《Frontiers in Endocrinology》：Dual-modality ultrasound radiomics model for classifying diabetic peripheral neuropathy in type 2 diabetes: a multicenter prospective study
编辑推荐：
目的：糖尿病周围神经病变（DPN）是2型糖尿病（T2DM）常见且致残的并发症，然而其检测仍受限于神经传导检查的可及性。研究人员开发并验证了一种双模态超声影像组学模型用于个体化DPN分类。方法：共前瞻性纳入2025年6月至2026年2月来自三个中心的253例T2
目的：糖尿病周围神经病变（DPN）是2型糖尿病（T2DM）常见且致残的并发症，然而其检测仍受限于神经传导检查的可及性。研究人员开发并验证了一种双模态超声影像组学模型用于个体化DPN分类。方法：共前瞻性纳入2025年6月至2026年2月来自三个中心的253例T2DM患者，分为训练组（n=122）、内部测试组（n=53）和外部验证组（n=78）。从胫神经的纵向B型超声（B-mode ultrasound）和剪切波弹性成像（shear wave elastography, SWE）图像中提取影像组学特征。经过可重复性过滤、批次效应校正和弹性网络特征选择后，比较四种机器学习算法，采用性能最佳者构建各模态影像组学评分（Rad-scores）。开发了整合Rad-scores与独立相关临床因素的联合模型。评估了模型的区分度、校准度、临床实用性和SHAP（SHapley Additive exPlanations）可解释性。结果：多变量分析确定糖尿病病程和最小弹性模量为独立相关因素，两个Rad-scores均与DPN状态显著相关。联合模型在所有队列中均表现出良好的区分度（AUC 0.892 [95% CI 0.828–0.950]，0.824 [0.696–0.925]，0.838 [0.735–0.926]），优于所有其他模型（p < 0.05），并在训练组和内部测试组中校准良好（p > 0.05）。决策曲线分析证实了临床获益。SHAP分析确定糖尿病病程为最具影响力的变量，其次是剪切波弹性成像Rad-score。结论：联合模型在个体化DPN风险分层中表现出良好的诊断性能，并有望成为神经传导检查的无创补充手段。
糖尿病周围神经病变（DPN）是2型糖尿病（T2DM）常见且致残的并发症，约半数患者受累，常导致糖尿病足溃疡和下肢截肢，随着全球糖尿病患者人数预计从2021年的5.37亿增至2045年的7.83亿，其负担日益加重。早期准确识别DPN至关重要，但诊断金标准——神经传导检查（NCS）依赖于专用设备、操作者经验和患者耐受性，在常规筛查中可及性有限，导致广泛漏诊。高分辨率超声可直观显示DPN受累神经的形态学改变（如横截面积增大、回声结构紊乱），剪切波弹性成像（SWE）能量化神经硬度，反映神经内膜纤维化。然而，单一SWE定量参数（如Emin、Emean）受设备间变异和操作者依赖性影响，仅捕捉宏观平均硬度，无法表征神经束内弹性模量分布的空间异质性。影像组学通过挖掘高维定量成像特征，可超越视觉评估实现客观组织表征，但既往研究仅从B型超声（BMUS）灰度图像提取特征，未纳入弹性成像的生物力学信息，且SWE高维影像组学特征与BMUS影像组学在统一双模态框架中的整合尚属空白。基于此，研究人员假设双模态框架在个体化DPN分类中优于单模态影像组学和临床模型，并开展了一项多中心前瞻性横断面诊断研究，在三中心队列中开发并验证了整合BMUS影像组学、SWE影像组学、定量弹性指数及独立相关临床因素的模型，同时应用SHAP分析增强模型可解释性。该研究发表于《Frontiers in Endocrinology》。
**关键技术方法**：研究人员前瞻性纳入2025年6月至2026年2月来自三个中心（安徽医科大学第一附属医院、其南区医院及临泉县人民医院）的253例T2DM患者，分为训练组（n=122）、内部测试组（n=53）和外部验证组（n=78）。采用Mindray Resona 7s系统对胫神经进行纵向BMUS和SWE成像，两名操作者手动分割感兴趣区域（ROI），提取影像组学特征（PyRadiomics，共1888个特征）。经可重复性过滤（组内相关系数ICC≥0.75）、ComBat批次效应校正、Wilcoxon秩和检验、Spearman相关过滤及弹性网络逻辑回归逐步筛选特征。比较四种机器学习算法（逻辑回归、随机森林、朴素贝叶斯、XGBoost），选择性能最优者构建各模态影像组学评分（Rad-scores），并整合独立临床因素建立联合模型，通过受试者工作特征曲线下面积（AUC）、校准曲线、决策曲线分析（DCA）及SHAP分析评估模型性能。
**研究结果**：
**3.1 患者特征**
在三个队列中，DPN患病率分别为53.3%（训练组）、52.8%（内部测试组）和66.7%（外部验证组）。DPN患者糖尿病病程显著长于非DPN患者（所有队列p < 0.05），训练组和外部验证组中DPN患者年龄更大（p < 0.05），外部验证组中高血压史差异显著（p = 0.008），内部测试组中胫神经周长和横截面积（CSA）差异显著（p = 0.035和p = 0.022），其余临床及超声参数（包括三项SWE弹性指数）在各组间均无显著差异（所有p > 0.05）。
