编辑推荐：
为解决 CT 诊断椎体压缩性骨折（VCFs）精度不足的问题，研究人员开展了将手动注释与深度迁移学习（DTL）、影像组学相结合分析 VCFs 的研究。结果显示融合模型提升了诊断精度，为无法进行脊柱 MRI 的患者提供了决策支持19。
在人口老龄化加剧的当下，椎体压缩性骨折（Vertebral Compression Fractures，VCFs）这一病症愈发常见，如同隐藏在老年人群体中的 “健康杀手”，严重影响着他们的生活质量。在临床诊断中，磁共振成像（Magnetic Resonance Imaging，MRI）虽被视为诊断急性骨折的 “金标准”，凭借其出色的骨髓水肿（Bone Marrow Edema，BME）可视化能力，能精准判断骨折情况。然而，MRI 高昂的费用、漫长的扫描时间以及诸多的禁忌证，使得部分患者无法通过它进行检查。而计算机断层扫描（Computed Tomography，CT）虽然更为普及、检查效率高，但在检测微小骨折或退变骨硬化区域的病变时却力不从心，容易出现漏诊或延误治疗的情况。为了攻克这些难题，来自复旦大学附属金山医院和复旦大学附属中山医院的研究人员踏上了探索之旅 。他们开展了一项极具创新性的研究，旨在通过将手动注释与深度迁移学习（Deep Transfer Learning，DTL）、影像组学相结合，提升 CT 对 VCFs 的诊断准确性。最终，研究成功开发出一种特征融合模型，显著提高了区分急性和慢性 VCFs 的能力，为那些无法进行脊柱 MRI 检查的患者提供了可靠的诊断新选择 。该研究成果发表在《BMC Medical Imaging》杂志上，为医学领域在 VCFs 诊断方面开辟了新的方向。
研究人员在开展此项研究时，运用了多种关键技术方法。首先，从医院的图像存档与通信系统（PACS）数据库中筛选出符合条件的患者，构建样本队列。随后，对患者的 CT 和 MRI 图像进行处理，通过手动分割骨折椎体并进行预处理。在特征提取阶段，利用 PyRadiomics 工具基于 Python 3.6 平台提取传统影像组学特征，同时运用 DTL 方法，借助特定的裁剪技术处理图像数据集、选择并优化模型、进行特征转移和降维。最后，对提取的特征进行归一化、筛选和融合，构建逻辑回归（LR）模型并进行验证。
研究结果如下：
- 临床基线特征：研究共纳入 218 例患者，其中男性 109 例，女性 119 例，年龄在 21 - 97 岁之间，平均年龄 63.14 岁。训练组和测试组在年龄、骨密度（Bone Mineral Density，BMD）、性别分布以及急慢性骨折比例等方面均无显著差异（p>0.05）2。
- 特征选择：通过 LASSO 回归分析对影像组学特征、DTL 特征以及融合特征分别进行降维筛选。最终，影像组学特征筛选出 28 个，DTL 特征筛选出 18 个，融合特征保留了 18 个影像组学特征和 15 个 DTL 特征345。
- 模型预测性能：研究发现，将感兴趣区域（Region of Interest，ROI）裁剪为最小边界立方体并向外扩展 6 个体素的处理方式最为有效。采用该方式结合 LR 模型，训练集的 AUC 达到 0.992（95% CI，0.9828 - 1.0000），测试集的 AUC 为 0.941（95% CI，0.8727 - 1.0000）。传统影像组学结合 LR 模型，训练集 AUC 为 0.973（95% CI，0.9525 - 0.9933），测试集为 0.869（95% CI，0.7670 - 1.0000）。而将传统影像组学特征与经 6 个体素扩展的 DTL 特征融合后，训练集 AUC 达到 1.000（95% CI，1.000 - 1.0000），测试集为 0.964（95% CI，0.9149 - 1.0000）。尽管 Delong 测试显示三种模型间无显著差异，但决策曲线分析（Decision Curve Analysis，DCA）表明，特征融合预测模型具有最佳的临床净效益678。
研究结论与讨论部分指出，该研究成功开发的特征融合模型有效提升了急性和慢性 VCFs 的鉴别诊断能力，相比单一模型优势明显。这一模型为临床决策提供了有力支持，尤其适用于 MRI 检查受限的场景。不过，研究也存在一定局限性，如样本量相对较小，研究主要聚焦于 CT 成像等。未来研究可从优化裁剪策略、纳入更多临床数据以及探索多种成像技术融合等方向展开，进一步推动 VCFs 诊断技术的发展，为临床实践提供更精准、高效的诊断方案，造福广大患者。
