《Frontiers in Endocrinology》:A novel method based on ultrasound radiomics for predicting attainment of near-adult height in adolescents
编辑推荐:
目的:本研究旨在开发并验证一种新型超声影像组学(Ultrasound Radiomics)模型,用于预测青少年近成人身高(Near-Adult Height, NAH)的达标情况。方法:这项双中心前瞻性队列研究纳入了192名11.0–18.0岁的青少年。对尺骨
目的:本研究旨在开发并验证一种新型超声影像组学(Ultrasound Radiomics)模型,用于预测青少年近成人身高(Near-Adult Height, NAH)的达标情况。方法:这项双中心前瞻性队列研究纳入了192名11.0–18.0岁的青少年。对尺骨生长板区域进行标准化超声检查,共提取475个影像组学特征。采用最小绝对收缩与选择算子(Least Absolute Shrinkage and Selection Operator, LASSO)算法结合5折交叉验证进行特征筛选,并比较七种机器学习算法以构建预测模型。共构建三个模型:临床模型(性别和骨龄)、影像组学模型(Rad-score)以及联合模型(性别、骨龄和Rad-score)。模型性能通过受试者工作特征曲线下面积(AUC)、准确率、敏感性、特异性、校准曲线和决策曲线分析进行评估。结果:筛选出三个筛选频率≥80%的稳定影像组学特征:wavelet-LH_glcm_Imc2、wavelet-LL_ngtdm_Busyness和wavelet-HL_firstorder_Energy。联合模型表现最优,验证集中AUC达0.981(95% CI: 0.948–1.000),敏感性为90%,特异性为100%。多因素分析确定Rad-score(OR = 3.28, P = 0.013)和骨龄(OR = 2.65, P < 0.001)为独立正向预测因子,男性性别为显著负向预测因子(OR = 0.15, P = 0.005)。结论:联合超声影像组学机器学习模型对青少年NAH达标具有优异的预测性能。无辐射的超声方法可实现反复动态监测,衍生的列线图(Nomogram)有助于在常规儿科实践中进行个体化风险分层。
**论文解读:超声影像组学用于预测青少年近成人身高达标**
**一、研究背景与问题**
青春期是骨骼发育的关键阶段,长骨纵向生长加速,骺板(Physis,即生长板)逐渐成熟并闭合。在这一时期,临床医生经常面临准确判断儿童剩余生长潜力的实际挑战,因为这一判断直接影响儿童是否能够达到理想成年身高以及是否需要及时干预。在常规实践中,生长相关疾病,如身材矮小和青春期发育时机异常,始终是儿科和青少年保健领域的常见问题。因此,一种可靠的剩余生长潜力评估方法对于个体化咨询、随访规划和治疗决策至关重要。
目前,剩余生长潜力的评估主要依赖手-腕骨龄(Bone Age, BA)X线摄片。然而,基于图谱法的评估并不适用于健康中学生的大规模反复筛查,因为X线判读具有主观性且易受人工误差影响。虽然骨骺磁共振成像(MRI)避免了电离辐射,但其费用昂贵、需要固定设备,且不适用于体内有金属植入物或因幽闭恐惧症及注意缺陷多动障碍(Attention Deficit Hyperactivity Disorder, ADHD)而无法耐受检查的青少年。相比之下,超声具有无辐射、便携和快速的优势,可在床旁或学校现场健康筛查中应用,这些优势使其非常适合大规模青少年筛查和无需担忧安全问题的反复随访。然而,用于骨骺评估的传统二维超声主要提供线性测量数据,缺乏定量的微观结构信息,这限制了其预测生长潜力的能力。因此,临床仍亟需一种适用于大规模学校筛查的实用且准确的方法。
影像组学(Radiomics)通过将医学图像转化为大量描述灰度强度、纹理和高阶异质性的定量特征,为上述问题提供了潜在的解决方案。这些特征可揭示肉眼不可见的信息,并可能更好地捕获生长板区域的生物学状态。在骨骼成像领域,影像组学已展现出从图像数据中提取成熟度相关信号并支持预测建模的前景。然而,既往大多数研究主要基于医院队列或聚焦于骨龄估算,而非针对一般青少年群体中具有临床意义的剩余生长潜力预测。为填补这一空白,本研究旨在开发一种新型超声影像组学模型,用于评估生长潜力并预测青少年是否能够达到预期成年身高。
