《Inventions》：Radiomics-Based Artificial Intelligence Model to Distinguish Between Spinal Tuberculosis and Spinal Metastasis
编辑推荐：
本研究旨在开发一种利用影像组学（Radiomics）与人工智能（AI）的计算机辅助诊断系统，用于鉴别脊柱结核（Spinal Tuberculosis）与脊柱转移瘤（Spinal Metastasis），这两种疾病因影像学特征相似而难以区分。研究队列共纳入50例
本研究旨在开发一种利用影像组学（Radiomics）与人工智能（AI）的计算机辅助诊断系统，用于鉴别脊柱结核（Spinal Tuberculosis）与脊柱转移瘤（Spinal Metastasis），这两种疾病因影像学特征相似而难以区分。研究队列共纳入50例病例，包括25例罕见的脊柱结核病例与25例脊柱转移瘤病例。由资深放射科医师与骨科专家对相应的MRI图像进行感兴趣区域（Region of Interest, ROI）的人工分割。研究人员采用PyRadiomics从每张分割图像中提取788个影像组学特征，随后应用XGBoost进行特征选择，并通过SHAP值（SHapley Additive exPlanations values）确认其特征重要性。研究人员利用前述机器学习阶段筛选出的特征子集训练深度神经网络（Deep Neural Network, DNN），最终构建出影像组学驱动的人工智能分类模型。鉴于这两种疾病在影像学分类上的挑战，人类医生的平均准确率为64%，而该训练有素的模型展现出93%的显著准确率。结合其在外部验证中的优异表现，该研究表明此AI模型可为脊柱结核与脊柱转移瘤的早期准确鉴别诊断提供有价值的辅助。
一、研究背景与问题提出
脊柱结核（Spinal Tuberculosis, TB）与脊柱转移瘤（Spinal Metastasis, METAS）的鉴别诊断是临床实践中极具挑战性的难题。两者的临床表现几乎完全一致，均表现为背痛、全身症状及神经功能缺损；影像学表现亦存在高度重叠，TB典型表现为椎旁脓肿、椎体破坏及椎间盘受累，而METAS常呈斑片状或弥漫性骨质破坏，多累及多个椎体。在病变晚期，严重的骨质破坏和大范围受累可使二者的影像学表现几乎无法区分。值得注意的是，早期TB因缺乏透明质酸酶可不累及椎间盘，且可能累及多个椎体节段，进一步加剧了鉴别难度。此外，脊柱结核在所有结核病例中占比不足1%，属于罕见疾病，病例的稀缺性使诊断挑战更为突出。
既往研究及病例报告已多次报道这两种疾病的误诊情况，尤其是在泰国等流行地区。目前诊断的金标准为组织活检，但该操作具有侵入性、耗时耗财，且因病灶坏死组织区域的存在，有时结果并不确定。近年来，影像组学与AI技术的结合已在医学影像领域展现出强大的疾病诊断与预后评估潜力。影像组学通过从医学图像中提取大量定量特征，能够以比人类放射科医师更精细的方式分析MRI上的纹理、形态和强度等特征。已有研究表明影像组学可辅助鉴别结核性与化脓性脊柱炎、不同原发癌来源的脊柱转移瘤以及良恶性骨肿瘤。然而，将这一先进技术应用于METAS与TB鉴别的研究仍存在关键空白。据研究人员所知，此前仅有两项研究应用AI基于MRI鉴别脊柱结核与脊柱转移瘤，分别采用视觉Transformer模型和卷积神经网络（Convolutional Neural Network, CNN）架构，但均未将影像组学与AI相结合，这正是本研究的核心创新点。
二、研究内容与结论
本研究开发了一种影像组学驱动的神经网络模型用于鉴别脊柱TB与脊柱METAS。不同于采用抽象卷积层进行端到端特征提取的方法，该模型直接基于定量影像组学指标运行，这些指标明确捕获了临床可解释的标志物，如病灶形态和微结构异质性。通过将人类可理解的影像组学特征与深度神经网络相结合，该方法为这两种疾病的分类提供了另一种高效解决方案，有望提供更全面的病灶评估，减少活检需求，从而改善患者预后。研究结果显示，该模型在内部验证中达到93%的准确率，优于人类医生的平均准确率（65.6%），并在外部验证中取得80%的准确率。该研究表明，影像组学驱动的AI模型可为脊柱结核与脊柱转移瘤的早期准确鉴别提供有力辅助。
三、关键技术方法概述
