在单冠状颅缝早闭的情况下,是否需要一个标准化的严重程度指数?开发客观评估指标所面临的挑战
《Child's Nervous System》:Is a standardised severity index needed in unicoronal craniosynostosis? Challenges in developing an objective metric
【字体:
大
中
小
】
时间:2026年05月08日
来源:Child's Nervous System 1.3
编辑推荐:
摘要
目的
单冠状缝合(UCS)的形态严重程度变化很大。然而,目前尚无共识性的客观和标准化指标来量化三维严重程度,以评估术前严重程度和手术结果。本研究旨在调查先前描述的严重程度指数,并将其与颅骨的统计形状模型(SSM)和专家评分进行比较。
方法
研究纳入了77名
摘要
目的
单冠状缝合(UCS)的形态严重程度变化很大。然而,目前尚无共识性的客观和标准化指标来量化三维严重程度,以评估术前严重程度和手术结果。本研究旨在调查先前描述的严重程度指数,并将其与颅骨的统计形状模型(SSM)和专家评分进行比较。
方法
研究纳入了77名非综合征UCS患者和75名健康对照者的计算机断层扫描(CT)数据。使用主成分分析(PCA)和偏最小二乘判别分析(PLS-DA)来识别形状变化的潜在轴并得出严重程度估计值,从而定义了SSM和UCS颅骨形状-based严重程度指数(UCS-SI)。基于专家的严重程度排名作为独立的参考标准。相关性分析评估了严重程度与颅骨形状和专家排名之间的关联。
结果
UCS-SI与专家严重程度排名高度相关,并且优于传统的严重程度指数。PCA和PLS-DA能够稳健地将UCS与对照组区分开,其中高变量重要性分数集中在额部、眼眶上方和顶骨区域。
结论
UCS-SI可能在体现专家感知和客观形态方面是一个有前途的严重程度指数,为严重程度分层、表型特征描述和手术结果轨迹评估提供了一种临床可解释且可扩展的方法。然而,可能需要开发一个严重程度算法而不仅仅是一个严重程度分数,以全面描述UCS的严重程度。目前最佳的UCS客观严重程度指标尚未确定。
引言
单冠状缝合(UCS)是非综合征性单缝线颅缝融合中最常见的类型之一[1,2,3,4]。其特征是其中一条冠状缝线发生融合,偶尔伴有其他翼点周围缝线的融合[5,6,7]。UCS会导致前斜头畸形[1]、眼眶畸形(包括不对称性)、同侧眼睛的丑角样畸形[8,9,10,11]以及面部侧凸[8,12]。此外,这些颅面特征与颅底异常有关[5,9,11,13,14,15,16,17,18,19,20,21,22]。UCS的严重程度差异很大。传统上,形状评估依赖于头测法或主观观察,这使得难以量化和分析颅面生长过程中发生的复杂形态变化[13,14,23,24,25,26]。计算技术的最新进展催生了统计形状建模(SSM)作为客观和定量分析颅面生长模式的强大工具[27]。
SSM包括主成分分析(PCA)和偏最小二乘判别分析(PLS-DA),利用计算算法和统计方法分析颅缝融合中的解剖结构的形状和空间关系。它提供了一个数据驱动的框架,利用来自计算机断层扫描(CT)或3D摄影测量的几何数据,构建一个SSM或3D可变形模型,捕捉和表示群体中的形状变化[27,28]。SSM可用于评估和量化UCS患者的颅骨形状[5,29]。此外,SSM能够建立生长轨迹并预测形状发展[28,30,31]。
本研究的目的是开发一种基于颅骨外表面形状的客观和不受特定方法限制的方法来量化总体三维畸形。我们创建了一个基于PCA和PLS-DA的SSM模型。假设个体患者在潜在形状变量上的得分能够反映他们处于疾病主要形状轨迹上的位置,因此开发了UCS颅骨形状-based严重程度指数(UCS-SI)。最后,该指数通过与先前发布的一系列测量方法和新的专家评分平台进行了相关性评估。
数据采集、预处理和配准
