基于MRI集成与CBCT-MRI融合的深度学习诊断颞下颌关节骨关节炎

《Scientific Reports》：Deep learning diagnosis of TMJ osteoarthritis using MRI ensembles and CBCT–MRI fusion

　　

摘要专业翻译 本研究比较了单模态模型、模态内集成以及选择性锥形束计算机断层扫描（CBCT）-磁共振成像（MRI）融合在诊断颞下颌关节骨关节炎（TMJ-OA）中的性能。这是一项单中心回顾性队列研究，共纳入1598例患者（女性1118例，男性480例；平均年龄±标准差，37.88±19.19岁），按患者层面以60:20:20的比例划分为训练集、验证集和测试集。关节层面的标签依据临床和影像学标准进行定义。研究人员利用左右侧CBCT视图（矢状面和冠状面）及MRI序列（T2加权和质子密度[PD]）分别训练了单模型。研究人员评估了模态内集成（CBCT矢状面+冠状面集成以及MRI T2+PD集成）和选择性CBCT-MRI晚期融合的性能。采用DeLong检验比较模型性能，并使用梯度加权类激活映射（Grad-CAM）评估模型的可解释性。在全数据集中，单个CBCT模型的受试者工作特征曲线下面积（AUROC）值分别为：矢状面视图0.771（95%置信区间[CI]，0.732–0.807），冠状面视图0.787（95% CI 0.748–0.821）。单个MRI模型的AUROC值分别为：T2加权图像0.835（95% CI 0.768–0.893），PD图像0.827（95% CI 0.759–0.888），而单个组合序列MRI模型的AUROC达到0.881（95% CI 0.836–0.913）。在集成模型中，MRI T2+PD集成表现最佳（AUROC，0.916；95% CI 0.823–0.977），其次是CBCT矢状面+冠状面集成（AUROC，0.832；95% CI 0.781–0.881）。与单独使用CBCT相比，选择性CBCT-MRI融合提升了性能，但未能超越最佳的MRI集成模型。该发现在不同性别和年龄分层中保持一致。总体而言，MRI序列聚合为TMJ-OA鉴别提供了一个强有力的基准，而选择性CBCT-MRI融合在特定配对组合中可能比基于CBCT的模型提供增量价值。

论文解读文章

研究背景与目的

颞下颌关节骨关节炎（TMJ-OA）是一种常见的退行性疾病，伴随慢性疼痛、功能受限和生活质量下降。其影像学表现在颞下颌紊乱病（TMD）患者中发生率高达18-85%，且随年龄增长而增加。然而，单一影像学模态难以全面捕捉骨组织和软组织的病理变化：锥形束计算机断层扫描（CBCT）能高分辨率显示骨质改变（如硬化、侵蚀、髁突扁平化和骨赘），但对关节盘和炎性软组织改变的信息有限；而磁共振成像（MRI）能清晰显示关节盘位置、形态以及滑膜炎、积液和骨髓水肿等炎性特征，但对早期皮质或细微的皮质下骨改变的敏感性较低。鉴于这两种模态的互补性，美国口腔颌面放射学会和美国口面痛学会推荐在适当情况下结合使用两者。此前针对TMJ-OA的深度学习研究多为单模态，缺乏稳健的泛化性证据。因此，研究人员开展本研究，旨在开发和评估基于卷积神经网络（CNN）的模型，用于TMJ-OA的诊断，具体包括：(1) 单模态基线模型，(2) 模态内集成模型，以及 (3) 选择性CBCT-MRI晚期融合模型。研究人员假设，聚合MRI序列将提供一个强大的诊断基线，而选择性融合CBCT将在某些配对中改善CBCT单独诊断的性能，但未必能超越最佳的MRI集成模型。

主要技术方法

本研究为单中心回顾性诊断准确性研究，纳入了韩国庆熙大学牙科医院口面痛与口腔内科于2023年1月至2024年9月期间收治的1598例TMD症状患者（女性1118例，男性480例；平均年龄37.88±19.19岁）。所有模型均采用VGG16骨干网络（ImageNet初始化），并连接浅层分类头（展平层→全连接层256→归一化→丢弃层0.3→Sigmoid函数）。预处理流程统一为将图像缩放至140×140像素并将强度归一化到[0,1]区间。单通道灰度输入被复制为三通道以适应ImageNet初始化的骨干网络。训练阶段采用轻量级数据增强（旋转±10°、平移±10%、各向同性缩放±10%、轻微剪切、水平翻转及轻微亮度/对比度抖动）。验证集和测试集仅进行缩放和归一化。模态内集成和跨模态晚期融合采用后验概率的等权平均作为主要融合规则，并使用Youden指数确定决策阈值。

