编辑推荐：
在临床中，距腓前韧带（ATFL）损伤诊断面临挑战，常规方法缺乏客观性和可重复性。研究人员开展基于 MRI 影像组学模型诊断 ATFL 损伤的研究，构建的 SVM 模型诊断性能良好。这为 ATFL 损伤诊断和治疗决策提供可靠依据。
踝关节扭伤是常见的运动损伤，其中距腓前韧带（Anterior talofibular ligament，ATFL）损伤尤为多发。据统计，踝关节扭伤约占所有运动相关损伤的 40%，在男性和女性中的患病率均为 10% ，在足球、篮球运动员中更为常见。若 ATFL 损伤未能及时、恰当治疗，可能发展为慢性踝关节不稳（Chronic ankle instability，CAI），严重影响患者的长期活动能力和生活质量。有研究显示，5 - 33% 的踝关节损伤患者在初次受伤一年后仍持续疼痛，高达 33% 的患者至少出现一次复发，且常伴有 CAI 的发展。
目前，ATFL 损伤的诊断主要依靠体格检查（如前抽屉试验和距骨倾斜试验）和影像学检查。虽然超声检查在诊断外侧踝关节韧带损伤方面具有一定优势，但磁共振成像（Magnetic resonance imaging，MRI）因其出色的软组织对比度和广泛的可及性，仍是常用的诊断手段。然而，传统的 MRI 手动解读方式存在缺乏客观性和可重复性的问题，在面对 ATFL 损伤伴有水肿、滑膜内出血、合并其他损伤或受周围脂肪组织部分容积效应影响时，难以准确判断韧带损伤的程度。
为了解决这些问题，中国中医科学院望京医院的研究人员开展了一项关于基于 MRI 影像组学模型识别 ATFL 损伤的研究。他们构建了基于 MRI 脂肪抑制质子密度加权涡轮自旋回波（FSPDw - TSE）图像的影像组学模型，用于对 ATFL 损伤进行分级诊断。该研究成果发表在《Scientific Reports》上，为 ATFL 损伤的诊断和治疗带来了新的思路和方法。
研究人员在研究过程中运用了多种关键技术方法。首先，他们收集了 467 例经关节镜确诊的 ATFL 损伤患者的病例资料，这些患者的资料来源于 2019 年 5 月至 2024 年 9 月的电子病历。之后，使用 3.0T MRI 系统对患者进行扫描，获取影像数据。利用 3D Slicer 软件手动逐层分割感兴趣区域（Region of interest，ROI），并使用 PyRadiomics 软件提取影像组学特征。通过一系列数据处理和特征筛选步骤，包括基于组内相关系数（ICC）、独立样本 t 检验、Pearson 相关系数计算和最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator，LASSO）回归算法等，最终筛选出 28 个关键特征用于构建模型。最后，运用 7 种机器学习模型进行建模，通过多种评估指标筛选出表现最佳的支持向量机（Support vector machine，SVM）模型123。
研究结果主要包含以下几个方面：
- 患者分组及特征筛选结果：467 例患者根据关节镜检查结果分为部分撕裂组（276 例）和完全撕裂组（191 例），并按 7:3 的比例随机分为训练集和验证集。从最初提取的 1197 个原始影像组学特征中，经过多轮筛选，最终确定了 28 个特征用于构建模型，这些特征主要包括灰度共生矩阵（Gray - level co - occurrence matrix，GLCM）、灰度大小区域矩阵（Gray - level size zone matrix，GLSZM）、邻域灰度差异矩阵（Neighboring gray - tone difference matrix，NGTDM）、一阶特征和形状特征45。
- 模型性能评估结果：在训练集上，SVM 模型的曲线下面积（Area under the curve，AUC）达到 0.955（95% 置信区间：0.931 - 0.980） ，在验证集上 AUC 为 0.844（95% 置信区间：0.781 - 0.906）。决策曲线分析（Decision curve analysis，DCA）显示该模型在训练集和验证集上均具有较高的净临床获益率。混淆矩阵结果表明，SVM 模型在训练集和验证集中对部分撕裂和完全撕裂的诊断准确率较高36。
在研究结论与讨论部分，该研究表明基于 SVM 的影像组学模型在诊断 ATFL 损伤方面具有较高的敏感性、特异性和净临床获益率。研究中筛选出的 GLCM、GLSZM 和一阶特征在韧带损伤诊断中发挥了重要作用。GLCM 能够捕捉图像中特定距离和方向上灰度对的概率分布，量化韧带组织的纹理特征和方向变化，从而敏感地检测微观结构异常；GLSZM 可量化具有相同灰度的相邻像素区域大小，有效检测韧带损伤时不同区域的纹理一致性和异质性变化；一阶特征则通过反映像素强度分布的基本统计描述符，如均值、标准差等，体现韧带损伤相关的信号强度和组织密度变化78。
与以往研究相比，本研究具有一定优势。例如，样本量更大且采用了更全面的影像组学特征，实现了对 ATFL 损伤部分撕裂和完全撕裂的分级诊断，提高了诊断的准确性和临床实用性；模型具有较好的可解释性，便于临床医生理解模型决策过程；计算效率高，适用于小数据集，在资源有限的医疗环境中也易于部署。不过，该研究也存在一些局限性，如为单中心回顾性研究，缺乏外部验证；仅从横向 FSPDw - TSE 中提取影像组学特征，未纳入 3D - MRI 数据；未结合患者临床特征构建预测模型；回顾性研究难以保证所有横向切片与 ATFL 完全平行，且未排除因初始治疗不当导致外侧踝关节松弛增加的个体，也未评估其与 MRI 结果的关系9。
总体而言，这项研究利用 MRI 提取的影像组学特征和 SVM 分类器构建的预测模型，在 ATFL 损伤诊断方面展现出优异的性能，为踝关节损伤的诊断和管理提供了有价值的参考，为临床医生提供了更客观、准确的诊断工具，有望推动 ATFL 损伤诊断和治疗的进一步发展。