**二、研究概述与意义**
研究人员开展了一项双中心前瞻性观察队列研究,纳入192名来自中国东部城市两所中学的11.0–18.0岁青少年,通过一年纵向随访,以身高增长不足2 cm作为近成人身高(Near-Adult Height, NAH)达标的操作性定义,基于尺骨生长板区域的标准化超声图像提取475个影像组学特征,经嵌套LASSO回归筛选出三个稳定特征并构建影像组学评分(Rad-score),进而将Rad-score与性别、骨龄整合建立联合预测模型。结果显示,联合模型在验证集中受试者工作特征曲线下面积(Area Under the Receiver Operating Characteristic Curve, AUC)高达0.981,敏感性90%,特异性100%,显著优于单纯临床模型或影像组学模型。该研究的意义在于:首次将超声影像组学应用于青少年生长潜力的纵向预测,提供了一种无辐射、可反复动态监测的量化评估工具;通过衍生的列线图实现了便捷的个体化风险分层,为常规儿科实践中大规模学校筛查和生长随访提供了客观的辅助手段。
**三、关键研究方法概述**
本研究为双中心前瞻性观察队列设计,参与者来自中国东部城市两所中学。纳入标准为检查时日历年龄(Chronological Age, CA)11–18岁;排除标准包括近期手或腕部骨折或关节畸形影响超声图像质量、已知系统性/内分泌/发育障碍(如生长激素缺乏症、营养障碍或染色体异常)以及生长激素治疗史。经筛选后192名参与者进入最终分析,按7:3比例随机分为训练集(134名)和验证集(58名)。NAH定义为一年的随访期内身高增长小于2 cm。超声检查采用GE Logiq E20系统配备L6–24靴型探头,由三位经验超过3年的肌骨超声医师在标准化方案下完成尺骨茎突冠状面扫描。感兴趣区(Region of Interest, ROI)使用3D Slicer软件手动勾画,涵盖二次骨化中心、骺板、骺软骨及标准化5 mm干骺端区域。影像组学特征提取使用PyRadiomics,经组内相关系数(Intraclass Correlation Coefficient, ICC)≥0.75的可靠性筛选和Spearman相关系数去冗余后,采用嵌套最小绝对收缩与选择算子(LASSO)逻辑回归框架进行特征筛选,以5折外循环评估性能、重复5折内循环调优超参数,筛选频率≥80%的特征定义为稳定特征并用于构建Rad-score。七种机器学习算法(SVM、SGD、KNN、RF、XGBoost、LightGBM、LR)经分层5折交叉验证比较后,最终选用逻辑回归(Logistic Regression, LR)作为建模算法。基于输入特征类型分别构建临床模型(性别+骨龄)、影像组学模型(Rad-score)和联合模型(性别+骨龄+Rad-score),通过AUC、校准曲线和决策曲线分析(Decision Curve Analysis, DCA)评估性能,并构建列线图用于临床个体化预测。
**四、研究结果**
**基线特征。** 训练集与验证集在性别比例、学校来源、CA、骨龄(BA)、身高标准差评分(Height SDS)、体重指数标准差评分(BMI SDS)、促甲状腺激素(TSH)、游离甲状腺素(FT4)、维生素D和胰岛素水平等方面均无统计学显著差异(均P > 0.05)。在训练集中,单因素分析比较NAH未达标组(NAH?,73名)与NAH达标组(NAH+,61名)发现,性别、CA、BA和Height SDS在组间存在显著差异(均P < 0.001),而BMI SDS、维生素D和胰岛素水平无显著差异。多因素二元逻辑回归经双向逐步筛选(基于最小赤池信息准则,AIC)后,最终最优模型仅保留男性性别和骨龄两个独立预测因子:男性性别与NAH达标概率呈显著负相关(OR = 0.054, 95% CI: 0.013–0.179, P < 0.001),骨龄每增加1年NAH达标概率升高3.34倍(OR = 3.34, 95% CI: 2.25–5.41, P < 0.001)。
**特征筛选与Rad-score构建。** 共提取475个ICC ≥ 0.75的稳健影像组学特征。嵌套LASSO回归最终保留三个筛选频率≥80%的稳定特征:wavelet-LH_glcm_Imc2、wavelet-LL_ngtdm_Busyness和wavelet-HL_firstorder_Energy。Rad-score公式为:Rad-score = ?0.1283 × wavelet-LH_glcm_Imc2 ? 0.1976 × wavelet-LL_ngtdm_Busyness ? 