帕哈提·吐遜江，楊來(lái)紅，何雄，常玉山，郭輝

脊柱疾病(spinal disease，SPD)是致殘和代價(jià)高昂的最常見(jiàn)疾病之一，并且隨年齡的增長(zhǎng)患病風(fēng)險(xiǎn)逐漸增加[1]。SPD的種類繁多，一些SPD在影像學(xué)及臨床表現(xiàn)上具有許多相似之處(如脊柱感染性疾病，脊柱腫瘤等)，鑒別診斷并提高這類疾病的檢出率和診斷準(zhǔn)確性一直是臨床及影像工作中的重點(diǎn)及難點(diǎn)[2]。脊柱成像已經(jīng)從數(shù)字化X 射線攝影(digital radiography，DR)評(píng)估發(fā)展到計(jì)算機(jī)斷層掃描(computed tomography，CT)、磁共振成像(magnetic resonance imaging，MRI)及正電子發(fā)射計(jì)算機(jī)體層成像(positron cmission computed tomography，PET)，這些成像技術(shù)成為臨床工作中診斷和鑒別SPD不可或缺的檢查方法[3]。傳統(tǒng)影像學(xué)檢查方法對(duì)SPD的診斷準(zhǔn)確性各不相同，SPD的鑒別診斷仍具有挑戰(zhàn)性[4]。隨著醫(yī)學(xué)影像人工智能(artificial intelligence，AI)技術(shù)的迅速發(fā)展及大數(shù)據(jù)的日積月累，傳統(tǒng)醫(yī)療模式向精準(zhǔn)醫(yī)學(xué)模式的過(guò)渡，影像組學(xué)(radiomics)逐漸成為量化影像圖像中各類數(shù)據(jù)及輔助診療疾病的新手段。近年來(lái)，包括機(jī)器學(xué)習(xí)(machine learning，ML)、神經(jīng)網(wǎng)絡(luò)(neural network,NN)及深度學(xué)習(xí)(deep learning,DL)在內(nèi)的AI 技術(shù)在神經(jīng)系統(tǒng)[5]、呼吸系統(tǒng)[6]、骨骼肌肉系統(tǒng)[7]、心血管系統(tǒng)[8]、消化系統(tǒng)[9]、乳腺[10]、泌尿生殖系統(tǒng)[11]等方面已展開(kāi)應(yīng)用。部分文獻(xiàn)也相繼報(bào)道了脊柱的精準(zhǔn)定位及分割、SPD的診斷及鑒別診斷、治療及預(yù)后風(fēng)險(xiǎn)評(píng)估的相關(guān)研究。本文重點(diǎn)就影像組學(xué)在SPD的應(yīng)用現(xiàn)狀及進(jìn)展進(jìn)行綜述。

1 影像組學(xué)概述

2012年，影像組學(xué)這一概念被荷蘭學(xué)者Lambin[12]提出，就是高通量提取醫(yī)學(xué)影像圖像中定量、特征性信息并分析建模[13]。近年來(lái)，影像組學(xué)逐漸成為科研工作者研究的熱點(diǎn)。運(yùn)用影像組學(xué)數(shù)據(jù)所建立的預(yù)測(cè)性和描述性模型不僅提供了有價(jià)值的診斷、預(yù)后或預(yù)測(cè)信息，還實(shí)現(xiàn)了對(duì)病灶的分割、特征提取和篩選及預(yù)測(cè)模型的建立。憑借對(duì)大量影像數(shù)據(jù)信息進(jìn)一步挖掘、預(yù)測(cè)和分析來(lái)輔助醫(yī)師做出最準(zhǔn)確的診斷[14]。相較于傳統(tǒng)影像學(xué)(超聲、DR、CT、MRI及PET)而言，影像組學(xué)是一種多學(xué)科交叉、各種影像技術(shù)相融合的技術(shù)。所研究的組學(xué)特征必須具備信息量豐富、可重復(fù)性及非冗余性三個(gè)特性。為了在建模分析時(shí)能獲得較為精確的數(shù)據(jù)并方便用于后續(xù)研究，研究者被要求選取可重復(fù)性較高且穩(wěn)定的特征信息[15-16]。