研究人员开展了一项回顾性病例对照研究，在获得机构伦理委员会批准后，收集了2019年至2021年间确诊为TB或METAS的患者数据。共纳入50例患者，其中TB 25例、METAS 25例。TB病例来自多家医院（多厂商设备），而多数METAS患者在本机构确诊。研究人员采用3D Slicer（版本5.0.3）软件，由资深放射科医师与骨科专家对T1加权脂肪饱和（T1FS）增强后MRI序列进行人工感兴趣区域分割。随后使用PyRadiomics软件包提取788个影像组学特征，包括101个默认特征和687个小波滤波特征。特征选择采用XGBoost结合SHAP值排序，最终确定10个最重要特征。针对小样本问题，研究人员采用随机特征增强（Stochastic Feature Augmentation, SFA）和SMOTE（Synthetic Minority Over-sampling Technique）两种数据增强技术，并采用50%:50%的训练测试划分。模型为包含四个隐藏层（每层10个神经元）的全连接前馈神经网络，使用带动量的随机梯度下降（SGDM）优化器，学习率固定为0.001，损失函数为均方误差（MSE）。模型评估采用100次洗牌的Monte Carlo交叉验证和留p法交叉验证（p值为1至5）。
四、研究结果
4.1 病例分布与患者数据特征
研究共纳入50例住院患者，其中METAS 25例、TB 25例，以避免类别不平衡问题。患者人口统计学特征显示，女性18例、男性32例。METAS患者的平均年龄大于TB患者，但两样本t检验显示p值为0.0629，差异未达到统计学显著水平。卡方检验显示性别与诊断无显著关联。METAS的原发恶性肿瘤以乳腺癌和前列腺癌最常见，其次为肺癌、不明原发癌（CUP）、甲状腺癌、结肠癌、弥漫大B细胞淋巴瘤（DLBCL）和胰腺癌。MRI表现比较中，仅跳跃性病灶（skip lesion）显示出统计学显著差异，椎体塌陷和椎间盘信号改变呈趋势性但未达显著水平。
4.2 重要特征
通过XGBoost-SHAP分析，研究人员确定了10个最重要的影像组学特征，其中最小轴长度（Least Axis Length）的SHAP值最高，被视为最重要的鉴别特征。小提琴图显示，10个特征中有8个在TB与METAS组间表现出统计学显著差异（Mann-Whitney U检验）。进一步分析表明，TB组的最小轴长度平均值大于METAS组，这反映了两种病理不同的生长模式：TB常表现为膨胀性、环周性椎旁脓肿，而METAS通常表现为更局灶、不对称的破坏性骨受累。
4.3 分类性能
研究人员通过数值实验评估了特征选择的有效性。使用XGBoost-SHAP筛选的10个最重要特征训练的模型准确率最高；排除排名第一的特征后模型性能略有下降但仍表现良好；随机选择10个特征训练的模型性能最低。在数据增强实验中，SFA和SMOTE两种策略产生相同结果，X3倍增强时模型准确率达到93%，X4倍时性能不再提升，表明性能在X3时达到饱和。留p法交叉验证在p值为1至5时均达到100%准确率，表明模型具有高度稳健性。与人类医生对比研究中，脊柱外科医生准确率最高（92%），人类医生平均准确率为65.6%，而AI模型准确率达93%。单样本t检验确认AI模型准确率显著高于医生群体。外部验证中，模型在10例病例中仅出现2例误分类（均为将METAS误判为TB），准确率达80%。此外，模型已部署为基于网络的诊断平台，在前瞻性评估的6例真实临床病例中实现了100%的诊断准确率。
五、讨论与结论总结
讨论部分指出，TB与METAS的鉴别在临床实践中具有高度复杂性，尤其是在患者出现疼痛、进行性运动无力、感觉丧失或膀胱/肠道失禁，并伴有发热、体重减轻和盗汗等症状且无已知基础疾病时。常规MRI表现如骨破坏、软组织肿块和异质性强化在两种疾病中常见，无法可靠区分。本研究的影像组学模型通过分析MRI中的定量特征，以93%的准确率超越了传统人工判读的性能，有望减少对侵入性活检的依赖，促进更早、更恰当的治疗启动。研究人员也承认研究的局限性，包括原始样本量较小、部分病例缺乏活检确认、特征选择中未进行显式共线性分析以及缺乏包含其他非结核非转移性脊柱病变的更广泛对照组。未来工作将致力于扩大数据集、探索自动化分割框架，并进行更大规模的前瞻性多中心验证。
结论部分强调，TB与METAS的鉴别因影像特征相似而被公认为重大临床挑战，误诊风险高且可能导致不恰当的治疗方案。本研究证明了影像组学驱动的AI模型在区分TB与METAS方面的巨大潜力，通过MRI扫描和AI软件，该方法可实现93%的高诊断准确率。这种非侵入性方法通过辅助临床决策，可显著改善患者预后。未来工作将聚焦于扩大数据集以进一步增强模型稳健性，并探索TB与METAS自动化分割的高级框架开发。