研究结果

人口统计学与临床特征

在1598名参与者中，944人（59.1%）被归类为TMJ-OA组，654人（40.9%）为非TMJ-OA组。TMJ-OA组年龄更大（40.35±19.97岁 vs 34.33±17.42岁；p<0.001），女性比例更高（74.7% vs 63.0%；p<0.001）。配对分析显示左右侧患病率无显著差异，支持将关节作为主要分析单元。

深度学习模型的诊断性能

在完整扩展数据集（n=1598）上，MRI T2+PD集成模型取得了最高的整体性能（AUROC，0.916；95% CI 0.823–0.977），表明互补性MRI序列聚合是诊断性能的主要贡献者。

单模态模型

在扩展数据集上，单个CBCT模型表现如下：矢状面视图AUROC为0.771（95% CI 0.732–0.807），冠状面视图AUROC为0.787（95% CI 0.748–0.821）。单个MRI模型表现如下：T2加权图像AUROC为0.835（95% CI 0.768–0.893），PD图像AUROC为0.827（95% CI 0.759–0.888），而组合序列MRI模型（MRI序列1-4）AUROC提升至0.881（95% CI 0.836–0.913），凸显了序列互补性。

模态内集成

CBCT矢状面与冠状面模型的晚期融合将AUROC从最佳单视图模型的0.781提升至0.832（95% CI 0.781–0.881），证实了矢状面和冠状面骨特征的互补性。MRI T2与PD模型的集成在扩展数据集上AUROC显著提升至0.916（95% CI 0.823–0.977），代表了模态内集成中最高的诊断性能。

多模态融合

在扩展数据集上，选择性CBCT-MRI融合策略优于盲目聚合。例如，冠状面CBCT与PD MRI的组合AUROC达到0.859（95% CI 0.785–0.925），而合并所有CBCT和MRI视图则使AUROC降至0.805（95% CI 0.748–0.859）。尽管选择性CBCT-MRI融合相对于CBCT单独模型有所改进，但并未超越MRI序列集成模型。

亚组分析

性能在不同性别和年龄分层中保持稳定。对于MRI序列1-4集成模型，女性和男性的AUROC分别为0.839和0.848（p=0.631）。按年龄分层，AUROC在<20岁、20-39岁、40-59岁、60-79岁和≥80岁组中分别为0.871、0.866、0.801、0.882和1.000，各组间无显著差异（p=0.905）。

模型可解释性

Grad-CAM热图显示，CBCT模型在真阳性病例中将高关注度集中于髁突上部和前上部皮质、关节间隙及软骨下区域，对应硬化、侵蚀或边缘骨赘。MRI模型则在真阳性病例中强调盘-髁界面、盘后组织、关节积液和骨髓水肿信号。激活稀疏性分析表明，82%-87%的图像区域未被激活，符合紧凑、解剖学合理的关注模式。

讨论与结论

本研究证实了研究人员的假设：选择性整合结构和软组织信息改善了CBCT单独模型的判别能力，而最佳表现仍来自MRI序列集成。MRI序列集成模型（T2+PD）取得了最高AUROC（0.916），最有效的多模态配对为冠状面CBCT+PD MRI（AUROC 0.859），后者优于CBCT单独模型但未超越MRI集成。非集成的组合序列MRI模型也表现出有效性能（AUROC 0.881），进一步强化了序列互补性。

从临床角度看，这些发现强调了多模态深度学习方法在辅助TMJ-OA早期检测和精准管理方面的潜力。年龄和性别分层分析显示模型在不同亚组中保持了稳定的诊断性能。研究的优势包括使用大型、特征明确的队列，严格的按患者层面数据划分以防止信息泄漏，以及使用DeLong检验对AUROC进行统计比较。可解释性分析确认模型关注了临床相关的解剖区域，支持了预测的生物学合理性。

研究结论指出，MRI序列聚合为TMJ-OA鉴别提供了最佳的整体判别能力，而选择性CBCT-MRI融合在特定配对组合中比基于CBCT的模型提供了增量价值。这些发现共同凸显了MRI和CBCT所捕获的互补性影像信息，并支持进一步发展采集感知的多模态模型。未来需要进行外部验证和前瞻性评估，以阐明其在基于影像的TMJ-OA评估中的作用。