基于超声多模态机器学习诺莫图预测全膝关节置换术后深静脉血栓形成

《Journal of Radiation Research and Applied Sciences》：Ultrasound-based multimodal machine learning nomogram for predicting deep vein thrombosis after total knee arthroplasty

本研究针对全膝关节置换术（TKA）后深静脉血栓（DVT）的预测难题，开发了一种融合临床数据、手工放射组学特征和深度学习成像标志物的多模态机器学习模型。研究结果显示，基于XGBoost的融合特征模型在外部验证中AUC达93.8%，准确率达92.6%，显著优于单一模态模型。该诺莫图工具可实现个体化床边风险评估，为术后DVT精准预防和管理提供重要依据。

　　

全膝关节置换术（TKA）是治疗终末期膝骨关节炎的有效手段，但随着手术量的增加，术后并发症特别是深静脉血栓（DVT）的防治成为临床面临的重大挑战。DVT不仅可能导致患肢肿胀、疼痛，更可怕的是血栓脱落可能引发致命性肺栓塞。尽管临床上常规使用抗凝药物和围手术期护理来预防DVT，但传统的预测方法主要依赖临床经验和简单评分系统，往往不够精确，无法全面整合患者特异性风险因素、手术变量和细微的生理指标。

近年来，机器学习技术在术后并发症预测领域展现出巨大潜力，能够通过分析复杂多维数据集发现变量间的隐藏模式和非线性关系。特别是放射组学技术的兴起，使得从医学图像中定量提取高通量特征成为可能。在DVT预测方面，基于多普勒超声图像的放射组学技术能够分析静脉结构的纹理、体积和灌注特征，这些图像衍生的生物标志物在各种病理诊断和预后评估中已显示出良好价值，但在术后静脉血栓预测中的应用仍待深入探索。

为此，研究人员开展了一项多中心研究，旨在开发一个基于超声的多模态机器学习诺莫图，用于预测TKA术后DVT的发生风险。该研究整合了临床数据、手工放射组学特征和深度学习衍生的成像生物标志物，通过先进的机器学习算法构建预测模型，最终转化为临床可用的风险评估工具。

研究团队回顾性分析了来自多个中心的1874例TKA患者作为模型训练和内部验证队列，另外741例患者作为独立外部验证队列。多普勒超声图像经过预处理后，提取了手工放射组学特征和深度学习图像生物标志物。按照图像生物标志物标准化倡议（IBSI）标准，每个样本提取了215个手工放射组学特征，同时通过卷积自编码器获得了128个深度特征。为确保多中心数据的一致性，研究人员应用统计协调技术减少扫描仪相关的变异性。特征选择采用正则化方法，训练和比较了五种机器学习分类器。

关键技术方法包括：多中心患者队列的回顾性收集与筛选；多普勒超声图像的标准化采集与预处理；手工放射组学特征提取（遵循IBSI标准）；卷积自编码器进行深度特征提取；ComBat算法进行特征协调；LASSO回归进行特征选择；五种机器学习算法（逻辑回归、随机森林、XGBoost、CatBoost和支持向量机）的训练与比较；决策曲线分析评估临床效用。

研究结果显示，基于融合特征（临床、放射组学和深度特征）的XGBoost模型表现出最优性能，在外部验证中AUC达到93.8%，准确率为92.6%，敏感性为92.1%，显著优于仅使用临床特征或单一模态的模型。单独使用放射组学特征或深度特征也表现出良好的预测价值（AUC均>89%）。决策曲线分析证实，在临床相关阈值范围内，该模型具有更高的净临床效益。最终开发的诺莫图能够实现个体化床边DVT风险分层，具有高预测保真度。

在基线特征分析中，研究发现DVT患者年龄更大、体重指数（BMI）更高、炎症和血栓标志物（如D-二聚体和C反应蛋白）水平更高。术后24小时内延迟下床活动在DVT患者中更为常见。影像学参数也显示出明显的判别能力：DVT患者的超声纹理评分显著升高，反映了可检测到的形态学和灌注相关的静脉异常。

特征选择方面，经过协调和过滤后，最终保留了29个独特预测因子（11个临床特征、18个放射组学特征和16个深度特征），这些特征构成了下游机器学习分类器和诺莫图构建的基础。

模型性能比较表明，XGBoost在所有特征集上 consistently outperformed其他模型，特别是在融合数据集上表现出色。混淆矩阵显示，基于树的集成方法（特别是XGBoost）表现出 superior classification ability，具有更高的真阳性和真阴性计数，误分类更少。校准分析显示，该模型具有 strong calibration alignment，预测风险评分与实际事件发生率 closely approximated。

SHAP分析显示，D-二聚体是最有影响力的特征，其次是术后腿部肿胀、首次下床活动时间、止血带时间和超声纹理评分。其他重要预测因子包括VTE病史、BMI、CRP、手术持续时间、心血管疾病和静脉曲张。

诺莫图构建基于XGBoost分类器，包含29个变量（11个临床、18个放射组学、16个深度），但为简化临床使用，优先选择了五个最重要特征：D-二聚体、止血带时间、首次下床活动时间、VTE病史和术后腿部肿胀。这些变量被分配了与其对预测模型相对贡献成比例的分数值。总分从0到522分，映射到DVT发生的估计概率。

决策曲线分析显示，与"治疗所有"和"不治疗"的默认策略相比，所有五种机器学习模型在广泛阈值范围（10-80%）内都表现出优越的临床净效益。XGBoost模型 consistently outperformed其他模型，特别是在30-60%的临床相关决策范围内，净效益最为显著。

研究结论表明，这种多模态模型为TKA术后个体化DVT风险预测提供了一个准确且临床可解释的工具。通过将影像学和临床数据整合到机器学习诺莫图中，这种方法能够实现更精确的预防和术后管理。研究的创新点在于将互补的临床风险评分、手工放射组学特征和超声图像的深度学习分析整合到单一预测框架中，解决了以往研究关注单领域预测器的局限性。

讨论部分强调，尽管研究结果令人鼓舞，但在常规骨科实践中部署多模态机器学习管线的成本效益需要进一步评估。计算基础设施、图像注释人员培训以及与现有临床信息系统的整合都代表了重大障碍。虽然手动分割在本研究中显示可重复性，但如果没有自动化，可能无法扩展。此外，虽然SHAP分析增强了模型的可解释性，但复杂集成模型（如XGBoost）的实时可解释性仍然是一个挑战。

未来研究方向包括将研究结果扩展到实时临床工作流程中的前瞻性验证，纳入动态时间序列生理数据（如围手术期血流动力学或活动追踪），使用SHAP或LIME等先进可解释性技术探索特征可解释性，以及与医院信息系统集成以实现自动数据检索和风险可视化。尽管使用了多中心队列，但在具有不同成像硬件和临床实践的医疗系统中进行国际验证将增强普适性。

该研究为术后DVT风险预测提供了强有力的综合框架，通过融合临床、手工放射组学和深度成像特征，实现了个体化DVT风险预测。开发出的用户友好型诺莫图将复杂的预测分析转化为可操作的临床风险评分，推动了骨科手术血栓栓塞并发症风险分层的技术进步。