编辑推荐：
膝关节骨关节炎（OA）严重影响老年人生活，早期诊断和干预至关重要。研究人员开展基于超声影像组学和机器学习诊断 OA 的研究，构建多种模型评估诊断准确性。结果显示，模型有较高诊断价值。该研究为 OA 诊断提供新途径，助力临床决策。
在老龄化社会中，膝关节骨关节炎（Osteoarthritis of the knee，OA）如同隐藏在暗处的 “关节杀手”，悄然威胁着众多老年人的健康。这是一种涉及关节损伤和畸形的慢性疾病，年龄、性别、体重、遗传和环境等多种因素都是它的 “帮凶”。OA 不仅给患者带来身体上的疼痛和行动不便，还造成了沉重的社会和经济负担，因此，早期发现并干预 OA 迫在眉睫。
目前，虽然直立膝关节 X 线摄影是诊断 OA 的 “金标准”，但它主要关注骨骼变化，对软组织的评估能力有限。磁共振成像（Magnetic Resonance Imaging，MRI）能详细显示组织情况，却因检查时需仰卧、时间长、成本高，不适合大规模筛查。而超声检查（Ultrasonography，US）凭借其检查时间短、无创、无辐射的优势，成为膝关节 OA 诊断的潜在有力手段。近年来，影像组学在医学领域崭露头角，它通过从图像中提取定量特征，为疾病诊断和预后提供帮助。然而，将超声影像组学应用于膝关节 OA 的研究尚属空白，其有效性亟待探索。
在此背景下，筑波国际大学伦理审查委员会批准（批准号：R05 - 12），多机构研究人员携手开展了一项前瞻性、观察性研究，相关成果发表在《European Journal of Radiology Open》。研究旨在评估从超声图像中提取的影像组学特征在诊断和预测膝关节 OA 严重程度方面的作用。
研究人员采用了一系列先进的技术方法。在样本选取上，纳入 2022 年 12 月至 2024 年 4 月间，于立川纪念医院骨科就诊的膝关节疼痛患者，同时排除多种不符合条件的病例。影像检查方面，分别进行站立位膝关节 X 线和超声检查，并严格规范检查参数。利用 LIFEx 软件（version 7.2.n）对超声图像进行手动分割，提取 108 个影像组学特征，涵盖形状、统计像素值、直方图和纹理等多种类型。通过单因素方差分析（ANOVA）和最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator，LASSO）回归进行特征选择，构建统计模型和机器学习模型，包括随机森林（Random Forest，RF）、判别分析（Discriminant Analysis，DA）、逻辑回归（Logistic Regression，LR）等多种算法。运用受试者工作特征曲线（Receiver Operating Characteristic Curve，ROC）评估模型的诊断准确性，计算曲线下面积（Area Under the Curve，AUC）、敏感度、特异度等指标。
在研究结果部分，共纳入 491 条肢体数据，其中 318 条为 OA 病例，173 条为非 OA 病例。分析发现，OA 组和非 OA 组在年龄、性别和体重指数（Body Mass Index，BMI）上存在显著差异。
- 影像组学特征重复性评估：评估影像组学特征提取的可靠性时发现，组内和组间一致性良好，多数特征的组内相关系数（Intraclass Correlation Coefficient，ICC）较高。
- 超声图像诊断性能比较：在诊断 OA 的存在与否和预测其严重程度方面，两位超声检查人员展现出较高的诊断能力，诊断率、敏感度和特异度等指标表现出色。
- 统计模型诊断准确性评估：统计模型中，以 MORPHOLOGICAL_SurfaceToVolumeRatio（IBSI:2PR5）为关键特征构建的模型，诊断 OA 时特异度可达 0.98，但敏感度仅 0.47；预测 OA 严重程度时，敏感度为 0.78，特异度为 0.86。同时发现，结合年龄、性别和 BMI 等背景因素可提高诊断准确性。
- 机器学习模型诊断准确性评估：机器学习模型表现优异，如 Model 2 诊断 OA 时，DA 和 LR 算法的 AUC 分别达到 0.88 和 0.87，敏感度分别为 0.80 和 0.81，特异度分别为 0.82 和 0.80；预测 OA 严重程度时，部分模型 AUC 达 0.92，DA 算法的敏感度为 0.81，特异度为 0.85。
研究结论和讨论部分指出，基于超声影像组学和机器学习构建的模型，在膝关节 OA 的诊断和严重程度预测方面展现出较高的准确性。其中，DA 和 LR 算法在多个指标上表现平衡且稳定，具有良好的应用前景。不同模型各有优劣，可根据临床需求选择。与其他研究相比，本研究的超声影像组学模型在诊断准确性和可重复性上更具优势。然而，研究也存在局限性，如数据来自单中心，部分特征的组间 ICC 较低，且研究使用单一设备，结果可能受设备差异影响。尽管如此，该研究为膝关节 OA 的诊断和评估开辟了新方向，有望成为临床医生决策的有力辅助工具。未来，期待通过多中心、大样本的外部验证，进一步优化模型，推动其在临床实践中的广泛应用，为膝关节 OA 患者带来更精准的诊断和更好的治疗方案。
