周平，程豐飛，任波，王健，張冉，柴象飛

1.山東省蘭陵縣人民醫(yī)院 影像科，山東 臨沂 277799；2.新疆醫(yī)科大學(xué)第一附屬醫(yī)院 影像科，新疆 烏魯木齊 830011；3.慧影醫(yī)療科技（北京）有限公司，北京 100192

引言

骨肌系統(tǒng)為機(jī)體內(nèi)各器官及系統(tǒng)提供保護(hù)作用，組成部分包括骨髂、韌帶、肌腱及肌肉[1]。根據(jù)流行病學(xué)的報(bào)告，在我國(guó)骨肌系統(tǒng)的病變呈多樣化，組織成分復(fù)雜[2]，其惡性腫瘤常常會(huì)發(fā)生遠(yuǎn)處轉(zhuǎn)移，復(fù)雜的組織來(lái)源使骨腫瘤診斷依賴于穿刺活檢[3]，但實(shí)體腫瘤的穿刺結(jié)果具有一定的局限性，其診斷及治療的研究進(jìn)展相對(duì)緩慢。近年來(lái)，CT技術(shù)在診斷精度上已取得了長(zhǎng)足的進(jìn)步[4]，并且CT動(dòng)態(tài)增強(qiáng)掃描技術(shù)的臨床影像學(xué)診斷中較為普及，在肌肉骨骼系統(tǒng)早期病變定性研究方面具有一定的優(yōu)勢(shì)[5]。若能在早期發(fā)病時(shí)及時(shí)針對(duì)不同病癥進(jìn)行相應(yīng)的救治，可大大降低死亡率，因此有必要進(jìn)一步研究骨肌系統(tǒng)疾病的早期診斷方法[6]。

目前，迅速發(fā)展的人工智能（artificial Intelligence，AI）為解決這一問(wèn)題提供了新的思路和方法。影像組學(xué)（radiomics）可將圖像轉(zhuǎn)換為可進(jìn)行分析計(jì)算的特征值，利用機(jī)器學(xué)習(xí)算法對(duì)數(shù)據(jù)進(jìn)行分析以提供臨床決策支持[7]。目前很多研究都將其應(yīng)用于影像學(xué)的臨床診斷中，尤其是在肺部、肝臟、腦部、血管、骨骼分析等領(lǐng)域智能算法已經(jīng)非常成熟，能夠輔助醫(yī)師進(jìn)行圖像處理，提高了診斷的準(zhǔn)確性[8]。在臨床使用場(chǎng)景中，目前的解決方案都是將AI算法與云計(jì)算相結(jié)合，進(jìn)行靈活的模塊化部署[9]。由于云平臺(tái)有存儲(chǔ)空間大和計(jì)算能力強(qiáng)這兩大優(yōu)勢(shì)[10]，因此基于云技術(shù)將智能診斷系統(tǒng)與醫(yī)院影像歸檔和通信系統(tǒng)（Picture Archiving and Communication Systems，PACS）進(jìn)行高效對(duì)接，能夠更好的實(shí)現(xiàn)骨肌系統(tǒng)數(shù)據(jù)集成管理、模型的存儲(chǔ)、調(diào)用以及輔助診斷結(jié)果的提供，進(jìn)而有效防范漏診、誤診安全風(fēng)險(xiǎn)，提高整體醫(yī)療質(zhì)量水平[11]。

1 資料與方法

本研究基于影像組學(xué)的分析方法，運(yùn)用云技術(shù)搭建了一套針對(duì)骨肌系統(tǒng)良惡性病變?cè)\斷的智能系統(tǒng)，輔助研究者便捷地使用醫(yī)學(xué)數(shù)據(jù)進(jìn)行鑒別骨肌系統(tǒng)良惡性的相關(guān)研究，進(jìn)而得到高精度、高穩(wěn)定性的模型。

1.1 建立標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)

