学术平台

https://m.medsci.cn/article/show_article.do?id=8ddf8615343c

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，导致患者延误治疗。近年来，随着医学影像学和人工智能技术的发展，研究者们开始尝试将X线纹理分析与机器学习相结合，以提高隐匿性骨折的早期诊断率。本文介绍了一项最新研究，探讨了这一方法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。

图1. 病例对照研究的设计和纳入流程图

研究方法

研究团队回顾性分析了2018 - 2022年膝关节X线片阴性骨折患者169例，这些患者经MRI检查后被诊断为隐匿性胫骨平台骨折或无骨折。研究使用了患者膝关节X线图像进行纹理特征提取。共使用9种ML特征选择方法（包括6种主流方法和3种马自达软件提供的方法）结合3种分类方法构建最佳诊断模型。每个模型的性能通过准确性、f1值和曲线下面积（AUC）来评估。

研究结果

研究发现，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。

表1. 各组患者临床特点及影像学表现