2 影像組學(xué)研究的方法及流程

影像組學(xué)研究的方法及流程主要包括4 個(gè)部分，分別為影像圖像獲取、圖像分割、特征提取和篩選、分類并構(gòu)建模型[13,16]。

2.1 影像圖像獲取

目前，各種成像設(shè)備(如超聲、DR、CT、MR及PET)、圖像采集參數(shù)及重建方法具有較大差異性，無(wú)統(tǒng)一的圖像數(shù)據(jù)規(guī)范標(biāo)準(zhǔn)。為了盡可能減少不同機(jī)型、不同參數(shù)差異所帶來(lái)的影響及誤差，影像圖像的收集必須采用相同或相似的掃描參數(shù)，或使用相關(guān)軟件標(biāo)準(zhǔn)化圖像[17-18]。

2.2 圖像分割

圖像分割即識(shí)別并勾畫出感興趣區(qū)(region of interest，ROI)，如腫瘤、正常組織或其他解剖結(jié)構(gòu)的提取[19]。圖像分割包括人工手動(dòng)分割、半自動(dòng)分割及自動(dòng)分割，其中手動(dòng)分割的準(zhǔn)確性較高。手動(dòng)分割方法受主觀因素的影響，分割圖像的結(jié)果會(huì)產(chǎn)生誤差，研究者需盡可能地降低主觀因素，提供準(zhǔn)確并可重復(fù)性的邊界圖像。目前常用的開(kāi)源軟件有ITK-SNAP[20]、3D-slicer[21]等。

2.3 特征提取和篩選

特征值提取和篩選主要是選擇有價(jià)值的正常或異常影像圖像特征信息，包括影像的強(qiáng)度、形狀、紋理特征和變換特征(如小波特征)等。直方圖是用來(lái)描述強(qiáng)度特征，并且在該直方圖特征的基礎(chǔ)上，還可以計(jì)算常用的統(tǒng)計(jì)量，如最大值、最小值、均值、峰度、偏度等；ROI的尺寸和3D形態(tài)是形狀特征描述的代表；紋理特征通常是使用一階、二階和高階統(tǒng)計(jì)方法來(lái)進(jìn)行量化提取，通過(guò)圖像強(qiáng)度離散化方法來(lái)定性或定量描述。常使用方差分析選擇法(variance threshold)、單變量特征選擇法(select k best)、最小絕對(duì)收縮和選擇算子(least absolute shrinkage and selection operator，LASSO)等方法將特征值進(jìn)行降維并篩選，以獲得更具有代表性的特征[22]。

2.4 分類與模型構(gòu)建

首先將患者數(shù)據(jù)分為訓(xùn)練集和測(cè)試集，然后通過(guò)ML對(duì)訓(xùn)練集進(jìn)行模型學(xué)習(xí)，常用ML模型包括隨機(jī)森林(random forest，RF)、邏輯回歸(Logistic regression，LR)、支持向量機(jī)(support vector machine，SVM)等，最后用測(cè)試集對(duì)預(yù)測(cè)模型進(jìn)行性能測(cè)試，評(píng)測(cè)標(biāo)準(zhǔn)常用敏感度(sensitivity，SE)及特異度(specificity，SP)、曲線下面積(area under the curve，AUC)、準(zhǔn)確率(accuracy，ACC)等指標(biāo)[23]。

3 影像組學(xué)在脊柱中的應(yīng)用現(xiàn)狀及進(jìn)展

隨著AI 研究的持續(xù)深入、技術(shù)的進(jìn)步，影像組學(xué)在脊柱影像得到了應(yīng)用，尤其在脊柱解剖結(jié)構(gòu)自動(dòng)化識(shí)別與分割、SPD的診斷及鑒別診斷、脊柱外科手術(shù)等方面的研究獲得了重要進(jìn)展，同時(shí)為脊柱外科、影像科醫(yī)生進(jìn)一步實(shí)現(xiàn)精準(zhǔn)醫(yī)療提供了新思路、新渠道。

