编辑推荐：
为解决特纳综合征（TS）临床诊断易漏诊误诊问题，研究人员分析患者手骨特征并构建深度学习筛查模型，提高诊断精度。
特纳综合征（TS）研究背景：探寻精准诊断之路
在医学的奇妙世界里，有一种影响女孩健康成长的疾病 —— 特纳综合征（Turner syndrome，TS）。这是一种较为常见的染色体异常疾病，发病率约为 1/2000 活产女婴。TS 患者常因 X 染色体缺失，出现身材矮小、性腺发育不良等症状。然而，现实中它却像个 “隐匿的精灵”，不少患者未能及时被诊断出来。许多患者直到出现原发性闭经或不孕等明显症状时才被发现，甚至部分患者成年后仍未确诊。
这背后的原因令人深思。目前，染色体核型分析是诊断 TS 的金标准，但它对技术要求高、成本也不低，无法大规模应用于临床筛查。临床诊断往往依赖医生个人的知识和经验，可 TS 的临床表现复杂多样，像生长迟缓、中耳感染、下颌感染、非言语学习障碍等，这些症状都不具有特异性，个体差异还很大，很容易导致误诊和漏诊。
为了打破这一困境，上海交通大学医学院附属上海儿童医学中心的研究人员踏上了探索之旅，他们希望找到一种简单、快速且低成本的 TS 筛查方法，相关研究成果发表在《BMC Pediatrics》杂志上。
研究方法：多管齐下破难题
研究人员开展了一项回顾性病例对照研究。他们从 2019 年 1 月 1 日至 2022 年 12 月 31 日，收集了因身材矮小住院且完成染色体核型检测的女孩资料，最终确定了 101 例 TS 患者，并按 1:2 的比例，为她们匹配了年龄和身高相近、染色体核型正常的 202 例女孩作为对照组。
在研究中，研究人员对手 X 射线图像进行了细致分析。他们让所有参与者拍摄左手 X 射线片，拍摄时严格规范姿势，确保图像的准确性。由两位经验丰富的放射科医生独立测量多个手部放射学参数，像掌骨长度、腕骨角度、尺桡切线距离等，取平均值后进行后续分析。
此外，研究人员还借助深度学习技术，利用 ResNet50 网络构建了预测模型。他们选取了 202 例非患病和 101 例患病的 X 射线图像组成数据集，将其随机分为训练集（55%）、验证集（15%）和测试集（30%）。对图像进行预处理，包括调整大小、归一化等操作，还采用数据增强技术扩充训练集，减少过拟合现象。之后，训练模型并在测试集上评估其性能。
研究结果：关键指标与模型优势
- 染色体核型分布：TS 组 101 名女孩中，染色体核型有多种类型，像单体 X（45,X，n=52）、嵌合体（45,X/46,XX 等）、X 染色体部分缺失、X 等臂染色体 。对照组女孩核型均为 46,XX，且两组在年龄和身高上无显著差异。
- 手 X 射线参数特征：经过测量统计发现，TS 组的掌骨 IV 与掌骨 III 长度比、腕骨角、尺桡角比对照组低，尺桡切线距离比对照组大。通过 ROC 曲线分析，这些参数都对 TS 有诊断价值。例如，尺桡角的最佳截断值为 170° 时，约登指数最大，灵敏度为 66.34%，特异性为 61.38%；尺桡切线距离截断值为 0.40cm 时，特异性可达 92.57%。
- 深度学习模型分析：在测试集上，模型的准确率达到 78.89%，特异性为 76.67%，灵敏度为 83.33%，ROC 曲线下面积为 0.865。这表明该模型能较好地区分 TS 患者和对照组的手 X 射线图像。不过，研究也发现模型存在一些误诊情况，年龄较小的患者易出现假阳性，可能与该年龄段骨化中心少、图像可识别特征少有关；部分非 45,X 核型的患者易被误诊为阴性。
研究结论与讨论：成果与展望
这项研究意义重大。研究人员发现，TS 患者的手骨参数与正常核型女孩存在明显差异，手 X 射线片上的一些特征，如掌骨 IV 与掌骨 III 长度比、尺桡切线距离、腕骨角、尺桡角等，对 TS 的诊断具有重要提示意义。基于深度学习的图像识别模型，能有效区分 TS 患者和对照的手 X 射线图像，为 TS 的筛查提供了一种准确、快速的新方法，有助于临床医生在门诊时为身材矮小的女孩提供风险提示，实现早期诊断。
不过，研究也存在一些局限性。比如，研究数据来自单中心且为回顾性研究，可能存在偏差；患者年龄集中在 4 - 13 岁，模型对更小年龄儿童的适用性有待验证；深度学习模型目前还像个 “黑匣子”，手 X 射线图像特征与疾病之间的关系还需进一步研究。未来，研究人员计划在多中心队列中进行前瞻性验证，扩大数据集，优化模型，还考虑采用多模态方法，结合血液标志物和面部照片等构建更精准的模型。
总体而言，这项研究为 TS 的诊断和筛查开辟了新方向，随着研究的不断深入，有望让更多 TS 患者受益，让医学诊断更加精准、高效。