本研究收集了2010年7月至2019年12月期間在蘭陵縣人民醫(yī)院影像科檢查中發(fā)生骨肌系統(tǒng)病變的162例影像數(shù)據(jù)，其中男性93例，女性69例；年齡37～65歲，平均年齡51.9歲；其中48例行CT平掃，114例行CT平掃+增強(qiáng)掃描，病理類型如表1所示。本研究已征得醫(yī)院醫(yī)學(xué)倫理會(huì)批準(zhǔn)。

表1 162例患者的骨肌系統(tǒng)病理類型統(tǒng)計(jì)[n(%)]

1.1.1 納入和排除標(biāo)準(zhǔn)

納入標(biāo)準(zhǔn)：① 具有骨肌系統(tǒng)病變的患者，并經(jīng)常規(guī)CT檢查；② 經(jīng)手術(shù)病理明確診斷結(jié)果。排除標(biāo)準(zhǔn)：① 無(wú)完整的CT影像資料及病理診斷報(bào)告；② 無(wú)血液病等重大疾病。

1.1.2 檢查方法

患者均采用飛利浦Brilliance iCT 256層螺旋極速CT機(jī)，各部位的掃描范圍、條件按照該部位的標(biāo)準(zhǔn)掃描條件進(jìn)行。掃描層厚及間距均為2 mm。增強(qiáng)掃描，對(duì)比劑采用碘佛醇（濃度：320 mgl/mL，江蘇恒瑞），注射速率3.0～3.5 mL/s，在對(duì)比劑注射45～55 s后行增強(qiáng)掃描。薄層重建為層厚1.0 mm，層間距0.5 mm標(biāo)準(zhǔn)算法的容積包。

1.2 影像組學(xué)工作方法

影像組學(xué)工作流程主要包括：圖像獲取與分割、特征提取與篩選、模型建立與分析。其流程示意圖如圖1所示。

圖1 影像組學(xué)工作流程

首先通過(guò)CT成像方法獲取含解剖結(jié)構(gòu)及功能代謝信息的162例標(biāo)準(zhǔn)化圖像。由2名放射線科主治醫(yī)師進(jìn)行雙盲閱片，使用3DSlicer基于閾值、區(qū)域生長(zhǎng)以及主輪廓模型等方式選取病灶最大層面沿輪廓邊緣進(jìn)行手動(dòng)分割病灶[12]，并保存ROI。然后利用pyradiomics工具包（https://pyradiomics.readthedocs.io/）對(duì)ROI提取高通量特征1409個(gè)，其中包括一階統(tǒng)計(jì)量特征、形態(tài)學(xué)特征、紋理特征和高階濾波特征等，并對(duì)其進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化，以定量化表征病灶信息。經(jīng)過(guò)對(duì)上述兩位醫(yī)師的標(biāo)注結(jié)果進(jìn)行ICC檢驗(yàn)后篩選出P＞0.85的特征1337個(gè)。再采用梯度降維實(shí)現(xiàn)特征選擇，即通過(guò)統(tǒng)計(jì)學(xué)中獨(dú)立t檢驗(yàn)預(yù)篩選得到P＜0.05的特征后，最后利用器學(xué)習(xí)LASSO正則化將得到的影像組學(xué)特征進(jìn)行降維處理，最終篩選得到9個(gè)與骨肌系統(tǒng)兩個(gè)性病變高度相關(guān)的特征，見(jiàn)圖2。共有8個(gè)特征屬于小波變換濾波處理后的高階特征，其中2個(gè)一階統(tǒng)計(jì)量特征，6個(gè)特征為紋理特征（其中3個(gè)為灰度級(jí)共生矩陣特征，3個(gè)為灰度級(jí)長(zhǎng)度矩陣特征）；1個(gè)特征為強(qiáng)度統(tǒng)計(jì)特征。

圖2 降維后得到的9個(gè)放射組學(xué)特征及其在LASSO模型中的系數(shù)