使用H?pital Necker-Enfants Malades的Dr. Warehouse [32],通过2006年至2022年的颅骨和面部术前CT扫描筛选UCS患者。排除标准包括已识别的致病基因变异、任何综合征的存在、年龄>2岁或CT质量差(运动伪影、切片厚度大、未包含整个颅骨)。如果有多个术前CT扫描,仅包含第一个扫描结果。对照组包括年龄匹配的健康受试者,他们的CT扫描是因轻微创伤或非变形性病变进行的。一位儿科神经外科医生和一位临床从事颅缝融合治疗的颅面整形外科医生审核了所有CT扫描,以确认所有对照组确实健康。最终纳入了77名UCS患者和75名健康对照组。使用Wilcoxon符号秩和检验或Pearson's Chi-squared检验比较了患者之间以及患者与对照组之间的特征(年龄、性别、偏侧性)。该研究符合赫尔辛基宣言,并根据先前描述的原则获得了H?pital Necker–Enfants malades数据保护官的伦理批准[33]。
使用3DSlicer [34]对每个颅骨进行分割,采用默认设置(160 Hounsfield单位)仅包含骨骼,必要时根据颅骨矿化程度进行调整。手动移除了伪影和非颅骨骨骼(下颌骨、颈椎)。将生成的网格细化为150,000个多边形。使用Meshmixer(Autodesk Inc,2020,美国旧金山)手动修复了大孔洞。使用BoneSplit 0.9.2 [35]进行半自动颅底分割,采用先前描述的协议[5]。使用OrbSeg 0.9.3半自动分割眼眶,如先前所述[5,36]。使用Python脚本对颅底和眼眶进行镜像和对齐。
使用基于正常婴儿颅骨外表面的模板颅骨网格[31]。在初步的刚性对齐后,使用R3DS软件中的非刚性迭代最近点算法,根据一组解剖标志对模板网格进行调整,以与每个受试者的分割CT对齐[37]。因此,创建了一个网格集合,其中每个顶点都可以认为是解剖学上对应的。为了消除后续分析中的偏侧性影响,所有左侧UCS都被镜像。总之,颅面模型经过密集的基于模板的配准,以实现顶点级别的对应关系,包括镜像实例以平衡偏侧性。
统计形状模型
为了本研究的目的,对Procrustes对齐的3D坐标数据矩阵应用PCA构建了SSM。PCA将形状变化分解为正交的主成分(PC),每个主成分捕捉围绕平均形状的独立解剖变化模式。为UCS+对照组(cPC)和包含所有镜像和原始实例的平衡组(bPC)分别创建了单独的SSM。假设主要方差轴将包含畸形的特征。因此,与疾病无关的形状变化不会被纳入模型的主要轴中。
在同一坐标数据上进行了偏最小二乘判别分析(PLS-DA),使用二元分类器区分右侧对齐的UCS组(R+R′)和对照组。在平衡组上的PLS-DA中,使用了一个双分类器来编码病理存在(定义为0/1)和偏侧性(定义为-1/+1)。
PCA可以被认为是简单的/无监督的,因为它找到形状方差最大的轴。然而,这些成分不一定能捕捉到与严重程度的关联。即便如此,关联可能与多个成分分布开来。相比之下,PLS-DA是监督的,它识别出最大化形状和诊断类别之间协方差的潜在变量(LVs)。为了优化SSM模型的可靠性和性能,同时包括了PCA和PLS-DA。图1总结了SSM的开发过程。
统计形状模型的开发步骤包括:分割、非刚性拟合、刚性对齐、主成分分析和偏最小二乘分析、计算平均形状和形状变化模式。PLS-DA模型中的变量重要性(VIP)值量化并可视化了每个表面点在潜在轴上区分UCS患者和对照组的贡献程度。拟合PLS-DA后,VIP分数总结了每个坐标对颅骨形状和组间协方差结构的影响,整合了所有保留成分的信息。因此,高VIP值突出了变化主要与类别分离相关的区域——即形状差异一致区分UCS和对照组的区域。
除了基于形状模型的指标外,还通过结构化的PubMed搜索纳入了颅面文献中提出的全面的一系列严重程度测量方法,以便与已建立的指标进行比较。严重程度测量包括传统的头测参数(前后长度、侧向直径、头指数)、颅骨不对称性(CVA)、颅骨不对称性指数(CVAI)、半球体积和表面比率,以及Utrecht颅骨形状量化器(UCSQ)测量(额头不对称比率、梯度比率和峰值位置)[26,38,39]。我们还根据镜像的颅骨计算了顶点级的不对称性指标,以及从左右两侧不同曲线得出的曲线下面积(AUC)测量值。此外,使用Python脚本计算了颅底的不对称性得分,使用Dice相似性系数,其百分比为0到100%,其中100%表示完美的对称性[5,40]。包括这些经过验证的指标,可以对提出的UCS-SI进行基准测试。所有统计测试都在R(R Core Team,2023)中进行,α值为0.05,以确定统计显著性。