**3.2 影像组学特征提取与选择**
从BMUS和SWE各提取944个特征，经筛选后BMUS保留8个特征（包括一阶特征Range、灰度游程矩阵GLRLM特征、小波变换特征等），SWE保留10个特征（包括形状特征MajorAxisLength、灰度依赖矩阵GLDM特征、小波变换特征等），主要涵盖一阶、纹理及小波变换描述符，反映多尺度刚度异质性。
**3.3 影像组学模型性能与Rad-score构建**
XGBoost在BMUS和SWE两种模态的三个队列中均表现最优。BMUS XGBoost模型在训练组、内部测试组和外部验证组的AUC分别为0.770（95% CI: 0.685–0.849）、0.702（0.547–0.833）和0.715（0.578–0.838）；SWE XGBoost模型相应AUC为0.782（0.694–0.854）、0.736（0.595–0.871）和0.726（0.615–0.839）。将XGBoost预测概率分别作为BMUS Rad-score和SWE Rad-score。
**3.4 临床模型性能**
单因素和多因素逻辑回归分析确定糖尿病病程（OR=1.09，95% CI: 1.03–1.16，p=0.003）和最小弹性模量Emin（OR=1.04，95% CI: 1.01–1.07，p=0.020）为独立相关因素。基于此构建的临床模型在三个队列中的AUC分别为0.702（0.600–0.790）、0.721（0.579–0.843）和0.759（0.634–0.874）。
**3.5 联合模型性能**
联合模型纳入BMUS Rad-score、SWE Rad-score、糖尿病病程和Emin，采用XGBoost构建。在训练组中AUC为0.892（0.828–0.950），准确率86.1%，灵敏度80.0%，特异度93.0%；内部测试组AUC为0.824（0.696–0.925），准确率67.9%，灵敏度64.3%，特异度72.0%；外部验证组AUC为0.838（0.735–0.926），准确率67.9%，灵敏度55.8%，特异度92.3%。校准曲线在训练组和内部测试组中校准良好（p > 0.05），外部验证组校准偏差显著（p < 0.05），Brier评分分别为0.126、0.178和0.199。
**3.6 模型比较**
联合模型在所有三个队列中均显著优于其他模型（所有p < 0.05）。决策曲线分析显示，在大多数阈值概率下，联合模型提供的净临床获益高于临床模型、BMUS Rad-score和SWE Rad-score。
**3.7 模型可解释性分析**
SHAP全局分析显示，糖尿病病程对模型输出影响最大，其次为SWE Rad-score、Emin和BMUS Rad-score；所有特征值越高，对模型输出正向贡献越大。个体分析中，DPN阴性病例的所有特征均呈负向贡献（糖尿病病程1年，SHAP=-0.55；SWE Rad-score=0.250，SHAP=-0.34），DPN阳性病例所有特征呈正向贡献（糖尿病病程20年，SHAP=+0.66；SWE Rad-score=0.744，SHAP=+0.60），与NCS结果一致。
**总结讨论部分**：研究人员指出，双模态影像组学模型整合了SWE Rad-score、BMUS Rad-score、糖尿病病程和Emin，一致性优于所有其他模型。BMUS影像组学特征以熵相关和灰度异质性描述符为主，与糖尿病神经组织的脱髓鞘和轴索变性导致的回声强度紊乱一致；SWE影像组学特征中多尺度刚度异质性描述符占主导，表明胫神经生物力学微结构而非宏观平均硬度编码了最具鉴别力的信息。糖尿病病程和Emin与DPN独立相关，Emin的独立诊断价值提示局灶性最小神经硬度反映早期神经内膜水肿或局部脱髓鞘。联合模型在外部验证组中特异度高（92.3%），灵敏度中等（55.8%），适合作为DPN的“rule-in”辅助工具。SHAP分析证实了决策规则的生物学合理性。研究局限性包括样本量有限、未收集临床表型数据（如神经病变症状评分）、校准斜率偏离理想值提示中度过拟合、外部验证组灵敏度较低、手动ROI分割存在观察者间变异，且仅纳入中国T2DM患者，需在更大、地理多样性队列中验证。
**结论部分翻译**：总之，所提出的双模态超声影像组学模型整合了BMUS和SWE特征与糖尿病病程及Emin，在个体化DPN风险分层中表现出良好的诊断性能。基于SHAP的可解释性进一步支持透明的临床决策。然而，在考虑临床部署之前，需要在更大、地理多样性队列中进行前瞻性验证。