得到降維的特征和特征值以后，利用SVM、KNN、LR等機(jī)器學(xué)習(xí)方法結(jié)合臨床診斷結(jié)果和其他的臨床信息建立三種分析模型，進(jìn)行鑒別診斷。最后通過(guò)各種評(píng)價(jià)指標(biāo)對(duì)模型測(cè)試集的結(jié)果進(jìn)行評(píng)估，對(duì)比討論后將最優(yōu)結(jié)果作為后續(xù)搭建系統(tǒng)中所調(diào)用的模型。分類問(wèn)題常見(jiàn)的評(píng)價(jià)指標(biāo)主要有模型的準(zhǔn)確率、敏感度（即召回率）、特異度、漏診率、誤診率、F1分?jǐn)?shù)（F1-score）和ROC曲線下面積（AUC）等。

1.3 云技術(shù)下的系統(tǒng)搭建

基于云計(jì)算的系統(tǒng)平臺(tái)能夠?yàn)楣羌∠到y(tǒng)影像的管理、存儲(chǔ)和同享，以及嵌入通用的智能算法模型提供可能。本研究基于匯醫(yī)慧影（北京）醫(yī)療科技有限公司已有的云技術(shù)分布式系統(tǒng)架構(gòu)的設(shè)計(jì)基礎(chǔ)，將訓(xùn)練結(jié)果最優(yōu)的良惡性鑒別分析模型進(jìn)行嵌入，進(jìn)一步完成了系統(tǒng)的搭建。本系統(tǒng)自下而上分為數(shù)據(jù)資源、輔助診斷模型、應(yīng)用服務(wù)和WEB前端，整個(gè)系統(tǒng)的整體架構(gòu)設(shè)計(jì)如圖3所示。從數(shù)據(jù)資源的基礎(chǔ)層到中間的輔助診斷模型和應(yīng)用服務(wù)，再到最上層WEB前端，連接方式都采用統(tǒng)一的接口調(diào)用，從而建立起一套標(biāo)準(zhǔn)的系統(tǒng)架構(gòu)。

圖3 系統(tǒng)整體架構(gòu)設(shè)計(jì)圖

首先，主要進(jìn)行骨肌系統(tǒng)良惡性病變輔助診斷系統(tǒng)的核心設(shè)計(jì)，也就是前端瀏覽器和后端服務(wù)的搭建。上層的WEB前端部分設(shè)計(jì)了登錄頁(yè)面，檢查列表頁(yè)面，閱片頁(yè)面并配有多種閱片工具按鈕、標(biāo)注列表模塊和標(biāo)注顯示模塊以及生成的閱片報(bào)告頁(yè)面，運(yùn)用最新的HTML5編碼技術(shù)和JavaScript語(yǔ)言實(shí)現(xiàn)頁(yè)面的搭建、顯和交互操作，布局合理，功能齊全。與WEB前端通過(guò)接口直接進(jìn)行鏈接的是系統(tǒng)的多樣化應(yīng)用服務(wù)，其采用B/S（瀏覽器/服務(wù)器）結(jié)構(gòu)，對(duì)各種功能模塊進(jìn)行垂直劃分，主要包括用戶服務(wù)部分、圖像處理單元和模型調(diào)用模塊。其用戶服務(wù)部分在用戶登錄系統(tǒng)后提供課題管理、成員管理以及數(shù)據(jù)庫(kù)管理等功能。圖像處理單元實(shí)現(xiàn)接收、解析、查詢影像等操作。同時(shí)應(yīng)用服務(wù)層還負(fù)責(zé)將訓(xùn)練好的模型進(jìn)行調(diào)用，給出診斷結(jié)果。后端服務(wù)中的輔助診斷模型層是本系統(tǒng)十分關(guān)鍵的一個(gè)模塊。它通過(guò)與最下端的數(shù)據(jù)資源對(duì)接，將接收到的影像進(jìn)行統(tǒng)一處理，與醫(yī)生對(duì)病灶的分割結(jié)果一并進(jìn)行保存，然后運(yùn)用影像組學(xué)方法的對(duì)其進(jìn)行智能分析，訓(xùn)練出預(yù)測(cè)模型以供應(yīng)用服務(wù)層進(jìn)行調(diào)用。

