丁长海团队揭示影像组学结合深度学习方法在膝骨关节炎预测中的最新进展

　　

近日，、珠江医院临床研究中心丁长海教授团队在美国风湿病学会官方期刊《Arthritis & Rheumatology》杂志上发表题为Integrating Radiomics and Neural Networks for Knee Osteoarthritis Incident Prediction的学术论文，提出了一个全新的膝关节间隙结构影像组学联合神经网络模型（Joint Space Radiomic Model, JS-RM），用于预测膝骨关节炎（KOA）发生。论文通讯作者为丁长海教授，共同第一作者为珠江医院临床研究中心博士生研究生李胜发和统计师曹佩华副研究员。

KOA是一种常见的退行性关节疾病，在老年人群中尤为普遍，严重影响患者生活质量，并给社会带来沉重的经济负担。由于目前尚无有效的疾病改善药物（DMOADs），早期干预和敏感的检测手段显得尤为重要。

针对这一难题，丁长海教授团队考虑磁共振成像（MRI）因其高敏感性能在X线影像之前检测出早期的关节结构变化，基于膝骨关节炎倡议（OAI）队列，选取了686例无放射性KOA但高风险的膝MRI，随机分为开发队列和测试队列（8:2），从基线MRI中提取影像特征，并通过神经网络进行建模和预测。JS-RM模型整合了股骨软骨、胫骨软骨和半月板的影像组学特征，用于预测放射性KOA的发生。

测试结果显示，JS-RM模型预测放射性KOA的曲线下面积（AUC）达0.931，灵敏度为84.4%，特异性为85.6%。借助JS-RM模型，九名住院医师在MRI阅片中预测放射性KOA的平均特异性和灵敏度分别从47.4%和58.6%提高到87.4%和81.2%。

本研究表明，股骨软骨、胫骨软骨和半月板的影像组学特征对放射性KOA的发生具有预测价值，JS-RM模型可作为一种非侵入性的预测工具，有望在个性化临床决策中发挥作用，为KOA的早期干预提供支持。