《Frontiers in Digital Health》:Objective stratification of knee osteoarthritis stages using a semi-supervised learning approach on multimodal MRI-CT cartilage features
编辑推荐:
引言:膝骨关节炎 (Knee Osteoarthritis, KOA) 是一种影响中老年人的慢性进行性关节疾病。早期检测对于防止疾病进展至关节置换和改善长期预后至关重要,然而目前的诊断受主观症状(尤其是疼痛感知)的强烈影响,而疼痛感知在个体间差异很大,并不能可
引言:膝骨关节炎 (Knee Osteoarthritis, KOA) 是一种影响中老年人的慢性进行性关节疾病。早期检测对于防止疾病进展至关节置换和改善长期预后至关重要,然而目前的诊断受主观症状(尤其是疼痛感知)的强烈影响,而疼痛感知在个体间差异很大,并不能可靠地反映结构退变。本研究引入了一种半监督学习 (Semi-Supervised Learning, SSL) 框架,通过结合磁共振成像 (Magnetic Resonance Imaging, MRI) 和计算机断层扫描 (Computed Tomography, CT) 衍生的软骨特征来表征KOA阶段。方法:研究人员分析了133例膝关节扫描数据,其中包括36例由专家标注的病例,被分类为健康、早期退变或晚期退变。这些标签作为基于图的SSL(使用标签传播 (Label Propagation, LP) 和标签扩散 (Label Spreading, LS))的种子,为其余样本生成伪标签。结果:十次蒙特卡洛 (Monte Carlo) 运行的标签稳定性显示出高度一致性(0.91 ± 0.14)和实质性的可靠性(弗莱斯卡帕 (Fleiss’ kappa) = 0.781)。在SSL标记的数据集上训练的有监督分类器取得了稳健的性能,其中支持向量机 (Support Vector Machine, SVM) 和逻辑回归 (Logistic Regression, LR) 获得了最高的加权F1分数(分别为0.84和0.81)。统计分析证实了三个类别在所有提取特征上均存在显著差异。讨论:体积-表面积比和密度异质性表现出最强的区分能力,反映了与KOA病理生理学一致的进行性软骨变薄、表面不规则性和增加的结构异质性。这些结果表明,即使标记数据有限,将专家知识与SSL相结合也能实现可靠的KOA分层,为软骨退变提供了有意义的见解,并为定量且更客观的基于成像的生物标志物和未来的连续评分系统奠定了基础。
膝骨关节炎 (KOA) 是一种全球范围内最常见的骨关节炎形式,主要影响中老年人群,其特征是关节软骨的逐渐破坏,并伴有炎症及周围骨与软组织的改变,最终导致关节疼痛、僵硬和畸形。早期检测对于防止疾病进展至关节置换手术至关重要,但由于该疾病复杂且多因素的性质,诊断仍具挑战性。目前临床评估通常结合影像学检查和患者报告的症状(如疼痛和功能受限)。然而,这些主观指标并不总是疾病严重程度或进展的可靠指标。特别是疼痛感知,个体间差异很大,可能导致误分类,尤其是在退变的早期阶段。在影像学方面,X线因其经济性和检测经典KOA征象(如关节间隙狭窄、骨赘和软骨下骨硬化)的能力,仍是首选检查方式。因此,当前KOA诊断的金标准是基于X线特征的阿尔贝克 (Ahlb?ck) 和凯尔格伦-劳伦斯 (Kellgren–Lawrence) 分级系统。尽管如此,主观性在这些分级系统中起着关键作用,因为解读依赖于观察者的经验。虽然已报道了较高的观察者间一致性,但可靠性随临床专业知识的增加而提高,而经验较少的临床医生其观察者内一致性则较低。此外,X线成像在检测早期软骨损伤和软组织变化方面存在局限。MRI通过可视化软骨、半月板、骨髓改变和滑膜组织,提供了更全面的评估,对于识别X线不可见的早期或细微变化尤其有价值,尽管成本较高。CT和混合技术(如PET-MRI)使用较少,但在特定病例中可提供补充信息。特别是,CT已被用于研究KOA相关的关节改变,如骨小梁重塑、软骨下囊肿形成和骨硬化。在肌肉骨骼疾病中,及时检测支持早期干预,减少不可逆损伤,并改善长期预后。影像学、生物标志物和人工智能 (AI) 的进步正在改变骨关节炎和其他肌肉骨骼疾病的早期识别。尽管目前尚无能够改变KOA病程的治疗方法,但早期检测对于指导未来的疾病修饰策略和改善患者管理仍然至关重要。