本系統(tǒng)是在云計(jì)算的基本三層框架下，添加了輔助診斷層用于訓(xùn)練和保存智能診斷模型，并針對(duì)每層的功能和負(fù)責(zé)的業(yè)務(wù)邏輯進(jìn)行了重新劃分，利用云計(jì)算能夠分布式部署的優(yōu)勢(shì)逐一完成模塊化，利用數(shù)據(jù)接口對(duì)不同類型的消息調(diào)用我們已建立的良惡性鑒別算法模型，從而得出輔助診斷的結(jié)果返回給前端顯示界面，建立一個(gè)完整的輔助診斷系統(tǒng)，實(shí)現(xiàn)高效、準(zhǔn)確地幫助臨床診斷和決策。

2 結(jié)果

2.1 影像組學(xué)模型分析結(jié)果

本研究中構(gòu)建的三種機(jī)器學(xué)習(xí)模型中，SVM算法經(jīng)過(guò)多次訓(xùn)練調(diào)整參數(shù)后得到了最優(yōu)模型，將其進(jìn)行保存。訓(xùn)練集和測(cè)試集中對(duì)良惡性的分類結(jié)果如表2～3所示。

表2 SVM、KNN、LR模型在訓(xùn)練集上的結(jié)果

表3 SVM、KNN、LR模型在測(cè)試集上的結(jié)果

在訓(xùn)練集和測(cè)試集上，三種算法構(gòu)建的模型對(duì)良性和惡性的分類準(zhǔn)確度分別為0.97、0.97（訓(xùn)練集）、0.93、0.92（測(cè)試集）、0.93、0.91（訓(xùn)練集）、0.83、0.77（測(cè)試集）和 0.85、0.88（訓(xùn)練集）、0.72、0.75（測(cè)試集）。從訓(xùn)練集的結(jié)果可以看出，SVM算法的建模效果良好，良性和惡性的F1-score分別為0.95和0.87，訓(xùn)練集的總體AUC為0.97，而且在測(cè)試集上同樣是SVM模型表現(xiàn)最優(yōu)，測(cè)試集的總體AUC為0.92（圖4）。

圖4 SVM模型分別在訓(xùn)練集和測(cè)試集上的ROC曲線

通過(guò)上述3個(gè)模型試驗(yàn)及相關(guān)分析可看出，在訓(xùn)練和測(cè)試樣本保持一致相同的情況下，本研究比較SVM、KNN和LR共3種分類模型，試驗(yàn)結(jié)果表明SVM分類效果優(yōu)于KNN和LR分類模型，針對(duì)影像組學(xué)分析模型在CT醫(yī)學(xué)圖像提取到的特征出現(xiàn)維度較高、數(shù)據(jù)冗余等問(wèn)題，特征的篩選十分重要，改進(jìn)模型的特征篩選結(jié)果可大幅提高模型的分類效果。尤其是本研究建立的基于影像組學(xué)的SVM分類模型擬合能力強(qiáng)，分類準(zhǔn)確度高，模型總體的AUC值，靈敏度、特異性等評(píng)價(jià)指標(biāo)優(yōu)于其他2個(gè)模型，這證明了通過(guò)SVM分類模型判斷分析不同骨腫瘤的為良性或者是惡性具有明顯的優(yōu)異性。

2.2 輔助診斷系統(tǒng)功能詳解

搭建基于云技術(shù)的輔助診斷系統(tǒng)主要目的在于針對(duì)骨肌系統(tǒng)的良惡性病變進(jìn)行輔助診斷，對(duì)其前、后端的設(shè)計(jì)進(jìn)行智能化改進(jìn)來(lái)滿足醫(yī)生的多元化需求。輔助診斷流程如圖5所示，可以概括為以下幾個(gè)方面：上傳醫(yī)學(xué)圖像數(shù)據(jù)至云端、提取二維切面、用戶交互式標(biāo)注二維切面上的病灶區(qū)域、影像組學(xué)模型的訓(xùn)練、存儲(chǔ)與調(diào)用及給出預(yù)測(cè)結(jié)果。

