J Orthop Surg Res：基于机器学习的多序列MRI放射组学在前交叉韧带撕裂诊断中的应用

前交叉韧带(ACL)通过防止胫骨前移位来维持膝关节的稳定性，并保护正常的膝关节功能。前交叉韧带损伤或严重松弛可引起膝关节不稳定，导致突出的症状和并发症，包括膝关节骨关节炎，以及半月板和软骨损伤。因此，及时准确的诊断和早期干预对于恢复膝关节稳定性和功能至关重要。虽然关节镜检查被认为是诊断ACL损伤的金标准，但它是侵入性的，存在手术风险。

相反，磁共振成像(MRI)被认为是诊断ACL损伤的理想方法，具有高对比度、高分辨率、非侵入性和多平面成像等优点。MRI不仅提供了正常前交叉韧带形态的清晰视图，还提供了撕裂的位置和程度的详细信息，以及与前交叉韧带损伤相关的其他膝关节损伤。然而，通过MRI诊断前交叉韧带损伤通常依赖于放射科医生的视觉评估，这一过程耗费大量时间，并且严重依赖于主治医生的专业知识。此外，即使在经验丰富的放射科医生中，在解释膝关节MRI扫描结果时，观察者之间和观察者内部的一致性最多仍然是中等可靠的。

研究人员已经开始将放射组学与机器学习技术相结合，以提高ACL损伤诊断的准确性和效率。放射组学作为一种高通量、自动化的临床影像数据分析方法，在疾病诊断和预后方面提供了重要帮助。放射组学和机器学习技术的结合在肌肉骨骼疾病的准确诊断和分类方面显示出巨大的潜力。这种协同效应提高了各种任务的诊断效率，包括检测和表征急性关节损伤、慢性病理、脊柱骨折、退行性疾病和肿瘤。

许多研究探索了基于放射组学的ACL损伤诊断。然而，这些方法大多侧重于从单个MRI序列中提取特征，而忽略了一些重要的放射组学特征。一些研究表明，使用多序列MRI构建的模型比单序列模型具有显著的性能优势。因此，我们建议使用多序列MRI，因为它可能包含更多有价值的信息。此外，这些研究强调深度学习的应用，对传统机器学习算法的潜力给予了有限的关注。最近，人们比较了不同的机器学习分类器，以确定最优的机器学习方法。因此，我们比较了五种机器学习算法，以选择性能最好的一种用于模型构建。

本研究旨在将多序列MRI放射组学与机器学习算法相结合，以提取更有价值的放射组学特征。目的是大幅度提高ACL撕裂诊断的诊断性能和准确性。

详细介绍患者招募过程的流程图

方法：回顾性分析526例患者，其中前交叉韧带撕裂178例，前交叉韧带正常348例。放射组学特征来自多序列MRI扫描，包括t1加权成像和质子密度(PD)加权成像。选择最可靠的放射组学特征的过程涉及使用类间相关系数(ICC)检验、t检验和最小绝对收缩和选择算子(LASSO)技术。经过特征选择过程，创建了5个机器学习分类器。这些分类器包括逻辑回归(LR)、支持向量机(SVM)、k近邻(KNN)、光梯度增强机(LightGBM)和多层感知器(MLP)。采用多种指标，如受试者工作特征曲线下面积(ROC)、特异性、准确性、敏感性、阳性预测值和阴性预测值等，进行了全面的性能评估。选择了性能最好的分类器。随后，建立了基于最优分类器的PD模型、T1模型和组合模型。通过AUC值、校准曲线和决策曲线分析来评估这些模型的诊断性能。

放射组学工作流程图

不同放射组学特征的比例、分布及P值

使用基于最小对数(λ)的最小绝对收缩和选择算子(LASSO)的特征缩减和选择，具有十倍交叉验证。B Lambda值与特征的数量相关。C使用LASSO算法进行特征选择后的特征权重

不同分类器在训练集中的性能指标

各种模型在训练集和验证集中的性能指标

不同型号的性能评价A接收机工作特性曲线。B校准曲线。C决策曲线

模型验证结果A训练集和验证集的接收者工作特征曲线。B这两组的校准曲线。C这两个集合的决策曲线

结果：从2032个特征中选出48个特征。基于svm的多序列放射组学优于所有其他方法，在训练和验证队列中，AUC分别为0.973和0.927，灵敏度为0.933和0.857，特异性为0.930和0.829。

结论：基于机器学习的多序列MRI放射组学模型在诊断前交叉韧带撕裂方面表现优异。它为膝关节损伤的诊断和治疗提供了有价值的见解，为临床医生提供了准确客观的辅助诊断工具。

文献来源：Cheng Q,  Lin H,  Zhao J,Application of machine learning-based multi-sequence MRI radiomics in diagnosing anterior cruciate ligament tears.J Orthop Surg Res 2024 Jan 31;19(1)