3.1 影像組學(xué)在脊柱解剖結(jié)構(gòu)識(shí)別與分割中的應(yīng)用

脊髓、椎體、椎間盤是脊柱的重要解剖結(jié)構(gòu)，也是疾病主要發(fā)病位置。脊柱解剖結(jié)構(gòu)是眾多研究者在AI 領(lǐng)域研究的熱門也是重點(diǎn)，尤其是在DL方面，研究較為成熟。Suri等[24]所構(gòu)建的DL系統(tǒng)能夠在MR、CT 和X 線圖像上自動(dòng)快速分割椎體和椎間盤，并可用于臨床上脊柱健康的評(píng)估和影像研究。Zhou等[25]研究構(gòu)建的DL 算法，邊界框及其分類功能可以自動(dòng)檢測(cè)MRI 圖像上的腰椎，并在MRI 斷面中定位椎體、對(duì)穩(wěn)定的椎體進(jìn)行分類，其ACC 和精度分別達(dá)到了98.6%和98.9%。在脊柱外科領(lǐng)域，計(jì)算機(jī)視覺(jué)技術(shù)(computer vision technology)隨著計(jì)算機(jī)輔助導(dǎo)航、機(jī)器人手術(shù)和手術(shù)室增強(qiáng)現(xiàn)實(shí)技術(shù)的應(yīng)用而發(fā)展起來(lái)，他們需要通過(guò)CT 或MRI 對(duì)脊柱進(jìn)行高保真3D重建，這是通過(guò)卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)自動(dòng)分割和檢測(cè)椎體來(lái)實(shí)現(xiàn)的[26-30]。Vania等[31]提出了一種基于CNN 和全卷積網(wǎng)絡(luò)(full convolutional network，F(xiàn)CN)混合的全自動(dòng)CT 脊柱分割方法。研究者對(duì)32例患者的脊柱CT圖像進(jìn)行了實(shí)驗(yàn)。結(jié)果顯示，該分割方法提高了椎體、椎間盤、脊髓及連接肋骨等解剖結(jié)構(gòu)的分割精度并取得了很好的分割效果，獲得的SE、SP及ACC分別為97%、99%及99%。多項(xiàng)研究共同表明，DL技術(shù)可以快速有效地識(shí)別并提取脊柱各解剖結(jié)構(gòu)，可以幫助臨床醫(yī)生快速完成診斷工作。

3.2 影像組學(xué)在SPD診斷與鑒別診斷中的應(yīng)用

3.2.1 脊柱退行性疾病

隨著人年齡的增長(zhǎng)，脊柱結(jié)構(gòu)逐漸退化，脊柱退變的幾率增高。椎間盤退變是導(dǎo)致腰痛、下肢麻木及活動(dòng)障礙的主要原因，是我們需要解決的重點(diǎn)問(wèn)題，因此成為AI 重點(diǎn)研究的問(wèn)題。Niemeyer 等[32]將1599 名患者7948 個(gè)椎間盤數(shù)據(jù)導(dǎo)入他們開(kāi)發(fā)的CNN 模型進(jìn)行訓(xùn)練，基于交叉熵(cross entropy)的分類器獲得的可靠性K值為0.92，SE為90.2%，ACC為92.5%。在99.2%的驗(yàn)證案例中，該分類器的預(yù)測(cè)結(jié)果與真實(shí)影像的偏差最大為1個(gè)Pfirrmann等級(jí)，結(jié)果顯示所開(kāi)發(fā)的分類器明顯優(yōu)于一般人的內(nèi)部評(píng)價(jià)和內(nèi)部診斷的可靠性。該分類器的平均SE 超過(guò)90%，在椎間盤退變自動(dòng)分級(jí)方面顯示出較高的診斷效能。

3.2.2 脊柱畸形

以青少年特發(fā)性脊柱側(cè)凸(adolescent idiopathic scoliosis，AIS)為代表的脊柱側(cè)凸畸形是脊柱外科研究的熱門領(lǐng)域，在AI 領(lǐng)域也不例外。Galbusera 等[33]提出了一種基于雙平面X 線成像的脊柱形狀和脊柱骨盆參數(shù)全自動(dòng)評(píng)估的DL 模型，提取患有各種疾病(包括青少年特發(fā)性脊柱側(cè)凸、成人脊柱側(cè)凸、脊柱退行性疾病和椎管狹窄)的493 名受試者雙平面X 線圖像的78 個(gè)標(biāo)志點(diǎn)并計(jì)算所設(shè)定的參數(shù)值(T4～T12后凸、L1～L5前凸、脊柱側(cè)凸Cobb角、骨盆發(fā)生率、骶骨和骨盆傾斜度)。該團(tuán)隊(duì)對(duì)50 例患者進(jìn)行了預(yù)測(cè)參數(shù)與患者實(shí)際情況的定量比較，結(jié)果顯示所有預(yù)測(cè)參數(shù)均與患者實(shí)際情況密切相關(guān)，該方法能夠自動(dòng)確定雙平面X 線圖片中的脊柱形狀，并在廣泛的臨床條件下計(jì)算脊柱解剖和姿態(tài)參數(shù)，具有非常好的視覺(jué)性能。目前的研究結(jié)果已清楚地表明了AI 技術(shù)在脊柱畸形研究中的巨大潛力。

