利用放射组学评估杜氏肌营养不良症患者行走功能：新技术带来新突破

为评估杜氏肌营养不良症（DMD）患者行走功能，研究利用放射组学分析超声图像，RF 图像表现更佳，意义重大。

　　杜氏肌营养不良症（Duchenne muscular dystrophy，DMD）是一种罕见且严重的遗传性神经肌肉疾病，其病情进展迅速、死亡率高，这使得准确评估患者行走功能的工具显得尤为重要。超声成像方法已广泛应用于定量分析领域。放射组学能够将医学图像转化为数据，与机器学习（machine learning，ML）相结合，为解决这一难题提供了极具前景的方案。本研究旨在运用放射组学，分析 B 超图像处理过程中产生的不同阶段数据，以此评估 DMD 患者的行走功能。

研究共纳入 85 名参与者，根据他们的功能状态分为可行走组和不可行走组。研究人员利用超声扫描获取反向散射射频数据，随后将其处理生成包络图、归一化图和 B 超图像。放射组学分析包括手动分割灰度图像、使用专业软件自动提取特征，以及采用最大相关最小冗余法进行特征选择。将选定的特征输入到 5 种 ML 算法中，并通过受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUROC）评估模型性能。为确保研究的可靠性，研究同时采用了留一法交叉验证和重复数据分割法。此外，构建并测试了多种 ML 模型，以评估其表现。

结果显示，随着行走能力下降，所有图像类型的强度值均增加，可行走组和不可行走组之间存在显著差异（p＜0.001）。两组的诊断性能水平相似，AUROC 值均低于 0.8。然而，在应用放射组学分析时，射频（radiofrequency，RF）图像的表现优于其他类型图像，其 AUROC 值达到 0.906。另外，以 RF 图像为输入，结合多种 ML 算法，AUROC 值可提升至 0.912。

研究表明，对 RF 数据进行放射组学分析，在评估 DMD 患者行走功能方面优于传统 B 超成像和其他超声衍生图像。而且，整合多种机器学习模型能进一步提高分类性能。本研究提出的方法为提高临床随访评估的准确性和可靠性提供了一个有前景的框架，有助于更有效地管理 DMD。研究代码可在https://github.com/Goldenyan/radiomicsUS获取。