葉森琦，侯志鵬，張吉輝，顧勇杰，于 亮，趙劉軍*

(1.寧波大學(xué)醫(yī)學(xué)院，浙江 寧波 315211；2.寧波大學(xué)醫(yī)學(xué)院附屬寧波市第六醫(yī)院脊椎外科，浙江 寧波 315040)

椎體骨折好發(fā)于中老年人，可由多種因素，如骨質(zhì)疏松癥、腫瘤、急性創(chuàng)傷等導(dǎo)致[1]，隨著人口老齡化加劇，其發(fā)生率逐年升高；但部分椎體骨折的影像學(xué)表現(xiàn)不明顯，存在漏診可能，影響患者預(yù)后[2-3]。近年來，影像組學(xué)逐漸發(fā)展，以此開發(fā)的輔助診斷疾病、指導(dǎo)治療、預(yù)測預(yù)后的模型[4-5]已廣泛用于腫瘤領(lǐng)域[6-7]。本文對影像組學(xué)研究椎體骨折相關(guān)進展進行綜述。

1 影像組學(xué)分析椎體骨折流程

影像組學(xué)分析椎體骨折的基本流程主要包括：①采集圖像；②分割圖像和勾畫ROI；③提取及篩選圖像特征；④建立及驗證模型。

1.1 采集圖像 作為影像組學(xué)分析的第一步，需要采集優(yōu)質(zhì)圖像資料，包括X線片、CT、MRI及超聲等。采集影像過程中應(yīng)最大程度避免異質(zhì)性，以提高數(shù)據(jù)的準(zhǔn)確性及可重復(fù)性；具體方法如采用統(tǒng)一標(biāo)準(zhǔn)設(shè)備采集圖像，維持其像素及灰度一致，并保持患者的同質(zhì)性等[8]。目前影像組學(xué)主要針對骨折部位的X線片、CT及MRI研究椎體骨折；如受實際條件限制使圖像異質(zhì)性過大，則需對圖像進行預(yù)處理，盡可能使之保持一致[9-10]。

1.2 分割圖像及勾畫ROI 分割圖像及勾畫ROI的準(zhǔn)確性是能否成功構(gòu)建模型的關(guān)鍵。分割圖像的方式主要包括手動分割和自動分割。手動分割多由1名或多名有經(jīng)驗的放射科醫(yī)師或脊柱外科醫(yī)師利用影像分割軟件(如3D slicer、ITK-SNAP、MIMICS等)進行，之后勾畫ROI的準(zhǔn)確度高，但受醫(yī)師主觀因素影響較大[10-11]。自動分割分為半自動分割和全自動分割，包括各種基于深度學(xué)習(xí)(deep learning，DL)的自動分割方法，如深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolutional neural network, DCNN)及人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)等[9,12-13]；目前針對椎體骨折的自動分割方法的精度及可重復(fù)性有限，且缺乏統(tǒng)一標(biāo)準(zhǔn)。

1.3 提取及篩選圖像特征 確定ROI后，須施行影像組學(xué)的核心步驟，即從ROI中提取高通量圖像特征，通常包括語義特征(semantic features)、基于形狀的特征(shape-based features)、一階特征(first-order features)、二階特征(second-order features)及高階特征(higher-order features)等[5,14]。語義特征指通常用于描述圖像的影像學(xué)特征，如病灶的形狀、大小及位置等?；谛螤畹奶卣魅缇o湊性、球形度等[15]。一階特征又稱直方圖特征，基于單像素或單體素分析獲得，包括灰度均值、偏度、峰度及熵等[16]。二階特征又稱紋理特征，可從不同的矩陣中提取，如灰度游程矩陣(gray level run length matrix, GLRLM)及灰度共生矩陣(gray level concurrence matrix, GLCM)等[14]。高階特征即基于變換的特征，包括小波變換和拉普拉斯變換等?；谟跋駥W(xué)資料可提取成千上萬個特征，但并非所有特征均可用于最終建模；為避免過度擬合風(fēng)險[17]，需要篩選最具相關(guān)性的最佳特征并去除冗余特征，以構(gòu)建高質(zhì)量模型。

1.4 建立及驗證模型 篩選得到最佳特征后，即可通過人工智能、機器學(xué)習(xí)(machine learning, ML)及統(tǒng)計學(xué)分析進行數(shù)據(jù)挖掘、分析并建立模型，后者包括logistic回歸模型、生存分析、Cox回歸、支持向量機(support vector machine, SVM)及隨機森林(random forest, RF)等[5]，需結(jié)合實際加以選擇。模型建立后，還需對其進行驗證、測試，以評估模型性能，并比較不同模型的性能差異。目前常通過交叉檢驗法、受試者工作特征(receiver operating characteristic, ROC)曲線及曲線下面積(area under the curve, AUC)評估模型性能[18]。

2 影像組學(xué)研究椎體骨折

2.1 診斷椎體骨折 對于一般椎體骨折而言，影像組學(xué)診斷與人工讀片無明顯差異甚至優(yōu)于人工[9]；但對于隱匿性、微小椎體骨折等人工不易發(fā)現(xiàn)的類型[2]，影像組學(xué)具有獨特優(yōu)勢。彭云等[19]采用紋理分析和ML，基于椎體矢狀位CT圖像構(gòu)建的影像組學(xué)模型診斷訓(xùn)練集、驗證集隱匿性椎體骨折的AUC分別為1和0.84，基于椎體軸位CT圖像構(gòu)建的模型在訓(xùn)練集及驗證集的AUC分別為1和0.85。MUEHLEMATTER等[10]通過骨紋理分析結(jié)合ML算法建立影像組學(xué)模型，其診斷椎體不完全性骨折的AUC最高達(dá)0.97。目前，已有研究者[20]嘗試將自動識別椎體骨折模型應(yīng)用于臨床，以降低漏診率，并取得了較好效果。