3.2.3 脊柱感染

脊柱感染性疾病常規(guī)影像學(xué)表現(xiàn)有一定的相似性，鑒別診斷較為困難，但由于不同疾病治療方案存在較大差異，準(zhǔn)確鑒別各種脊柱感染有助于臨床采取進(jìn)一步措施干預(yù)治療[34]。

Liu 等[35]學(xué)者通過(guò)影像組學(xué)的方法比較了61 例化膿性脊柱炎(pyogenic spondylitis，PS)及51 例結(jié)核性脊柱炎(tuberculous spondylitis，TS)患者的CT 圖像，構(gòu)建了包括六個(gè)預(yù)測(cè)因素(椎體寬度、后凸畸形、椎體重疊、縱向位置、軸向侵蝕的特殊形態(tài)、殘存椎體的特殊形態(tài))的簡(jiǎn)化診斷模型。結(jié)果表明椎體重疊和后凸畸形在TS 更常見(jiàn)，該模型具有良好的SE、SP 和ACC，分別為85.59%、87.80% 和86.50%，AUC 為0.95，顯示出較好的預(yù)測(cè)能力，表明基于CT 圖像的該簡(jiǎn)化模型能夠準(zhǔn)確識(shí)別骨質(zhì)破壞并有助于醫(yī)生對(duì)PS 和TS 的臨床鑒別。

3.2.4 脊柱腫瘤

影像組學(xué)在脊柱腫瘤鑒別診斷方面的應(yīng)用取得了較大的進(jìn)展。Yin 等[36]研究者從95 例經(jīng)病理證實(shí)的53 例骶骨脊索瘤(sacral chordoma，SC)和42例骶骨巨細(xì)胞瘤(sacral giant cell tumors，SGCT)患者基于3D 的CT 和CT 增強(qiáng)(CT enhancement，CTE)圖像上提取了770 個(gè)影像組學(xué)特征，并構(gòu)建了術(shù)前對(duì)兩者的鑒別診斷模型，按照7∶3 的比例，將66 例骶骨腫瘤患者(37 例SC，29 例SGCT)分配到訓(xùn)練組，29 名患者(16 例SC，13 例SGCT)分配到測(cè)試組。結(jié)果發(fā)現(xiàn)，基于CTE 圖像特征建立的組學(xué)模型性能優(yōu)于基于CT 圖像特征建立的組學(xué)模型性能(AUC 分別為0.984、0.889)；基于CTE 圖像特征建模，并利用LASSO+GLM分類器模型性能最佳(AUC 為0.984、ACC 為89.7%)。Chianca等[37]學(xué)者在脊柱骨腫瘤(原發(fā)良惡性腫瘤及脊柱轉(zhuǎn)移瘤)分型的研究顯示，對(duì)于良性、惡性病灶，ML 算法在訓(xùn)練組及測(cè)試組中獲得的ACC 分別為94%、86%。對(duì)于良性、惡性或轉(zhuǎn)移性病灶，ML 算法在訓(xùn)練組及測(cè)試組的ACC 分別為80%和69%?；诖殴舱竦挠跋窠M學(xué)和ML 在鑒別診斷良惡性脊柱腫瘤方面顯示出較好的潛力。

3.2.5 脊柱骨折

脊柱骨折是較嚴(yán)重的骨折類型之一，嚴(yán)重影響患者的生活質(zhì)量。無(wú)論外傷性與非外傷引起的脊柱骨折均是AI 的研究熱門領(lǐng)域。Chee 等[38]科研人員從62 例良性椎體骨折和48例惡性椎體骨折患者CT圖像上獲取了14個(gè)形態(tài)學(xué)特征，并構(gòu)建了椎體壓縮骨折的惡性程度的預(yù)測(cè)模型，結(jié)果顯示低風(fēng)險(xiǎn)組和高風(fēng)險(xiǎn)組惡性椎體骨折在訓(xùn)練組和測(cè)試組中的ACC 分別為98.2%和90.9%；基于影像組學(xué)的兩個(gè)重要的臨床預(yù)測(cè)因子(年齡和惡性腫瘤史)在訓(xùn)練組和測(cè)試組中顯示出良好的校準(zhǔn)效果和辨別力；組合模型的辨別性能高于影像組學(xué)模型(訓(xùn)練組AUC為0.941，測(cè)試組AUC為0.852)或臨床預(yù)測(cè)模型(訓(xùn)練集AUC 為0.924，驗(yàn)證集AUC 為0.849)。研究發(fā)現(xiàn)CT 可預(yù)測(cè)椎體良惡性壓縮骨折并具有較高的鑒別能力。

