《Soil Science》：An Unsupervised Learning Approach for Multimodal Low Back Pain Stratification
编辑推荐：
研究设计：横断面研究。目的：该研究提出了一种针对下背痛（low back pain, LBP）患者的新型分层框架。该方法整合了基于深度学习（deep learning, DL）的腰椎磁共振成像（magnetic resonance imaging, MRI）分
研究设计：横断面研究。目的：该研究提出了一种针对下背痛（low back pain, LBP）患者的新型分层框架。该方法整合了基于深度学习（deep learning, DL）的腰椎磁共振成像（magnetic resonance imaging, MRI）分析所得的影像生物标志物、吸烟状况、人口统计学数据（性别和身体质量指数（body mass index, BMI））、来自厄勒布鲁肌肉骨骼疼痛筛查问卷简版（?rebro Musculoskeletal Pain Screening Questionnaire short, ?MPSQ short）和STarT Back工具（STarT Back Tool, SBT）的自我报告数据。此外，通过展示比“全治疗”策略更优的净收益，验证了这种分层方法的实用性。背景：当前针对LBP患者的风险分层依赖于?MPSQ简版和SBT等工具。尽管这些工具在捕捉预测未来残疾和功能结局的心理社会特征方面具有重要价值，但LBP的多因素本质需要更全面的框架以实现有效的风险分层。材料与方法：研究人员开发了一种多模态无监督患者分层方法，该方法允许将使用DL模型提取的椎间盘退变（disc degeneration, DD）和小关节不对称（facet tropism, FT）影像生物标志物与非影像数据进行整合。该框架使用稳健K均值聚类对个体进行分层。利用LBP频率和烦恼程度对聚类进行表征，并通过多类逻辑回归模型验证其稳健性。通过决策曲线分析评估净收益。结果：三个不同的亚组通过LBP频率和烦恼程度得到表征。一个亚组以心理社会特征为主（心理社会风险P<0.05），第二个以身体退行性改变为主（DD P<0.05），第三个则为两者混合。用于聚类分配的预测模型具有稳健性，达到了较高的平均准确率（基于SBT: 0.89；基于?MPSQ简版: 0.87）。与“全治疗”策略相比，净收益在阈值概率范围内表现更优。结论：研究人员开发了一种新颖框架，整合多模态数据以识别在人群队列中因身体和心理社会特征而不同的独特亚组，展示了推动个性化护理的潜力。
论文解读文章
研究背景：下背痛（Low Back Pain, LBP）患者个体间风险因素多样且多因素交织，当前治疗迫切需要个性化方法。现有风险分层工具如STarT Back工具（SBT）和厄勒布鲁肌肉骨骼疼痛筛查问卷简版（?MPSQ short）虽能捕捉预测残疾和功能结局的心理社会特征，但预测性能有限。新兴研究揭示了基于磁共振成像（MRI）的生物标志物（如椎间盘退变DD和小关节不对称FT）与LBP的关联，然而这些影像标志物无法反映心理社会维度。单一使用问卷或影像均可能导致管理效果欠佳。为了整合多源数据以识别临床有意义的亚组，该研究提出了一种无监督分层框架，并假设多模态整合能发现单纯依赖问卷或影像无法区分的亚组，且能展现优于“全治疗”策略的临床价值。
研究人员开展的研究：该研究利用北芬兰出生队列1966（NFBC1966）的横断面数据，整合人口统计学（性别、身体质量指数BMI）、生活方式（吸烟）、心理社会特征（SBT和?MPSQ简版问卷）以及基于深度学习（DL）从T2加权腰椎MRI中提取的影像生物标志物（DD的Pfirrmann分级和FT角度）。采用稳健K均值聚类算法对患者进行无监督分层，并通过多类逻辑回归模型验证聚类分配的稳健性，使用决策曲线分析评估净收益。结论：该框架识别出三个特征鲜明的亚组：一组以心理社会风险为主，一组以身体退行性改变（DD）为主，另一组为两者混合。与“全治疗”策略相比，基于分层的方案在整个阈值概率范围内均展现出更优的净收益。重要意义：该研究首次将DL衍生的影像生物标志物与问卷等多维数据结合，为LBP个性化护理提供了更全面的风险分层工具，有望优化治疗决策。论文发表在《Soil Science》。