为了获得一个独立的、基于感知的严重程度参考标准,对一组具有3D软组织分割数据的病例(15名UCS患者和2名对照组)进行了专家排名实验。三名颅面外科医生对图像对进行了成对比较,并指出每个比较中哪个病例更严重或两者严重程度相当。这些成对结果使用Bradley–Terry模型的Davidson扩展的贝叶斯实现进行了建模,为每个受试者生成了一个连续的潜在严重程度得分[41]。使用Kendall的一致性系数评估了评分者间的可靠性。所得到的排名被用作评估基于统计形状的严重程度指数的有效性的主要标准,以及与经典颅骨不对称性指标的基准测试。
患者和对照组
人口统计数据见表1。
无论是简单的PCA模型还是监督的PLS-DA模型,第一个主成分/潜在变量都能稳健地将UCS与对照组区分开(图2)。在平衡的PLS-DA模型中,第一个潜在变量(bLV1)显示出了明显的分离,对照组形成了一个接近零的紧凑簇,而UCS病例则显示出偏移且更分散的分布(图3)。沿着bLV1与对照组簇的偏差越大,表示与正常颅骨形状的形态偏离越大,表明bLV1代表了主要的UCS相关变形轴。第二个潜在变量(bLV2)提供了额外的、尽管较弱的UCS病例和对照组之间的区分,两组之间存在部分重叠。因为沿bLV2的方向的变化在对镜操作后保持不变,这个轴可能捕捉到了与UCS相关的形状差异,这些差异与受影响的侧别无关,这表明存在超出主要严重程度轴之外的次要变形模式。图2:该图像的替代文本可能是使用AI生成的。全尺寸图片。形状得分(来自统计形状模型的第一和第二主成分或潜在变量。上排为PCA模型,下排为PLS-DA模型。左图:基于右对齐的UCS和对照组组合。右图:包含原生形状和镜像形状的平衡组。LV代表潜在变量;PC代表主成分;PLSDA代表偏最小二乘判别分析;UCS代表单侧冠状骨融合。图3:该图像的替代文本可能是使用AI生成的。全尺寸图片。根据PLS-DA分析在平衡组上获得的第一个和第二个潜在变量按组和侧别划分的得分图。LV代表潜在变量;PLSDA代表偏最小二乘判别分析;UCS代表单侧冠状骨融合。PLS-DA模型的VIP得分被映射到颅骨表面,以空间定位对UCS患者和对照组之间区分贡献最大的形状特征(图4)。VIP值高的区域(暖色调,从红色到黄色)表示形状变化一致驱动类别分离的区域,而VIP值低的区域(深色调)对判别模型的贡献较小。图4:该图像的替代文本可能是使用AI生成的。全尺寸图片。通过计算投影中的变量重要性来可视化单侧冠状骨融合与对照组之间的特定区域。暖色调/鲜艳的颜色表示对单侧冠状骨融合患者和对照组之间区分贡献最大的区域。患者的右侧代表患者中的骨融合侧。为了便于对UCS-SI进行解剖学解释,沿着主要的PLS-DA潜在严重程度轴生成了合成颅骨形状。通过将平均形状与潜在变量载荷线性组合,重建了对应于UCS病例平均得分±2个标准差的形状(图5)。这种方法允许直接可视化随着UCS-SI值增加而捕获的渐进形态变化。图5:该图像的替代文本可能是使用AI生成的。全尺寸图片。合成颅骨形状展示了平衡组中沿前两个PLS-DA潜在变量的单侧冠状骨融合的严重程度。形状是通过将患者病例的平均潜在得分±2个标准差以及每个潜在轴上的缩放载荷添加到平均颅骨形状来构建的。对于LV2,偏差的符号被反转以保持严重的解剖学进展的一致性,反映了相对于LV1的得分变化方向。尽管bLV1代表了主要的变形轴,但bLV2也贡献了额外的UCS相关形状变化。因此,UCS-SI被定义为一个综合指标,整合了这两个潜在变量。它被计算为bLV1和bLV2的平方和,反映了与对照组形状分布的总体偏离程度。仅考虑UCS病例时,两个形状得分与已建立的UCS严重程度指标CVAI和UCSQ仅显示出弱相关性。bLV1显示出稍强的相关性,而bLV2仅与UCSQ表现出额外的独立关系。最终,综合指标UCS-SI与UCSQ有中等程度的一致性(图6)。图6:该图像的替代文本可能是使用AI生成的。全尺寸图片。基于形状的得分(bLV1、bLV2和UCS-SI)与已建立的UCS严重程度指标(CVAI和UCSQ)之间的相关性。