3.2.6 骨髓異常

骨髓異常是血液病常見(jiàn)的陽(yáng)性表現(xiàn)之一，椎體及其附件受累常見(jiàn)。骨髓異常改變往往有相關(guān)家族遺傳病史，與基因的變異息息相關(guān)。對(duì)于骨髓異常的研究一直是AI 技術(shù)在脊柱領(lǐng)域重點(diǎn)攻克的方向。Liu 等[39]利用50 例脊柱多發(fā)性骨髓瘤(multiple myeloma，MM)患者T1WI、T2WI 和脂肪抑制T2 加權(quán)圖像提取分析了111 個(gè)高危細(xì)胞遺傳學(xué)異常(high risk cytogenetic abnormality，HRCA)和137個(gè)非高危細(xì)胞遺傳學(xué)異常(non-HRCA)共248 個(gè)病灶的影像組學(xué)特征，并使用LR 模型學(xué)習(xí)訓(xùn)練，預(yù)測(cè)了MM 患者HRCAs 的可行性。在驗(yàn)證集中觀察到影像組學(xué)模型和組合模型之間的可比AUC 值(AUC 分別為0.863 和0.870，P=0.206)。影像組學(xué)模型的AUC 為0.863，SE為78.9%，SP 為78.7%，陽(yáng)性預(yù)測(cè)值為0.753，陰性預(yù)測(cè)值為0.824，ACC 為78.8%，與訓(xùn)練集中的表現(xiàn)相當(dāng)。常規(guī)脊柱MRI的影像組學(xué)特征反映了MM 患者HRCA 和non-HRCA 之間的差異。這種基于MRI 的影像組學(xué)模型可能是預(yù)測(cè)MM 患者HRCA的有用且獨(dú)立的工具。Hwang 等[40]使用SVM 分類器評(píng)估了467 例血液病患者腰椎MRI 矢狀位T1WI 圖像中正常骨髓與病理浸潤(rùn)鑒別診斷的可行性。研究發(fā)現(xiàn)SVM 分類器模型在區(qū)分病變骨髓和正常骨髓方面的預(yù)測(cè)性能隨著訓(xùn)練集大小的增加而逐漸提高。訓(xùn)練集的分類ACC、SE 和SP 分別為82.8%、81.7%、83.9%，AUC 為0.895 (P＜0.001)。測(cè)試集由SVM 和兩個(gè)獨(dú)立的放射科醫(yī)生進(jìn)行分析，SVM分類器、醫(yī)生1和醫(yī)生2的ACC 和SE 分別為82.2%和85.5%、79.4%和82.3%以及82.2%和83.9%。SVM 分類器、醫(yī)生1 和醫(yī)生2 的AUC 分別為0.895、0.879 和0.880。SVM 分類器在分離血液病方面的效能與放射科醫(yī)生相當(dāng)，同一測(cè)試集的SVM 分類器和兩個(gè)獨(dú)立放射科醫(yī)生在ACC、SE 和SP 方面差異無(wú)統(tǒng)計(jì)學(xué)意義。這可以支持經(jīng)驗(yàn)不足的醫(yī)生使用脊柱MRI篩查骨髓病患者。

3.2.7 代謝異常

He 等[41]學(xué)者分析了32 例骨量減少患者、39 例骨質(zhì)疏松(osteoprorsis，OP)患者及38 例骨量正常者的腰椎MRI 常規(guī)序列(包括T1WI、T2WI 和T1WI+T2WI)圖像，提取并分析了組學(xué)特征，建立了正常與OP、正常與骨量減少、骨量減少與OP的分類模型。數(shù)據(jù)顯示，基于T1WI 和T2WI 及T1WI+T2WI的放射組學(xué)特征，正常椎體與OP模型的AUC分別為0.724、0.682、0.797、正常椎體與骨量減少模型的AUC 分別為0.772、0.772、0.810，骨量減少與OP 模型的AUC 分別為0.730、0.734、0.769。該模型實(shí)現(xiàn)了基于常規(guī)腰椎MRI的影像組學(xué)特征對(duì)OP及骨量正常的鑒別，而結(jié)合臨床特征建立的聯(lián)合診斷模型能夠提高診斷效能，并對(duì)診斷OP具有較高的臨床應(yīng)用價(jià)值。

