《Journal of Medical Imaging and Radiation Sciences》：Radiomics applications for diagnostic and prognostic performance in trigeminal neuralgia: Systematic review and meta-analysis
编辑推荐：
摘要目的本研究旨在评估基于放射组学的模型在颞下颌关节疾病识别与预测方面的诊断性能，具体包括敏感性、特异性和曲线下面积（AUC）。材料与方法本系统检索已在PROSPERO注册（CRD420251074464），在PubMed、Embase和Cochrane数据库中检索评估颞下颌
摘要
目的
本研究旨在评估基于放射组学的模型在颞下颌关节疾病识别与预测方面的诊断性能，具体包括敏感性、特异性和曲线下面积（AUC）。
材料与方法
本系统检索已在PROSPERO注册（CRD420251074464），在PubMed、Embase和Cochrane数据库中检索评估颞下颌关节疾病放射组学模型的文献。纳入标准包括报告诊断或预后结局的合格研究，不受发表日期或研究设计限制。由两位评审员独立完成文献筛选与数据提取。使用QUADAS-2评估偏倚风险，并通过放射组学质量评分（RQS）评估方法学严谨性。
结果
共9项研究符合纳入标准，涵盖2033名参与者。研究按目的分层：6项评估诊断性能（识别症状性三叉神经病变），3项评估预后性能（预测微血管减压术或经皮射频热凝术后的结局）。诊断模型汇总AUC为0.86（95% CI, 0.81–0.92），存在显著异质性（I2 = 91.8%；τ2 = 0.0043；p < 0.0001）。预后模型汇总AUC为0.83（95% CI, 0.78–0.89），无显著异质性（I2 = 0.0%；τ2 = 0；p = 0.567）。
结论
本系统综述与Meta分析表明，基于机器学习的放射组学模型在症状性颞下颌关节疾病的诊断与预后方面表现出良好的性能。然而，现有证据主要局限于单中心回顾性研究，缺乏外部验证。放射组学作为临床评估的客观辅助手段具有巨大潜力；未来需要高质量研究以增强其在颞下颌关节疾病管理中的适用性。
通俗语言摘要
颞下颌关节疾病是一种导致严重面部疼痛且难以评估的疾病。本研究回顾了已发表的研究，探讨放射组学在识别颞下颌关节疾病及预测治疗效果方面的表现。放射组学利用人工智能分析医学影像中的特征模式。研究发现，基于放射组学的模型在诊断与预测方面均表现出良好的准确性，但大多数研究来自单中心且缺乏外部验证。这一发现具有重要意义，因为人工智能可能有助于支持未来的诊疗决策，但在常规应用之前仍需更多高质量研究。
引言
颞下颌关节疾病每年影响每10万人口中的4至13人，女性及50岁以上人群患病率更高[1]。其特点为单侧反复发作的剧烈电击样面部疼痛，起病和终止突然，由无害刺激诱发[2]。颞下颌关节疾病可为原发性（原发三叉神经痛）或由其他疾病继发。此外，双侧发病罕见，约占病例的3%[3]。
颞下颌关节疾病的诊断较为困难，主要依靠临床评估，基于患者的病史。根据国际头痛疾病分类第3版（ICHD-3）标准，疼痛特征包括：a）三叉神经一个或多个分支区域反复发作的单侧阵发性疼痛，持续数秒至两分钟，不超出其解剖分布范围；b）疼痛性质剧烈，如电击、放射或针刺感，由无害刺激诱发；c）通过神经影像检查排除其他病因，首选磁共振成像（MRI），以排除继发性神经痛[2]。神经血管压迫（NVC）被认为是颞下颌关节疾病的主要病因[4]。除药物治疗外，微血管减压术仍是治疗颞下颌关节疾病最有效的手术方法[3]。
颞下颌关节疾病诊断的金标准是结合临床病史与高分辨率MRI，以排除继发性病因（如肿瘤或多发性硬化），并
评估神经血管压迫情况[5,6]。放射组学是医学领域的新兴策略，旨在从医学影像中提取定量数据，将形态、纹理和强度等特征转化为可测量的变量。与依赖阅片医师主观判断的传统视觉判读不同，放射组学能够从单一感兴趣区高效、可重复地提取数百个定量描述符，其中许多为肉眼无法察觉的特征。当与机器学习或深度学习算法结合时，这些特征可整合为预测模型，能够检测细微的结构和纹理变化，从而有望提高诊断和预后准确性，减少观察者间变异性，并支持更客观、个体化的临床决策[7]。近期研究已展示了放射组学在癌症诊断和预后中的适用性[7]、[8]、[9]、[10]，并将放射组学模型与深度学习相结合，目前正逐渐成为有前景的诊断工具，在颞下颌关节疾病中也显示出应用潜力。近期研究已展示了基于深度学习放射组学模型在颞下颌关节疾病中的应用，显示出令人满意的结果[11,12]，并表明具有良好的诊断性能。尽管放射组学和神经影像学取得了进展，但基于放射组学的方案在颞下颌关节疾病中的临床价值尚未得到系统评估。系统综述对于建立当前证据基础和指导临床整合至关重要。
本系统综述旨在评估基于放射组学的应用在颞下颌关节疾病患者诊断和预后中的疗效与性能，综合最佳证据并指出未来研究的不足之处。
章节片段
纳入标准
本研究采用PICO策略：研究对象（P：诊断为颞下颌关节疾病的患者），干预措施（I：使用基于放射组学的技术，包括人工智能和机器学习），对照（C：传统方法或无干预），结局（O：主要结局为诊断或预后性能，以曲线下面积（AUC）衡量）。敏感性及特异性作为次要性能指标进行分析。
纳入本Meta分析的研究须满足
参与者特征
大多数证据主要来自回顾性研究[7]、[8]、[9]，另有1项前瞻性和1项回顾-前瞻混合研究。分析共纳入2033名参与者，队列规模最大达450人[13]。大多数研究聚焦于症状性患者，其中2项纳入了健康对照组。几乎所有报告均观察到女性占主导地位，比例超过60%（1228名参与者）（见表2）。研究涉及诊断性和预后性
讨论
本系统综述纳入9项研究，共2033名参与者。分别对诊断（k = 6）和预后（k = 3）放射组学模型进行Meta分析。诊断模型的汇总AUC为0.86（95% CI: 0.81–0.92），存在显著异质性（I2 = 91.8%；τ2 = 0.0043；p < 0.0001）。预后模型的汇总AUC为0.83（95% CI: 0.78–0.89），无显著异质性（I2 = 0.0%；p = 0.567）。使用放射组学质量
结论
总之，本Meta分析显示，放射组学在颞下颌关节疾病方面具有探索性潜力，诊断汇总AUC为0.86（95% CI: 0.81–0.92），预后汇总AUC为0.83（95% CI: 0.78–0.89）。尽管如此，高度异质性（I2 = 91.8%）反映了显著的方法学差异。鉴于颞下颌关节疾病的诊断仍以临床评估为主（ICHD-3），放射组学应被视为探索性工具而非临床辅助手段。未来研究应优先开展多中心前瞻性队列研究
Reynaldo F. Souza|Kaio H.A. Dantas|Ugo Fábio G.S. Marques Filho|André S.B. Oliveira