圖5 系統(tǒng)的工作流程圖

應(yīng)用服務(wù)層與院內(nèi)CT設(shè)備或PACS對(duì)接后獲取圖像信息，相當(dāng)于本系統(tǒng)的服務(wù)資源中心，提供可將患者病歷數(shù)據(jù)、醫(yī)療影像數(shù)據(jù)等信息解析入庫(kù)后提供分布式的數(shù)據(jù)存儲(chǔ)和數(shù)據(jù)處理服務(wù)，實(shí)現(xiàn)了數(shù)據(jù)的大規(guī)模聚集和長(zhǎng)時(shí)間保存，可進(jìn)一步提高數(shù)據(jù)的利用效率。應(yīng)用服務(wù)層不僅集成了原有的多種數(shù)據(jù)治理功能，還支持接入上層Web前端和下層的影像組學(xué)輔助模型，從而共同構(gòu)建了一個(gè)開(kāi)放式、模塊化、可擴(kuò)展的智能輔助診斷系統(tǒng)。

在影像組學(xué)模塊中主要包括影像組學(xué)數(shù)據(jù)預(yù)處理模型、降維后特征名稱、影像組學(xué)模型的加載與應(yīng)用等。利用本系統(tǒng)四層架構(gòu)設(shè)計(jì)中的數(shù)據(jù)資源層實(shí)現(xiàn)院內(nèi)數(shù)據(jù)的對(duì)接，系統(tǒng)后端嵌入訓(xùn)練好的模型，以META格式文件存儲(chǔ)到系統(tǒng)的測(cè)試模塊，通過(guò)加載己訓(xùn)練好的模型，選擇應(yīng)用到輸入到網(wǎng)絡(luò)的圖像數(shù)據(jù)上即可進(jìn)行預(yù)測(cè)。

Web前端以閱片頁(yè)和診斷結(jié)果界面為主，其產(chǎn)生的服務(wù)請(qǐng)求消息通過(guò)接口到達(dá)服務(wù)應(yīng)用層，經(jīng)過(guò)處理后將相應(yīng)的服務(wù)結(jié)果返回Web前端進(jìn)行顯示。同時(shí)，對(duì)于輸入為DICOM格式的圖像來(lái)說(shuō)，Web前端也支持窗寬窗位的設(shè)定，以滿足影像組學(xué)模型對(duì)圖像的輸入預(yù)處理要求。最終系統(tǒng)界面在右側(cè)將顯示該患者的預(yù)測(cè)良惡性分類的概率，見(jiàn)圖6。將骨肌系統(tǒng)良惡性病變鑒別算法和醫(yī)學(xué)影像云平臺(tái)相結(jié)合，在滿足醫(yī)生閱片的基礎(chǔ)上更進(jìn)一步，使得醫(yī)生可以更加便捷地查看骨肌系統(tǒng)病變良惡性的預(yù)測(cè)結(jié)果，發(fā)揮了在線計(jì)算的靈活性。

圖6 輔助檢測(cè)系統(tǒng)界面示意圖

最后，本系統(tǒng)充分考慮了醫(yī)學(xué)影像數(shù)據(jù)的安全性與隱私性，利用云計(jì)算高安全、高可用和高并發(fā)的優(yōu)勢(shì)，利用加密存儲(chǔ)、數(shù)據(jù)脫敏和安全傳輸協(xié)議，從技術(shù)層面上實(shí)現(xiàn)了醫(yī)療影像數(shù)據(jù)的安全保障，使得醫(yī)療影像在移動(dòng)化、數(shù)字化、智能化的三個(gè)維度的高度統(tǒng)一。

3 討論

本研究致力于骨肌系統(tǒng)良惡性輔助診斷算法的原理和具體實(shí)現(xiàn)步驟、基于云計(jì)算的系統(tǒng)架構(gòu)設(shè)計(jì)以及智能化輔助診斷算法與云計(jì)算系統(tǒng)的集成，為醫(yī)生提供高效、可靠的診斷結(jié)果。

