Quant Imaging Med Surg：膝关节X线片纹理分析与机器学习相结合：识别胫骨平台隐匿性骨折的潜力

膝关节作为人体重要的承重关节，极易受到创伤。其中，胫骨平台骨折的发生率约占所有骨折的1%，占老年人骨折的8%。隐匿性骨折是指以指骨小梁骨折为特征的骨折类型，又称隐匿性骨折、软骨下骨挫伤、隐匿性骨内骨折。X线检查是一种方便、经济的影像学检查方法，在临床工作中尤其在骨科急诊患者的检查中更受青睐。当发生隐匿性骨折时，由于骨骼的细微变化，常规X线检查往往不能发现骨结构的变化，除了软组织肿胀、关节囊积液等间接征象，容易漏诊，延误患者治疗，甚至加重病情。

磁共振成像（MRI）在发现隐蔽性骨折方面具有很大的优势，但由于MRI耗时长，且有较多的禁忌症，很少用于骨外伤患者的急诊检查。通过MRI诊断为隐匿性骨折的患者通常距离第一次检查有一段时间。在此期间，医生的错误治疗或患者的疏忽可能导致病情恶化。因此，提高隐匿性骨折的早期诊断率对改善患者预后具有积极作用。

纹理分析（TeXture analysis， TA）可以提取许多肉眼不可见的图像特征，反映病变内部的异质性。由于TA涉及的数据量大，因此采用相应的算法进行特征提取和模型构建。经过训练后，这些特征可以导致被称为机器学习（ML）的强推断。通过从过去的计算中学习并从大量数据库中提取规则，它可以帮助人类生成可靠且可重复的决策。通过使用ML方法从大量纹理特征中过滤出诊断疾病的关键信息，可以促进辅助诊断，分类或疾病分级。近年来，放射组学在多系统肿瘤的鉴别诊断、病理分级、预后预测和疗效评价等方面得到了广泛的研究和应用。在肌肉骨骼成像方面，大多数研究主要集中在骨质疏松症、骨折、骨关节炎等疾病的诊断上，并取得了许多成果。然而，目前利用X线TA影像预测隐匿性骨折的研究较少，探索基于平片预测隐匿性骨折风险的ML模型显得尤为必要。本研究有两个主要目的：一是从膝关节X线图像中提取纹理特征，并比较各种ML方法在胫骨平台隐匿性骨折分类中的性能。二是选择最佳特征选择方法，识别诊断胫骨平台隐匿性骨折的关键特征，最终建立最有效的骨折风险预测模型。

方法：回顾性分析2018 - 2022年膝关节X线片阴性骨折患者169例，经MRI检查诊断为隐匿性胫骨平台骨折或无骨折。利用患者膝关节X线图像进行纹理特征提取。共使用9种ML特征选择方法（包括6种主流方法和3种马自达软件提供的方法）结合3种分类方法构建最佳诊断模型。每个模型的性能通过准确性、f1值和曲线下面积（AUC）来评估。

病例对照研究的设计和纳入流程图

本研究中使用的工作流程

胫骨平台隐匿性骨折2例。图中显示的是一名23岁的男性，左膝受伤；正位和侧位x线片未见明确骨折（A，B）；MRI示胫骨内侧平台脂肪饱和T1WI低信号线性影，脂肪饱和T2WI低信号线性影，脂肪抑制PDWI高信号线性影，骨髓水肿伴关节囊积液（C-E）。另一例为右膝外伤的28岁女性；x线正位片和侧位片未见明确骨折（F，G）；后续MRI示胫骨外侧平台脂肪饱和T1WI低信号、脂肪饱和T2WI低信号、脂肪抑制PDWI高信号线性影，伴关节囊积液（H-J）。MRI，磁共振成像；TIWI、t1加权成像；T2WI、t2加权成像；PDWI，质子密度加权成像

各组患者临床特点及影像学表现

6种机器学习方法和3种特征选择方法的分类准确率、f1得分和AUC比较

结合logistic回归分类器（A-C）、SVM分类器（D-F）、GaussianNB （G-I）九种特征选择方法的ROC曲线分析。ROC，接收机工作特性；支持向量机；高斯朴素贝叶斯；LASSO，最小绝对收缩和选择算子；RFE，递归特征消去；GBDT，梯度增强决策树；RF，嵌入式随机森林；XGBoost，极端梯度增强；POE + ACC，分类误差概率+平均修正系数；MI，互信息。

结果：最小绝对收缩和选择算子（LASSO）法在6种主流方法中表现最佳，准确率为0.81，F1值为0.80，AUC为0.920，均高于其他5种方法（准确率范围为0.65 ~ 0.80，F1评分范围为0.61 ~ 0.79，AUC范围为0.722 ~ 0.895）。在软件的三种特征选择模型中，最理想的精度测量方法是MI方法，达到0.77。在F1值和AUC的测量中，最佳方法是Fisher，分别达到0.78和0.888。各项指标均低于LASSO法。LASSO与支持向量机（SVM）组合的分类性能最好，LASSO与logistic回归组合的分类性能稍差，但差异无统计学意义。

结论：膝关节X线摄影TA联合ML在识别胫骨平台隐匿性骨折风险患者方面取得了很高的效果。从模型性能和计算复杂度两方面考虑，LASSO特征选择方法与逻辑回归分类器相结合的分类性能最好。

文献来源： Zeng J;  Zou F;  Chen H;TeXture analysis combined with machine learning in radiographs of the knee joint: potential to identify tibial plateau occult fractures.Quant Imaging Med Surg 2025 Jan 02;15(1):502-514