散点图显示了右侧和镜像UCS病例之间的Spearman相关系数(n=76)。专家排名:三位评价者在他们的成对严重程度判断上表现出相当大的共识(Kendall’s W=0.64,p<0.001)。与形态测量指标的比较显示出强烈的关联:专家的严重程度排名与SSM的主要潜在形状轴和Dice相似系数相关。相比之下,传统的头测量指标显示出较弱或不一致的相关性(表2)。较高的绝对Kendall’s τ值表明与专家感知的严重程度更为一致。表2:专家排名与不同类型形状和严重程度测量之间的相关性。全尺寸表格。讨论:本研究提出了一个框架,用于在评估后客观量化UCS的严重程度,并将其与之前描述的方法进行比较,即UCS-SI。与CVAI或UCSQ不同,后者量化的是预定义的几何不对称性,UCS-SI捕捉了整个颅顶范围内UCS特异性形状变形的主导轴,更符合专家的全面评估。此外,UCS-SI捕捉到了一个连贯且解剖学上合理的变形模式,将区域性鉴别特征与一个连续的、临床可解释的严重程度轨迹联系起来。这个严重程度指标整合了专家的感知和客观的形态学信息,提供了一种临床可解释和可扩展的方法,用于严重程度分层、表型特征描述和手术结果轨迹的评估。然而,需要进一步的研究来评估其临床相关性。可能需要开发一个严重程度算法而不仅仅是严重程度得分,以便全面描述UCS的严重程度。临床意义:开发一个稳定的严重程度指标并围绕单一方法统一该领域,将允许外科医生之间、外科治疗方法之间以及颅面中心之间进行比较。因此,来自统一指标的研究将有助于我们更好地理解UCS的严重程度和复杂性,研究形状与功能之间鲜为人知的关系,并可能通过建立基于长期严重程度评估的大型多中心研究来改善治疗。此外,它将有助于提高预后,从而为患者和家长提供更多信息。尽管当前的实现需要专用软件和预处理,但一旦建立了形状模型,UCS-SI的计算本身就可以完全自动化,使得在集中式环境中进行常规临床使用成为可能。从长远来看,开发一个稳定的严重程度指标可能允许根据术前特征进行个性化的外科治疗。根据这些论点,这项研究表明,确实需要一个客观的、全球通用的UCS严重程度指标来改善UCS患者的护理。开发一个客观的UCS严重程度指标:一个在研究和临床实践中都能发挥作用的UCS严重程度指标需要足够简单以便于临床使用,但又足够复杂以捕捉UCS形态的全部复杂性。我们认为,理想的UCS严重程度指标应满足以下要求:是一个稳健的客观测量或其组合;与UCS特异性形态变化(不对称性)相关;为了可比性,一个特定的值(例如“0”)应对应于理论上完美的对称颅骨;理想情况下,一个可定义的阈值应能明确区分UCS和对照组;高于此阈值的(绝对)值应对应于更严重的UCS表型;无论是左侧还是右侧的UCS,指标都应该是相同的,或者指标的符号指示同侧;该指标不受年龄影响,或者可以以简单的方式根据年龄进行校正。由于UCS的变形性质,定义一个中线很困难,任何不对称性指标都必须找到一种稳定的方法来定义中线,或者基于不依赖于中线的方法。为了加强客观评估,UCS的严重程度最好定义为与对照组的差异程度,而不是与专家评分的相似程度。然而,开发一个临床相关的指标仍然需要专家评分。这项研究并不是首次尝试统一非综合征性UCS严重程度量化的方法[3, 27]。毫无疑问,在达到这一目标上达成一致是一个挑战。在额部冠状骨融合方面,已经取得了更大的成功[42]。关于何时对额部冠状骨融合患者进行手术的指征,目前有持续的讨论,并且有严格的科学研究支持。因此,严重程度指标为统一该领域提供了一种明确的目标、好处和最终目标,以量化额部冠状骨融合的严重程度。在UCS中,没有一种明确优越的外科治疗方法,尽管在少数队列研究中,诸如额眶分离骨生成和带有头盔的内窥镜条状颅骨切除术等侵入性较小的方法已被证明优于额眶前移[43,44,45,46]。然而,缺乏证据表明无论年龄、严重程度、外科医生具体因素或中心规模如何,某种方法都是优越的。目前还没有发表的研究跟踪不同外科治疗方法 Treatment的UCS患者直到颅面生长结束。鉴于UCS严重程度的巨大变异性,一种治疗方法可能并不适用于所有UCS患者,因此强调了开发一个严重程度指标的重要性,以便根据术前特征进行个性化治疗。因此,这项研究表明,确实需要一个客观且全球通用的UCS严重程度指标来改善UCS患者的护理。