机器学习 (ML) 越来越多地被用于支持诊断,因为它能比传统方法更早地检测疾病、提高诊断准确性并降低成本。大多数ML方法依赖于有监督学习,这需要大量准确标记的数据。然而,在医学背景下,由于需要专家知识、时间限制和固有的主观性,全面可靠的标注通常难以获得。因此,无监督学习(不需要标记数据)和半监督学习 (SSL)(仅利用少量标记样本和大量未标记数据集)等替代范式受到越来越多的关注。SSL特别适合医学成像应用,因为获取高质量的真实标签成本高昂且通常不切实际,但常规可获得大量未标记数据。在此背景下,最近的研究提出了使用X线图像进行早期KOA检测的SSL框架,包括自集成师生网络、半监督异常检测以及具有一致性正则化的主动学习。这些方法表明,SSL可以在需要更少标记样本的情况下,达到与完全监督方法相当或更好的性能。深度学习架构(如ResNet、EfficientNet和InceptionV3)也已广泛用于MRI和X线数据的KOA分类,在疾病中度和重度阶段取得了强劲的性能。集成和混合模型进一步提高了准确性,在某些情况下KOA检测准确率超过99%。然而,大多数现有工作仅依赖X线或MRI,很少纳入CT数据。虽然CT能有效捕捉与密度相关的特性和骨性改变,但很少用于软骨评估,而软骨是受KOA影响的主要组织。
尽管影像学和计算分析取得了进步,但当前的诊断路径仍受主观因素的强烈影响,尤其是疼痛。疼痛强度并不能可靠地反映关节的生物学状态:具有相似结构退变的个体可能报告明显不同的症状,而尽管形态学变化有限,也可能出现显著不适。因此,临床决策可能反映的是感知到的症状严重程度,而非客观的组织退变,这引入了结构偏差并限制了早期检测。由于放射学评估受观察者变异以及与真实软骨退变相关性不一致的影响,缺乏可靠的真实标签加剧了这些问题。
为了克服这些局限性,需要能够独立于症状捕捉软骨退变的定量、影像学衍生的指标,从而实现不受疼痛驱动偏见的客观评估。在此背景下,研究人员围绕三个基于影像学的类别——健康、早期退变和晚期退变——构建了分析框架,以表征KOA的结构进展,同时将其与临床症状的变异性解耦。在现实世界的临床环境中,完整且一致的标注标签很少可用,这限制了完全监督ML方法的适用性。通过在半监督框架下整合基于MRI的分割与CT衍生的密度和形态学测量,研究人员可以在标注不完整的情况下利用多模态信息,实现对膝关节软骨退变的客观和可解释的表征。
**关键技术方法**:本研究基于来自RESTORE和SINPAIN两个欧盟研究项目的93名志愿者(共133个膝关节数据集)的多模态影像数据。所有参与者均在同一访视期间接受了膝关节MRI和CT扫描。图像处理包括在MRI上进行软骨(股骨、外侧胫骨、内侧胫骨和髌骨)分割,并通过基于解剖标志的图像配准将分割结果转移到CT上,以评估CT上的软骨辐射密度(亨氏单位,HU)并创建三维模型以研究形态特征。从每个软骨区域提取了平均HU、HU标准差、体积和表面积等特征。半监督学习策略采用基于图的标签传播 (LP) 和标签扩散 (LS) 算法,以36例专家标注的扫描(健康9例、早期退变11例、晚期退变16例)作为种子,为其余未标记数据生成伪标签。通过十次蒙特卡洛重复运行评估标签稳定性,并使用支持向量机 (SVM)、逻辑回归 (LR) 等多种有监督分类器在SSL标记的数据集上进行训练和评估,通过网格搜索和五折交叉验证优化超参数。最后,使用方差分析 (ANOVA)/克鲁斯卡尔-沃利斯检验 (Kruskal-Wallis test) 及事后检验对SSL生成的三类标签进行统计差异分析。
**研究结果**:
* **三类分类性能**:在十次独立运行中,使用124个样本(27个专家标记 + 97个伪标记)训练分类器,并在9个保留的专家标记样本上进行测试。SVM在加权F1分数上表现最佳(0.84 ± 0.11),其次是LR(0.81 ± 0.13)。类别0(健康)在所有模型中均被高可靠性识别,而类别1(早期退变)和类别2(晚期退变)的区分更具挑战性,性能存在一定变异性。