主要关键技术方法：该研究采用的关键技术包括：1）基于深度学习（DL）模型从腰椎T2加权MRI中自动提取影像生物标志物（椎间盘退变Pfirrmann分级和小关节不对称角度）；2）使用统一流形逼近与投影（Uniform Manifold Approximation and Projection, UMAP）进行非线性降维；3）采用稳健K均值聚类算法，结合五折交叉验证生成质心矩阵以获得一致性聚类标签；4）通过多类逻辑回归模型对聚类分配进行预测，并利用决策曲线分析（DCA）评估临床净收益。样本队列来源于北芬兰出生队列1966（NFBC1966）。
研究结果：
SBT聚类：研究人员基于SBT问卷数据，利用K均值聚类（k=3，UMAP超参数：7个分量、20个邻居、最小距离0.3）识别出三个亚组。聚类0具有最低的频繁疼痛（39.1%）和较低的累计FT-DD分数（6.9）；聚类1表现出最高的频繁疼痛比例（42.9%）和较高的烦恼程度（34.0%），多因素逻辑回归揭示其频繁疼痛特征由L4/5水平的DD（OR=1.87, P<0.05）和心理社会风险（OR=7.03, P<0.05）共同驱动；聚类2虽频繁疼痛比例略低（40.2%），但严重DD在L5/S1（86.6%）和L4/5（73.7%）水平尤为突出，累计FT-DD分数最高（9.3），其频繁疼痛仅由L5/S1水平的DD（OR=1.76, P<0.05）显著驱动，心理社会风险不显著。
?MPSQ简版聚类：基于?MPSQ简版数据的聚类同样产生三个亚组，模式与SBT聚类大体相似。聚类2具有最高的频繁疼痛比例（37.6%）和最高的?MPSQ简版风险分数（16.1%），其频繁疼痛由心理社会风险分数（OR=2.19, P<0.05）和吸烟（OR=1.72, P<0.05）显著驱动；聚类0频繁疼痛比例（32.1%）居中，但显示最高的累计FT-DD分数（9.2）和严重DD（L5/S1达84.0%），其频繁疼痛由L5/S1水平的DD（OR=1.56, P<0.05）和心理社会风险分数（OR=5.58, P<0.05）共同驱动；聚类1频繁疼痛最低（25.7%），特征不显著。
预测模型支持聚类稳健性：基于SBT和?MPSQ简版数据的多类逻辑回归模型在五折交叉验证中分别达到平均准确率0.89±0.01和0.87±0.02，显著优于随机标签的模型（0.42±0.02和0.43±0.01），表明聚类分配具有可预测性和稳健性。
分层风险评估的净收益：决策曲线分析显示，两种模型基于聚类的分层策略在所有阈值概率下均优于“全治疗”策略。其中，低频率疼痛、低DD和低累计FT-DD分数的亚组净收益最高；高心理社会风险亚组的净收益略低于高DD亚组，但仍优于“全治疗”策略。
讨论总结：研究人员指出，该研究整合了MRI影像生物标志物与心理社会、人口统计学和生活方式数据，成功识别出三个具有不同疼痛特征和风险因素的亚组，符合LBP的生物-心理-社会模型。SBT模型在技术聚类指标上更优，而?MPSQ简版模型在频繁疼痛和心理社会风险分数上显示出更明显的亚组差异。尽管存在横断面设计、影像生物标志物有限、自我报告偏倚等局限性，但影像生物标志物的显著优势比值和净收益强调了先进影像数据改善患者分层的潜力。
研究结论：该研究建立了一种基础性方法，全面整合患者特异性影像生物标志物与标准化临床问卷（SBT和?MPSQ简版）、人口统计学和生活方式因素。结果表明，所提出的方法整合了这些多样化数据模态，导致识别出具有稳健性和区分度的频繁LBP和烦恼程度亚组。与“全治疗”策略相比，预测模型的一致表现和改善的净收益强调了其推动LBP个性化护理的潜力。最终，这些模型旨在允许未来的前瞻性研究通过测量健康相关生活质量、功能和劳动能力等有意义结局来验证这些亚组的临床相关性。
