《Advanced Science》：A Multi-Structural Radiomic Digital Phenotyping Framework for Deciphering Preclinical Evolution of Degenerative Meniscal Tears
编辑推荐：
退行性半月板撕裂（DMTs）是膝关节骨关节炎进展中的关键节点，然而常规MRI常难以捕捉宏观破裂前亚视觉水平的改变。研究人员开发了一种多结构数字风险分层框架（MSC-RM），将来自六类膝关节结构（股骨、胫骨、软骨与半月板）基于三维双回波稳态序列（3D-DESS）
退行性半月板撕裂（DMTs）是膝关节骨关节炎进展中的关键节点，然而常规MRI常难以捕捉宏观破裂前亚视觉水平的改变。研究人员开发了一种多结构数字风险分层框架（MSC-RM），将来自六类膝关节结构（股骨、胫骨、软骨与半月板）基于三维双回波稳态序列（3D-DESS）MRI的标准化影像组学特征与基线临床风险画像相整合。基于纵向队列（n = 674），该框架解码了复杂退变模式，在4年预测中取得优越性能（AUC 0.871）。生存分析显示，高风险个体发生DMTs的风险比为低危组的6.12倍。此外，由五位住院医师参与的阅片测试表明，MSC-RM显著提升了诊断一致性（Kappa由0.38升至0.55），有效弥合了经验差异。该框架将范式从反应性病灶检测转向主动性风险管理，为精准预防医学提供了可扩展策略，并确立数字生物标志物在老龄化人群肌骨健康中的关键价值。
研究背景与问题提出
退行性半月板撕裂（degenerative meniscus tears，DMTs）是膝关节生物力学与生化退变连续体中的结构性拐点，既是膝骨关节炎的前驱事件，也是其核心标志。与急性创伤性撕裂不同，老龄化人群中的DMTs源于长达数年的软骨、骨与半月板协同重塑过程，并最终导致慢性疼痛与功能受损。当前临床金标准常规MRI主要依赖定性、肉眼可读的已存在病灶描述，对宏观组织失效之前的亚视觉微结构改变不敏感，形成“诊断滞后”与“预防窗口关闭”的盲点。已有深度学习与影像组学研究多聚焦横断面“快照式”检测，缺乏在纵向生存框架下预测新发退变失效的能力；同时半月板并非孤立退变，而是与股骨、胫骨软骨下骨、关节软骨共同构成“关节即器官”的负荷微环境。因此，亟需一种客观、多结构、可前瞻分层的影像驱动框架。
研究人员开展的工作与结论
研究人员提出并验证了一种多结构联合临床影像组学模型（Multi-Structure and Clinical Radiomics Model，MSC-RM），从三维双回波稳态（3D double-echo steady-state，3D-DESS）MRI中自动分割股骨、胫骨、股骨软骨、胫骨软骨、内侧与外侧半月板共六个负重结构，提取标准化影像组学特征，并与基线临床变量融合，构建面向4年新发DMTs的时间-事件预测体系。在骨关节炎研究计划（Osteoarthritis Initiative，OAI）衍生的DeMeTeR嵌套病例对照队列（共674膝）中，独立测试集AUC达0.871；高风险组发生撕裂的 hazard ratio（HR）为6.12。人机协同阅片试验显示，模型辅助使住院医师敏感性由63.1%升至74.2%、特异性由54.7%升至80.0%，Kappa由0.38提升至0.55。该研究将肌骨影像从“描述病灶”推进到“解码临床前数字指纹”，为精准预防医学提供可扩展路径。论文发表于《Advanced Science》。
主要关键技术方法
研究基于公开OAI队列构建DeMeTeR样本（无基线撕裂、4年随访新发分级2–5级为病例，按年龄性别BMI匹配对照）。采用CNN自动分割六结构并以专家校验；基于SERA包按IBSI标准提取形状、一阶统计与纹理特征（GLCM、GLSZM、GLRLM）；以LASSO重复重采样筛选特征，浅层神经网络建模；以MOAKS半定量评分与传统临床模型作基准；引入Kaplan–Meier、Cox回归、GEE、决策曲线分析（DCA）、时间动态AUC与Kernel SHAP可解释性分析；并以五位医师阅片测试验证临床辅助价值。
研究结果
3.1 研究人群与基线特征
通过OAI筛选与匹配建立674膝队列，开发集536膝、测试集138膝，分组均衡，满足新发DMTs前瞻建模基础。
3.2 影像组学特征提取与选择
CNN分割Dice系数>0.80；最终保留48个非零特征（40影像组学+8临床），覆盖全部六结构的一阶、形态与高阶纹理描述子。
3.3 模型性能与验证
独立测试集中MSC-RM的AUC为0.871（敏感性71.9%，特异性83.8%）；多结构影像组学（MS-RM）AUC 0.841，优于单纯临床模型（0.517）与MOAKS模型（0.686），证明多结构数字特征具有增量价值。
3.4 时间-事件分析
按Youden截断分层，高、低风险组Kaplan–Meier曲线显著分离（log-rank p<0.0001），Cox模型显示高风险HR=6.12（95%CI 4.31–8.68）。
3.5 GEE分析
校正年龄、性别、BMI、膝侧、种族与KOOS疼痛后，高风险组新发撕裂校正OR=6.22，印证模型独立预测能力。
3.6 MRI阅片测试
无模型辅助时医师平均敏感性与特异性偏低、一致性差；MSC-RM辅助后准确性与跨阅片者一致性明显提升，验证其作为决策支持工具的价值。
3.7 特征归因与结构驱动
SHAP显示内侧+外侧半月板贡献43.0%，软骨31.6%，骨结构17.2%，临床变量8.2%；高阶纹理异质性是主要驱动信号，体现“关节整体退变”而非单组织事件。
3.8 临床效用与决策曲线分析
DCA表明在5%–85%阈值内，MSC-RM净获益持续优于“全干预”“不干预”及传统临床模型，具备真实决策收益。
3.9 纵向预测轨迹与时间动态
1年快速发生组AUC 0.880，2/3/4年累积AUC稳定在0.867–0.871，说明基线空间影像组学可捕获临近失效前的加速退变相位。
讨论与结论翻译
讨论指出，既有AI肌骨影像多停留于横断面已存病灶识别，且常黑箱、单组织；本研究以“关节即器官”视角，将骨-软骨-半月板负荷微环境编码为多结构数字表型，并在生存框架下输出概率化风险轨迹。亚视觉信号（胶原网络紊乱、软骨剪切应力耦合、骨小梁重构）先于宏观撕裂，SHAP把神经网络决策转译为解剖贡献度，使临床可解释。DCA进一步证明其在预防干预阈值决策中的净收益。局限包括匹配设计改变绝对患病率、OAI外推需多中心验证、3D-DESS序列依赖，以及未来需向常规2D序列与域鲁棒模型拓展。
研究结论部分翻译如下：
本研究建立了一个可扩展的数字框架，将肌骨影像的角色从描述性评估拓展至前瞻性风险分层。通过解码组织重塑中“亚视觉数字指纹”，MSC-RM框架提供了一种客观、数据驱动的脆弱关节识别策略。该工作支持一种不断演进的范式：定量影像特征将成为标准化风险沟通的关键工具，并支撑下一代预防性肌骨研究与干预决策。
现有解读已覆盖研究全貌，接下来可以选择一个方向继续深化：