3.2.8 脊髓病變

骨性結(jié)構(gòu)對(duì)脊髓各方向的壓迫，常常導(dǎo)致SPD 的發(fā)生。Wang 等[42]使用ML 算法識(shí)別對(duì)照組和脊髓型頸椎病(cervical spondylotic myelopathy，CSM)組在擴(kuò)散張量成像(diffusion weighted imaging，DTI)圖像中的脊髓區(qū)域。SVM 分類器的SE為93.41%、SP 為98.64%、ACC 為95.73%，顯示出該方法性能更好，基于DTI 與ML 算法相結(jié)合的自動(dòng)化程序可以準(zhǔn)確分類對(duì)照組和CSM 組脊髓病變區(qū)。脊柱除了骨性結(jié)構(gòu)發(fā)生腫瘤，軟組織結(jié)構(gòu)也會(huì)出現(xiàn)腫瘤性病變，AI在脊髓腫瘤方面的研究逐漸興起。Ito等[43]研究開(kāi)發(fā)了一套基于DL的系統(tǒng)，該系統(tǒng)能在MRI圖像上自動(dòng)檢測(cè)脊髓神經(jīng)鞘瘤(spinal schwannomas)。該團(tuán)隊(duì)回顧性分析了50例接受MRI檢查的脊髓神經(jīng)鞘瘤患者矢狀位T1WI和T2WI圖像，用于對(duì)脊柱外科醫(yī)生診斷效能的訓(xùn)練和驗(yàn)證。將該檢測(cè)系統(tǒng)與醫(yī)生的診斷效能相比較，基于T1W1、T2W1 以及T1W1+T2W1 圖像中的目標(biāo)檢測(cè)ACC 分別為80.3%、91.0%、93.5%，醫(yī)生診斷的ACC 分別為90.2%和89.3%。數(shù)據(jù)表明，基于DL 的檢測(cè)系統(tǒng)與脊柱外科醫(yī)生的診斷效能相當(dāng)或者有所提高，該算法的應(yīng)用或許能減少脊柱外科醫(yī)生對(duì)脊髓神經(jīng)鞘瘤的誤診及漏診。

3.3 影像組學(xué)在SPD術(shù)前術(shù)后風(fēng)險(xiǎn)及預(yù)后評(píng)估中的應(yīng)用

SPD 在術(shù)前術(shù)后風(fēng)險(xiǎn)及不良預(yù)后的評(píng)估是脊柱外科開(kāi)展手術(shù)的重要環(huán)節(jié)之一，判斷手術(shù)效果和預(yù)防術(shù)后并發(fā)癥就不可避免地需要借助影像檢查技術(shù)，但是這些檢查技術(shù)各有利弊，無(wú)法滿足臨床醫(yī)生認(rèn)識(shí)疾病轉(zhuǎn)歸的需求。在AI 技術(shù)的輔助下，國(guó)內(nèi)外專家團(tuán)隊(duì)也開(kāi)展了脊柱相關(guān)疾病結(jié)局的預(yù)測(cè)，取得了重要進(jìn)展。

