《Bone》：Nomogram prediction of short-term collapse progression in osteonecrosis of the femoral head: A combination of clinical data and radiomics features from hip magnetic resonance imaging
编辑推荐：
为解决早期股骨头坏死(ONFH)患者短期塌陷进展风险预测精度有限的问题，本研究创新性地整合了ARCO、CJFH、JIC等多种临床分期与改良Kerboul角等指标，并融合了基于髋关节磁共振成像的影像组学特征，构建了一个综合列线图模型。该模型在外部验证集中AUC达0.919，展现出超越单一临床或影像组学模型的优异预测性能，为临床医生制定个体化保髋治疗方案提供了重要的决策辅助工具。
在我们的身体里，股骨头像一个承重的“球”，支撑着我们日常的行走、跑跳。然而，当它因为缺血发生坏死（即股骨头坏死，ONFH），这个“球”就可能因结构受损而塌陷，导致剧烈的髋部疼痛和功能障碍，最终可能不得不进行人工关节置换。尤其对于年轻患者，置换关节并非一劳永逸，假体有寿命限制，未来可能需要多次翻修手术。因此，如何在塌陷发生前准确识别高风险患者，并及时进行“保髋”干预，是骨关节外科领域一个至关重要且充满挑战的课题。
目前，临床医生主要依赖ARCO分期、中日友好医院（CJFH）分型、日本骨坏死研究会（JIC）分型、改良Kerboul角等影像学指标来评估风险。然而，这些传统方法主要依赖于医生的肉眼观察和主观测量，对于股骨头内早期、细微的结构变化可能不够敏感。有没有一种方法，能像“超级显微镜”一样，从常规的医学影像（如磁共振成像，MRI）中挖掘出人眼无法识别的、与塌陷风险密切相关的定量信息呢？这正是影像组学技术大展身手的领域。通过高通量提取和分析影像中的纹理、形状等特征，影像组学可以将图像转化为可挖掘的数据“金矿”。
为了探索这一前沿技术在股骨头坏死预后预测中的应用价值，福建医科大学附属第二医院的研究团队在《Bone》杂志上发表了一项研究。他们开展了一项回顾性、多中心研究，旨在开发和验证一个能够更精准预测股骨头坏死短期（1年内）塌陷进展的预测模型。这项研究的核心思路是“强强联合”：将传统的临床-影像学评估指标与新兴的影像组学特征结合起来，构建一个综合性的列线图模型，以期实现“1+1>2”的预测效果。
本研究的关键技术方法主要涵盖以下几个方面：首先，研究纳入了来自两家大型医疗中心、共计364例符合条件的ONFH患者（股骨头未塌陷或塌陷<2 mm），并随机分为训练队列、内部测试队列和外部验证队列。其次，研究者系统评估了包括冠状位坏死角度、矢状位坏死角度、改良Kerboul角、坏死范围指数、ARCO分期、CJFH分型、JIC分型在内的多项临床-影像学特征。同时，利用ITK-SNAP软件在患者髋关节MRI的冠状位T1加权像上手动勾画股骨头-颈区域作为感兴趣区域，然后使用PyRadiomics软件包从中提取了大量影像组学特征。接着，通过严格的统计学筛选（如类内相关系数ICC、t检验、Pearson相关性、mRMR、LASSO回归），从1197个初始特征中筛选出与塌陷最相关的特征子集。最后，研究者分别构建了基于临床特征的临床模型、基于影像组学特征的影像组学模型，以及融合了最优临床与影像组学特征的XGBoost机器学习模型，并最终将其可视化呈现为一个易于临床使用的列线图。
研究结果
1. 临床模型与影像组学模型的建立
在单变量分析中，所有评估的临床特征均与短期塌陷进展相关。经过多变量分析筛选，最终确定坏死范围指数、ARCO分期、CJFH分型、JIC分型和坏死范围指数分级是预测短期塌陷进展的更优临床特征。
从每位患者的髋关节MRI影像中，研究者共提取了1197个影像组学特征。经过一系列严格的筛选流程（包括ICC评估、t检验、相关性分析、mRMR和LASSO回归），最终选定了5个最具预测价值的影像组学特征，用于构建影像组学模型。
2. 三种模型的预测效能比较
研究分别在训练集、内部测试集和外部验证集上评估了临床模型、影像组学模型以及结合两者的列线图模型的性能。
- •
在训练集中：临床模型的AUC为0.931，影像组学模型为0.956，而列线图模型达到了最高的0.976。
- •
在内部测试集中：临床模型AUC为0.845，影像组学模型为0.880，列线图模型进一步提升至0.944。
- •
在外部验证集中：列线图模型的优势最为明显。临床模型的AUC为0.809，影像组学模型为0.875，而列线图模型则以0.919的AUC和0.879的准确率显著优于前两者。
统计学分析（DeLong检验）进一步证实，列线图模型在所有队列中的预测效能均显著优于单一的临床模型，而与影像组学模型相比，虽在数值上更优，但差异未达到统计学显著性。临床模型与影像组学模型之间的效能差异也无统计学意义。
3. 最终预测工具：列线图
研究构建的最终列线图模型，直观地将筛选出的关键临床特征（如JIC分型、坏死范围指数等）和影像组学特征整合在一个评分表中。临床医生可以根据患者的具体情况，在图表上对应各项指标得分并相加，即可获得该患者发生短期塌陷的总风险概率，实现了复杂预测模型向便捷临床工具的转化。
研究结论与讨论
本研究的核心结论是：融合了髋关节MRI影像组学特征与临床数据的列线图模型，在预测股骨头坏死短期塌陷风险方面，展现出比单一的临床模型或影像组学模型更优异的预测性能。这一结果为早期ONFH患者的精准风险评估提供了一种有力的新工具。
研究的意义在于多个层面。首先，在临床实践上，该列线图为医生提供了一个客观、定量且易于操作的风险评估工具，有助于更准确地识别出那些看似稳定、实则高危的“隐匿性”塌陷风险患者，从而为制定及时的保髋手术决策（如髓芯减压、植骨等）提供关键依据，有望延迟甚至避免患者最终接受全髋关节置换术。其次，在方法学上，本研究成功验证了影像组学技术在骨科预后预测领域的应用潜力。它证明，从常规MRI中挖掘出的深层纹理信息，能够捕捉到传统目测评估所忽略的、与生物力学强度和结构完整性相关的细微改变，这些信息与经典的临床分型指标具有互补价值。
在讨论中，作者也客观指出了本研究的局限性。例如，所有数据均来自中国人群，模型在其他种族中的普适性有待验证；感兴趣区域（ROI）的勾画虽经一致性评估，但仍存在一定程度的主观性；回顾性研究设计以及1年的随访时长可能影响结论的长期稳健性。此外，研究并未深入探讨骨质疏松等共病状态对MRI影像组学特征的影响，这可能是未来研究的一个方向。
总之，这项由福建医科大学附属第二医院团队完成的研究，通过巧妙结合前沿的影像组学技术与成熟的临床评估体系，开发出了一个高性能的预测工具。尽管仍需前瞻性、多中心的进一步验证，但它无疑为改善股骨头坏死的临床管理、实现更精准的个体化治疗迈出了坚实的一步。该模型若能在未来临床工作中得到广泛应用，将有助于提升保髋治疗的成功率，最终改善广大ONFH患者的生活质量与远期预后。