0.0548 × wavelet-HL_firstorder_Energy + 0.4552。Rad-score在NAH?组与NAH+组之间存在显著差异(P < 0.001)。
**机器学习模型性能比较。** 七种机器学习算法在训练集中AUC范围为0.942–1.000,验证集中为0.906–0.980,均展现出优异的区分能力。其中LR、支持向量机(SVM)和随机梯度下降(SGD)在两个队列中表现一致且稳定。
**临床、影像组学和联合预测模型的性能。** 以LR为最终算法,三个模型中联合模型表现最优:训练集AUC为0.943(95% CI: 0.900–0.979),验证集AUC为0.981(95% CI: 0.948–1.000),且Brier评分最低(训练集0.086,验证集0.069)。校准曲线显示联合模型在训练集和验证集中预测概率与实际观测结果的一致性最接近理想参考线;决策曲线分析表明联合模型在较宽阈值概率范围(尤其约0.75附近)内提供的净临床获益最高。
**模型解释。** 联合模型多因素逻辑回归显示,Rad-score每升高一个标准差(Standard Deviation, SD)与NAH达标的关联最强(OR = 3.28, 95% CI: 1.37–9.03, P = 0.013),其次为骨龄每增加1年(OR = 2.65, 95% CI: 1.73–4.40, P < 0.001),男性性别相对女性为显著负向预测因子(OR = 0.15, 95% CI: 0.036–0.52, P = 0.005)。基于上述回归系数构建的列线图可将复杂的影像组学和机器学习输出转化为简便的评分工具,支持常规儿科实践中的快速个体化风险分层。
**五、讨论与结论**
在讨论部分,研究人员指出本研究首次引入并验证了一种基于超声影像组学的NAH达标预测方法。核心发现是从尺骨骺板超声图像中提取的影像组学特征(Rad-score)对生长潜力具有显著预测性能(AUC = 0.940),且与关键临床参数联合后预测准确性更优(联合模型AUC = 0.981)。使用超声评估生长潜力的依据充分——它提供了传统X线骨龄评估的无电离辐射替代方案。不同于既往超声方法主要聚焦于骨化中心评分或生长板厚度测量,本研究提取的全面定量影像组学特征可捕获肉眼或简单测量无法识别的细微组织特征。三个稳定影像组学特征分别反映了尺骨生长板成熟过程中的进行性生物学变化:wavelet-LH_glcm_Imc2表征图像纹理异质性,可能对应生长板衰老过程中肥大软骨细胞层的微观结构紊乱;wavelet-LL_ngtdm_Busyness量化局部灰度强度变化,可能反映骨化进程中细胞外胶原沉积增加和基质逐渐钙化;wavelet-HL_firstorder_Energy代表整体超声信号能量分布,与骺软骨成熟骨化过程中软骨含水量下降和细胞密度降低相一致。这些基于纹理的生物标志物为青少年骨骼成熟的生理组织学变化提供了无创定量反映。
研究优势包括:超声无电离辐射,适合儿科和青少年人群反复长期监测;通过多种机器学习算法的系统比较和Rad-score独立预测价值的统计验证,证实影像组学在传统骨龄指标之外的附加预后价值;模型基于完整的纵向随访数据,直接针对近成人身高这一具有临床意义的终点,优于仅反映当前骨骼成熟度的静态骨龄评估;从最优联合模型衍生的可视化列线图将复杂输出转化为简便评分工具。
局限性方面:Rad-score仅来源于尺骨远端生长板,鉴于长骨和躯干骨成熟度的变异性,可能不完全反映全身骨骼成熟状况;参与者来自中国东部城市,区域生长差异可能部分解释观察到的骨龄偏大现象;模型预测的是二分类NAH终点而非连续生长速度轨迹,且基于一年身高增长的分类可能受性别和青春期成熟度的混杂影响;模型基于两家地理位置邻近医院的数据开发和内部验证,限制了在更广泛人群中的推广性;样本量相对较小且机器学习建模的复杂性增加了潜在过拟合风险,内部验证的高AUC可能偏乐观。因此,在应用前有必要开展多中心、多种族人群的外部验证。
研究结论部分(原文翻译):本研究构建并验证了一种新型超声影像组学机器学习模型,用于预测青少年NAH达标。通过标准化图像处理、严格的特征筛选和多模态模型比较,研究人员验证了整合Rad-score与骨龄的联合模型取得了最优预测效能。无辐射的超声支持对儿科生长潜力的反复动态监测,衍生的可解释列线图进一步便于在常规临床实践中进行便捷的个体化风险分层。尽管受限于单中心招募和外部验证不足,这一无电离辐射的定量框架为评估青少年生长轨迹提供了客观的辅助工具,并为后续儿科生长障碍精准管理中的多队列验证和多维度数据融合研究奠定了基础。