從本研究中建立的模型診斷精度而言，SVM的AUC、靈敏度最高，分別是93%、98%；在對(duì)良惡性兩種類別的特異度上SVM和LR模型對(duì)良性的特異度高于惡性，而KNN模型則對(duì)惡性特異度更高，因此SVM在特異度、靈敏度、準(zhǔn)確度方面均較高，適合用于大多數(shù)情況下骨肌系統(tǒng)良惡性病變的鑒別診斷，而KNN判別方法的診斷效能為79%～85%，診斷效果相對(duì)而言較差，但其對(duì)惡性腫瘤的高特異性也可用于相應(yīng)的實(shí)際使用場(chǎng)景中進(jìn)行鑒別診斷，如惡性病變較多的腫瘤醫(yī)院。本研究建立的模型說(shuō)明影像組學(xué)分析方法對(duì)骨肌系統(tǒng)病變，尤其是在骨腫瘤良惡性的臨床診斷上具有一定的價(jià)值，結(jié)合患者特點(diǎn)的SVM模型提高了鑒別不同類型骨腫瘤良惡性的準(zhǔn)確性。

同時(shí)，本系統(tǒng)不僅能夠?qū)崿F(xiàn)移動(dòng)閱片，而且借助圖像后處理技術(shù)和影像組學(xué)方法的結(jié)合，能對(duì)于可疑病變定量分析并且給出預(yù)測(cè)良惡性的結(jié)果。除了在骨肌系統(tǒng)病變研究領(lǐng)域中可以使用平臺(tái)方便地得到結(jié)果外，對(duì)于已得到的高穩(wěn)定性模型還可以提供進(jìn)一步的臨床實(shí)際應(yīng)用的功能。國(guó)內(nèi)外的研究表明，如果患者在骨肌系統(tǒng)發(fā)生惡性病變的早期能夠盡早診斷，就能盡早地進(jìn)行手術(shù)治療，從而將患者的五年生存率提高至60%以上[13]。因此，對(duì)早期骨肌系統(tǒng)發(fā)生病變的患者進(jìn)行良惡性的預(yù)測(cè)具有重要的意義。

本研究中構(gòu)建的系統(tǒng)交互響應(yīng)時(shí)間短，可以在較少的時(shí)間內(nèi)獲得骨肌系統(tǒng)良惡性診斷的結(jié)果，整個(gè)處理流程可以在幾十秒內(nèi)完成；并且易于學(xué)習(xí)，因?yàn)樗鼈兩婕昂?jiǎn)單的操作和簡(jiǎn)潔的圖形界面，讓沒(méi)有編程能力的用戶都可以輕松學(xué)習(xí)該系統(tǒng)的操作；通過(guò)簡(jiǎn)潔友好的網(wǎng)頁(yè)界面實(shí)現(xiàn)交互式診斷；可以作單機(jī)運(yùn)行，也可以異地運(yùn)行，達(dá)到了安全性與可協(xié)作性的要求。本系統(tǒng)可以幫助醫(yī)療資源相對(duì)匱乏的基層醫(yī)院或社區(qū)醫(yī)療機(jī)構(gòu)在骨肌系統(tǒng)疾病診斷領(lǐng)域獲得較高的診療水平。

影像組學(xué)通過(guò)高通量獲取一階、二階、高階紋理特征進(jìn)行定量分析，能夠運(yùn)用數(shù)學(xué)方法分析圖像，具有無(wú)創(chuàng)、準(zhǔn)確、可重復(fù)等優(yōu)點(diǎn)[14]?，F(xiàn)有不少研究希望通過(guò)影像組學(xué)獲取更多有價(jià)值的診斷信息。Larhmam等[15]則嘗試?yán)肧VM與遞歸特征消除相結(jié)合的方法同時(shí)進(jìn)行特征選擇與模型構(gòu)建，動(dòng)態(tài)觀察改變特征選擇數(shù)量對(duì)模型準(zhǔn)確性的影響，發(fā)現(xiàn)選擇少量恰當(dāng)?shù)奶卣鳂?gòu)建模型即可實(shí)現(xiàn)相對(duì)高的轉(zhuǎn)移與非轉(zhuǎn)移椎體分類精度，同時(shí)該研究嘗試通過(guò)網(wǎng)格搜索嵌套交叉驗(yàn)證設(shè)置SVM的方法解決骨腫瘤等小型數(shù)據(jù)庫(kù)機(jī)器學(xué)習(xí)問(wèn)題。

