基于深度学习模型的放射影像骨纹理分析技术助力早期类风湿关节炎诊断

为解决早期类风湿关节炎(RA)影像诊断难题，研究人员通过深度学习模型定量分析关节周围骨纹理特征。采用Deep-TEN（纹理编码网络）和ResNet-50（残差网络）对比分析2128例手部X光片，结果显示ResNet-50模型AUC达0.73，高风险组OR值高达6.91(4.83-9.90)，为RA早期分类提供全自动化解决方案。

　　

类风湿关节炎(RA)的特征性改变——关节周围骨微结构(即"纹理")的异常，在传统X光片中往往难以捕捉。这项研究另辟蹊径，让两种深度学习模型直接"阅读"手部X光片：专注于纹理特征的Deep-TEN（深度纹理编码网络）和兼顾纹理与结构的ResNet-50（残差网络50层模型）。研究人员收集了891例早期RA（确诊<1年）和1237例非RA患者的前后位双手X光片，按6:2:2比例划分数据集后，重点分析第2-4掌骨远端区域。

结果令人振奋：ResNet-50表现更优，其受试者工作特征曲线下面积(AUC)达到0.73，高于Deep-TEN的0.69。当模型给出高风险预警时，ResNet-50的阳性预测值达0.67。更值得注意的是，经年龄性别校正后，高纹理评分组的RA发病风险激增——Deep-TEN模型OR值3.42(2.59-4.50)，ResNet-50模型更是高达4.30(3.26-5.69)。当按风险等级分层时，ResNet-50判定的高风险组OR值飙升至6.91(4.83-9.90)，相当于近7倍的患病风险！

这项突破性研究证明，深度学习驱动的关节周围纹理定量评估，能像经验丰富的放射科专家一样"看见"人眼难以捕捉的早期RA征象，为临床诊断提供了智能化的"第二意见"。