开发一个客观的UCS严重程度指标:一个在研究和临床实践中都能发挥稳定作用的UCS严重程度指标需要足够简单以便于临床使用,但又足够复杂以捕捉UCS形态的全部复杂性。我们提出,理想的UCS严重程度指标应满足以下要求:是一个稳健的客观测量或其组合;与UCS特异性形态变化(不对称性)相关;为了可比性,一个特定值(例如“0”)应对应于理论上完美的对称颅骨;理想情况下,一个可定义的阈值应能明确区分UCS和对照组;高于此阈值的(绝对)值应对应于更严重的UCS表型;无论侧别如何,指标都是相同的,或者指标的符号指示同侧;该指标不受年龄影响,或者可以以简单的方式根据年龄进行校正。由于UCS的变形性质,定义一个中线很困难,任何不对称性指标都必须找到一种稳定的方法来定义中线,或者基于不依赖中线的方法。为了加强客观评估,UCS的严重程度最好定义为与对照组的差异程度,而不是与专家评分的相似程度。然而,开发一个临床相关的指标仍然需要专家评分。这项研究并不是第一次尝试统一非综合征性UCS的量化方法[3, 27]。无疑,就达成这一目标达成一致是一个挑战。在额部冠状骨融合方面,已经取得了更大的成功[42]。目前有持续的讨论,并有严格的研究支持针对额部冠状骨融合患者的手术指征。因此,严重程度指标为统一该领域提供了一个明确的目标、好处和最终目标,以量化额部冠状骨融合的严重程度。在UCS中,虽然没有一种明确优越的外科治疗方法,但在一些有限的队列研究中,诸如额眶分离骨生成和内窥镜条状颅骨切除术加头盔等侵入性较小的方法已被证明优于额眶前移[43,44,45,46]。然而,缺乏证据表明无论年龄、严重程度、外科医生具体因素或中心规模如何,某种方法是优越的。目前还没有发表的研究跟踪了接受不同外科治疗方法的UCS患者直到颅面生长结束。鉴于UCS严重程度的巨大变异性,一种治疗方法可能并不适用于所有UCS患者,因此强调了开发一个严重程度指标的重要性,以便根据术前特征进行个性化治疗。即使一个严重程度指标可能足以用于额部冠状骨融合,这项研究表明,一个单一值可能无法完全捕捉UCS的复杂表型变化。因此,可能有迹象表明需要开发一个UCS严重程度算法,而不仅仅是一个单一的严重程度指标。将SSM与人工智能结合可能是下一个合乎逻辑的步骤。如果成功,这可能为未来在其他类型的颅面畸形中开发复杂的严重程度算法奠定基础。总之,包括UCS-SI的SSM提供了一种强大且数据驱动的方法来量化UCS的形态严重程度。它提供了对相关UCS形状变化的全面理解,可能有助于改善未来的治疗计划和结果预测。通过提供一种定量和客观的方法来评估颅面严重程度和生长,这一工具在推进我们对颅面发育的理解方面具有巨大潜力,有可能改善UCS患者的护理。限制:如果包括了多个中心,样本量会更大;但仅包括一个中心的数据限制了检查协议和CT扫描设置的变异性。只有高质量的低剂量扫描被纳入其中,进一步限制了样本量。参与专家评级的患者数量很少。对于专家评级,可能更适合使用3D摄影测量而不是CT。该研究采用横断面设计,因此比较的是独立受试者,而不是纵向设计。由于对辐射暴露的谨慎态度,无法对同一受试者进行重复CT扫描。术后结果没有进行分析,因为该队列没有可用的纵向CT成像。因此,术前UCS-SI与手术结果之间的关系仍有待确定,这是验证的关键下一步。UCS的严重程度可能因多种未完全调查的原因而有所不同,例如年龄、性别、遗传因素、环境和生物力学及生化因素。在颅骨外表面使用150,000个顶点的模板允许对整个颅顶形状进行整体评估,与更有限的标志点和半标志点技术相比;然而,应考虑大数定律。本研究中的数据点是颅骨外表面的经典3D笛卡尔坐标。也可以考虑其他嵌入方式,包括如果对应点协同或相反移动时的左右对称性;或者使用偏离正常/参考形状的嵌入方式。仅包括了颅顶;未来的研究应尽可能还包括颅底和面部,最好是通过结合CT和3D摄影测量来实现。结论:UCS-SI在专家感知和客观形态学方面构成了一个有前途的UCS严重程度指标,提供了一种临床可解释和可扩展的方法,用于严重程度分层、表型特征描述和手术结果轨迹的评估。然而,可能需要开发一个严重程度算法而不仅仅是严重程度得分,以便全面描述UCS的严重程度。UCS的最佳客观严重程度指标仍有待定义。