此外，影像組學(xué)還可對(duì)有相似影像學(xué)表現(xiàn)的不同骨腫瘤進(jìn)行鑒別。Li[16]分析了154例顱底脊索瘤和56例軟骨肉瘤患者的多參數(shù)磁共振圖像（Multi-Parameter Magnetic Resonance Imaging，mpMRI），通過(guò)最大相關(guān)性最小冗余和遞歸特征消除算法從1941個(gè)特征中選取11個(gè)特征構(gòu)建單序列及多序列SVM分類模型。在訓(xùn)練隊(duì)列中，相比于單序列模型多序列模型分類性能顯著改善（P＜0.05），其在訓(xùn)練和驗(yàn)證隊(duì)列中AUC分別達(dá)到了0.97和0.87。另一項(xiàng)基于多參數(shù)磁共振特征構(gòu)建影像組學(xué)模型以鑒別骨盆骨肉瘤與尤文氏肉瘤的研究也取得了不錯(cuò)的結(jié)果[17]，表明影像組學(xué)在骨腫瘤鑒別診斷中有較大價(jià)值。還有研究對(duì)鑒別3種不同骨腫瘤進(jìn)行了嘗試。Yin等[18]回顧性分析了54例脊索瘤、30例骨巨細(xì)胞瘤和36例骨轉(zhuǎn)移瘤患者的mpMRI，通過(guò)LASSO回歸算法篩選特征后構(gòu)建RF分類模型，聯(lián)合T2加權(quán)脂肪抑制序列和增強(qiáng)T1加權(quán)序列特征構(gòu)建的三分類模型AUC可達(dá)0.773，準(zhǔn)確度為0.711。還有研究基于CT及增強(qiáng)CT圖像，比較3種不同特征選擇算法和3種不同機(jī)器學(xué)習(xí)算法構(gòu)建的脊索瘤與骨巨細(xì)胞瘤分類模型發(fā)現(xiàn)，可以通過(guò)選擇恰當(dāng)?shù)奶卣鬟x擇方法和分類方法提高影像組學(xué)分類診斷效能[19]。

本實(shí)驗(yàn)還存在一些局限，如實(shí)驗(yàn)的病例為單中心樣本，病例相對(duì)較少，得到的結(jié)果難免有一定的偏倚;另外，本文采用的是橫斷位病變最大層面圖像研究，對(duì)層面的選擇難免有主觀偏倚，故仍需要對(duì)本實(shí)驗(yàn)進(jìn)行優(yōu)化改進(jìn)。在本系統(tǒng)的下一步使用中，將會(huì)更加便捷地收集到更多患者數(shù)據(jù)，可進(jìn)一步對(duì)模型進(jìn)行迭代更新。

目前越來(lái)越多醫(yī)院的影像科已經(jīng)部署了基于傳統(tǒng)的本地計(jì)算機(jī)輔助設(shè)計(jì)（Computer Aided Design，CAD）系統(tǒng)進(jìn)行輔助診斷[20]，但是在我國(guó)存在著數(shù)量龐大的基層醫(yī)院和醫(yī)療機(jī)構(gòu)因資金、資源、醫(yī)療水平等各種客觀的限制而沒(méi)有購(gòu)買和安裝獨(dú)立的影像CAD系統(tǒng)，并且這些醫(yī)院和機(jī)構(gòu)往往缺乏高水平的影像科技術(shù)專家來(lái)日常維護(hù)系統(tǒng)[21]。針對(duì)這一普遍情況，本文通過(guò)研究骨肌系統(tǒng)良惡性病變?cè)\斷的影像組學(xué)方法并實(shí)現(xiàn)算法模型的云端化，有效輔助基層醫(yī)院、機(jī)構(gòu)和影像科醫(yī)生的診斷決策。