2.2 鑒別椎體骨折類型 明確椎體骨折病因系良性病變(外傷、骨質(zhì)疏松等)或惡性病變(骨腫瘤、轉(zhuǎn)移癌等)選擇治療方案的關(guān)鍵。LI等[12]以DL方法分析433例(惡性296例、良性137例)患者的CT圖像，以區(qū)分良、惡性病變所致椎體骨折，發(fā)現(xiàn)軟組織腫塊和骨質(zhì)破壞等視覺特征高度提示惡性病變，而橫向骨折線則高度提示良性病變。CHEE等[11]以多變量logistic回歸分析將臨床特征與影像組學(xué)特征相結(jié)合而構(gòu)建影像組學(xué)-臨床聯(lián)合模型，其在訓(xùn)練集和驗證集的AUC均高于單一影像組學(xué)模型及臨床模型。YODA等[21]觀察47例惡性病變、50例良性病變致椎體骨折患者，使用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)學(xué)習(xí)其短T1反轉(zhuǎn)恢復(fù)(short-T1 inversion recovery，STIR)序列圖像和T1WI信息特征，并采用ROC曲線評估模型性能，結(jié)果顯示基于STIR和T1WI的CNN模型的AUC分別為0.967和0.984，與3名脊柱外科醫(yī)師診斷結(jié)果差異無統(tǒng)計學(xué)意義。另有研究[22]比較 logistic回歸模型、分類樹模型、SVM模型與神經(jīng)網(wǎng)絡(luò)模型用于判斷MRI中的良、惡性病變所致椎體骨折的AUC，結(jié)果表明4種模型性能相近，其AUC差異均無統(tǒng)計學(xué)意義。

影像組學(xué)為鑒別診斷新鮮與陳舊椎體骨折、急性與慢性椎體骨折提供了可能。CHEN等[23]開發(fā)的基于X線片的DL模型鑒別新鮮與陳舊椎體骨折的AUC為0.80，用于3級椎體壓縮性骨折的AUC達(dá)0.89。YABU等[24]基于MRI通過CNN構(gòu)建模型，其診斷新鮮椎體骨折的效能與脊柱外科醫(yī)師人工讀片相近。YANG等[18]報道，基于CT影像組學(xué)特征、聯(lián)合臨床特征構(gòu)建的模型鑒別急、慢性椎體壓縮性骨折的敏感度優(yōu)于任一單一模型。

2.3 預(yù)測椎體骨折 預(yù)測椎體骨折風(fēng)險有利于有針對性地進行預(yù)防，以減少椎體骨折事件發(fā)生。影像組學(xué)可用于預(yù)測椎體骨折。ZHANG等[13]納入80例患者，自定量CT(quantitative computed tomography, QCT)圖像中提取58個影像組學(xué)特征，經(jīng)過特征篩選后構(gòu)建模型評估腰椎強度，結(jié)果顯示其有助于預(yù)測腰椎椎體骨折風(fēng)險。GUI等[25]以接受立體定向放射治療的脊柱轉(zhuǎn)移癌患者為研究對象，采用最小絕對收縮和選擇算子(least absolute shrinkage and selection operator，LASSO)方法基于CT圖像及MR T1WI篩選影像組學(xué)特征，并結(jié)合臨床特征構(gòu)建模型，其評估放射治療后1年內(nèi)發(fā)生椎體壓縮性骨折的AUC為0.878，優(yōu)于基于臨床特征(AUC=0.795)或僅以脊柱不穩(wěn)定性腫瘤評分(AUC=0.579)建立的模型。劉進等[26]收集135例患者的366個椎體(其中67個椎體發(fā)生再次骨折)，共提取1 746個MRI組學(xué)特征，經(jīng)篩選后獲取13個最佳特征構(gòu)建ML模型，再分別以臨床特征、影像組學(xué)特征和二者聯(lián)合構(gòu)建模型，以預(yù)測胸腰段椎體強化術(shù)后再發(fā)骨折的可能性，結(jié)果顯示聯(lián)合模型的性能更佳。

3 小結(jié)與展望

影像組學(xué)在診斷椎體骨折、鑒別其類型及預(yù)測椎體骨折等方面均展現(xiàn)出可行性、優(yōu)越性和巨大的應(yīng)用潛力，有助于預(yù)防、治療椎體骨折及評估預(yù)后。但目前勾畫ROI及提取特征等尚缺乏統(tǒng)一標(biāo)準(zhǔn)，且圖像來源、分析軟件等均未統(tǒng)一，影響結(jié)果的可重復(fù)性，導(dǎo)致其臨床應(yīng)用受限[14]。建立多中心數(shù)據(jù)庫，實現(xiàn)數(shù)據(jù)共享、數(shù)據(jù)收集及評價標(biāo)準(zhǔn)的統(tǒng)一化等將促進影像組學(xué)技術(shù)不斷完善、成熟；將影像組學(xué)特征與臨床甚至其他生物變量相結(jié)合，有利于進一步實現(xiàn)個性化診療。