* **标签稳定性**:十次运行中,每个未标记样本的平均标签一致性为0.911 ± 0.136,弗莱斯卡帕值为0.781,平均熵为0.283 ± 0.385。这些指标表明SSL流程生成的伪标签具有高一致性和低不确定性,跨不同种子初始化具有稳定性。
* **重新标记数据集的统计分析与分布**:对最终包含133个样本(36个专家标记 + 97个机器标记)的完整数据集进行统计分析。方差分析/克鲁斯卡尔-沃利斯检验显示,所有评估特征在三类间均存在显著差异。事后分析表明,体积-表面积比 (Vol/Surf) 和密度标准差 (StDev) 特征表现出最强的区分能力。
* **体积-表面积比特征**:从健康到晚期退变呈下降趋势,尤其在胫骨软骨中观察到高度显著的减少,反映了软骨变薄和表面不规则性增加。
* **密度相关特征**:平均密度在不同组别和部位间变化不一致。股骨和髌骨区域的平均密度在早期下降后晚期增加,而胫骨软骨则呈现一致的上升趋势。相比之下,密度标准差在所有部位均提供了更一致的区分,显示患病组具有显著更高且增加的异质性,表明软骨内部结构变异性增大是退变的敏感标志。
**讨论与结论**:讨论部分指出,本研究所用的图像提取特征和定义的SSL流程能够根据疾病严重程度和进展,通过捕捉数据中的一致模式,将数据集标记为三个不同的类别。SSL流程中使用的36个专家标记种子集(约占数据集的27%)在专家标注工作量和方法学需求之间取得了有效平衡。种子集的轻微类别不平衡对基于图的SSL过程影响有限,因为算法主要依赖于特征空间内的几何相似性。分类性能分析显示,健康样本最容易识别,而区分早期和晚期退变更具挑战性,这反映了疾病进展的连续性和特征重叠。与现有文献相比,本研究提出的半监督框架为解决标记数据有限的临床场景提供了实用替代方案,它利用多模态MRI和CT衍生特征直接解决多类结构分层问题,减少了对主观放射学分级系统的依赖。统计结果支持SSL驱动的分层反映了生物学和形态学差异,而非任意划分。体积-表面积比的下降趋势与KOA病理生理学一致,可作为退变的敏感标志。密度结果显示了部位特异性趋势,而密度异质性则提供了更一致的组间分离,表明其作为早期检测标志的潜力。整合更全面的影像组学特征可能进一步增强框架的预测能力。该多模态SSL驱动框架有潜力通过提供独立于疼痛或症状变异性的客观、可重复的基于影像的膝关节退变分层来支持临床实践。这些定量生物标志物可能有助于放射科医生和骨科医生检测早期结构变化,促进早期干预并改善患者预后。此外,SSL衍生标签的可重复性表明该方法可作为标准化指标整合到纵向研究或临床试验中,减少当前采用的分级系统(如Kellgren–Lawrence或Ahlb?ck)中固有的主观性。
本研究也存在一些局限性,包括数据集相对较小、单中心采集可能限制泛化性、类别不平衡可能影响模型稳定性、对伪标签的依赖引入潜在偏差、缺乏纵向数据无法评估疾病进展,以及将KOA分类为离散阶段过度简化了其连续性质。此外,该框架基于手工特征和经典机器学习模型,可能无法完全捕捉影像数据中的复杂空间模式。未来的工作应探索更先进的深度学习方法,并在更大、更多样化的队列和真实世界临床环境中进行验证,以确保其稳健性和适用性。
**结论**:本研究引入了一种半监督学习框架,利用从结合MRI和CT扫描中提取的客观软骨特征来表征膝关节骨关节炎的不同阶段,而不是依赖于疼痛等主观症状。通过将专家验证的标签与基于图的传播方法相结合,该方法成功地揭示了多模态成像数据中的潜在结构,并产生了代表健康、早期和晚期退变的稳定类别分配。尽管专家标注数量有限,但SSL策略生成了具有跨多次运行高度一致性的伪标签,证明了其在真实标签不确定或获取成本高昂的场景中的适用性。由此产生的三类数据集支持了稳健的有监督分类,SVM和LR取得了最高性能,证实了即使从相对简单的特征集中也能捕捉到有意义的结构差异。重要的是,统计分析表明,SSL衍生的类别对应于软骨形态和密度变化的生物学可解释趋势。未来的工作应侧重于开发更精细、连续的严重程度指标,以更好地反映KOA的进行性本质。在更大、更多样化的队列中进行纵向验证对于确立这些影像衍生特征作为疾病监测、预后和治疗分层的可靠生物标志物至关重要。此外,整合临床结局并将框架扩展到包含从全图像数据中自动提取特征,可以进一步增强其临床相关性和转化潜力。