Siccoli 等[44]學(xué)者使用前瞻性納入的635 例接受腰椎管狹窄(lumbar spinal stenosis，LSS)減壓手術(shù)的患者資料，通過(guò)臨床重要最小差異(minimum clinically important difference，MCID)對(duì)終點(diǎn)進(jìn)行二分類，預(yù)測(cè)指標(biāo)包括6 周和12 個(gè)月的腰痛(NRS-BP)和腿痛(NRS-LP)嚴(yán)重程度和奧斯維斯特里殘疾指數(shù)(Oswestry disability index，ODI)的數(shù)值評(píng)分量表，以及延長(zhǎng)手術(shù)時(shí)間(＞45 min)、延長(zhǎng)住院時(shí)間(＞28 h)和再手術(shù)?；诟鞣NML 模型對(duì)預(yù)測(cè)模型訓(xùn)練，以預(yù)測(cè)感興趣的終點(diǎn)，預(yù)測(cè)手術(shù)時(shí)間延長(zhǎng)的ACC 為78%，但AUC 只有0.54；患者再手術(shù)的預(yù)測(cè)ACC分別為69%和63%，AUC值分別為0.66和0.61；能夠預(yù)測(cè)延長(zhǎng)住院時(shí)間，其ACC 為77%，AUC 為0.58。綜上，使用ML 對(duì)LSS減壓手術(shù)的一系列臨床相關(guān)結(jié)局進(jìn)行手術(shù)預(yù)測(cè)是可行的，術(shù)前對(duì)預(yù)后和治療風(fēng)險(xiǎn)進(jìn)行個(gè)體化預(yù)測(cè)分析是LSS 患者外科手術(shù)治療發(fā)展過(guò)程中的又一步。Wirries 等[45]采用了60名患者的數(shù)據(jù)用于訓(xùn)練和測(cè)試DL算法，研究了DL技術(shù)是否可以預(yù)測(cè)腰椎間盤突出癥(lumbar disc herniation，LDH)患者術(shù)后6 個(gè)月或開(kāi)始保守治療后ODI 指數(shù)。通過(guò)將ODI 量表劃分為12 個(gè)部分，算法可以實(shí)現(xiàn)對(duì)ODI 范圍的100%準(zhǔn)確預(yù)測(cè)。在治療6 個(gè)月后，保守治療及外科手術(shù)兩種治療方案對(duì)受試者實(shí)際ODI 值與AI 預(yù)測(cè)ODI 值偏差范圍為3.3%～18.8%，預(yù)測(cè)結(jié)果也顯示出個(gè)體差異，其中一些差異相當(dāng)大?？梢韵嘈牛珹I的監(jiān)督方法將提高治療結(jié)果的可預(yù)測(cè)性，從而有助于為L(zhǎng)DH 等患者提供個(gè)體化的治療建議。不僅在脊柱治療領(lǐng)域，而且在許多其他無(wú)法隨機(jī)化或納入高數(shù)量患者的醫(yī)學(xué)領(lǐng)域，DL 方法可以作為人工智能進(jìn)一步發(fā)展的基礎(chǔ)。

4 局限性與展望

影像組學(xué)方法用于SPD 尚存在的問(wèn)題：SPD 尚無(wú)統(tǒng)一的ROI勾畫標(biāo)準(zhǔn)化指南，手工勾畫ROI工作量大、耗時(shí)長(zhǎng)，存在偏移；由于影像設(shè)備、掃描參數(shù)設(shè)置存在個(gè)體差異，圖像質(zhì)量難以保持一致性；影像組學(xué)在脊柱常見(jiàn)疾病的診斷與鑒別診斷方面已展開(kāi)應(yīng)用，但是對(duì)一些脊柱少見(jiàn)病、地方病的鑒別及風(fēng)險(xiǎn)預(yù)測(cè)的研究上尚未開(kāi)展，存在研究序列單一、數(shù)據(jù)需要標(biāo)準(zhǔn)化及樣本量小等問(wèn)題。

CT 及MRI 常規(guī)序列可以提供可重復(fù)的放射組學(xué)特征和非冗余的特征性，不同的CT 斷面及MRI 序列可以提供額外的獨(dú)立信息[46-47]。以往的影像診斷主要依賴于醫(yī)師的主觀意見(jiàn)，而影像組學(xué)則運(yùn)用高通量大數(shù)據(jù)進(jìn)行客觀分析，提取內(nèi)涵海量的數(shù)字信息來(lái)幫助臨床決策，這方面的研究具有廣闊的前景。影像組學(xué)雖處于初步應(yīng)用階段，但是隨著研究的不斷挖掘及深入，將會(huì)有更多新發(fā)現(xiàn)并帶來(lái)實(shí)用價(jià)值，在工作流程中每一步改進(jìn)都可能提高結(jié)果的準(zhǔn)確性。需要影像科和脊柱科醫(yī)生關(guān)注的是，影像組學(xué)與脊柱影像學(xué)的相融合，不僅將提高臨床醫(yī)生的工作效率，還為患者的精準(zhǔn)醫(yī)療、個(gè)體化治療提供強(qiáng)有力的參考及幫助。影像組學(xué)的進(jìn)步，不但推動(dòng)著影像專業(yè)發(fā)展，而且對(duì)整個(gè)醫(yī)學(xué)事業(yè)的發(fā)展具有重要促進(jìn)意義。

作者利益沖突聲明：全部作者均聲明無(wú)利益沖突。