基于超声影像的深度学习放射组学融合模型(DLR)在类风湿关节炎骨侵蚀识别中的开发与验证

来自两所医疗机构的研究人员针对类风湿关节炎(RA)患者骨侵蚀(BE)识别难题，开发了基于超声(US)影像的深度学习放射组学融合模型(DLR)。通过整合手工放射组学(Rad)特征与迁移学习(DL)特征，采用LASSO回归构建DLR模型，经10种算法比较优选逻辑回归(LR)算法。最终DLR_LR模型在内部测试集(AUC=0.966)和外部测试集(AUC=0.932)均表现优异，显著提升超声医师诊断准确性(P<0.05)，为RA骨侵蚀的无创诊断提供新工具。

　　

这项突破性研究构建了革命性的超声(US)影像分析系统，巧妙地将传统放射组学(Rad)特征与深度迁移学习(DL)特征进行联姻。科研团队收集了432例类风湿关节炎(RA)患者的临床数据，采用7:3比例划分训练集(N=218)和内部测试集(N=94)，并设立独立外部验证集(N=124)。通过最小绝对收缩选择算子(LASSO)回归这个"特征炼金术"，成功熔铸出深度学习放射组学(DLR)融合特征。

在算法竞技场上，逻辑回归(LR)这个"老牌选手"意外击败其他9个机器学习模型，以训练集AUC=0.979的惊艳表现夺冠。更令人振奋的是，DLR_LR模型在内部测试中AUC高达0.966，外部验证仍保持0.932的优异水准，展现出强大的泛化能力。

临床价值评估环节揭示：无论是资深还是新手超声医师，在DLR_LR这个"AI助手"加持下，诊断准确率均获显著提升(P<0.05)。更有趣的是，获得AI辅助的初级医师竟能与未辅助的资深医师比肩(P>0.05)，这为医疗资源均衡化提供了新思路。该成果标志着超声诊断进入智能融合新时代，为RA骨侵蚀(BE)的早期识别打造了精准可靠的"数字探针"。