European Radiology：机器学习对髋关节早期关节间隙狭窄相关因素的识别

髋关节解剖结构对早发性骨关节炎（OA）进展的影响已被广泛研究，其中关注最多的是发育不良和股髋关节撞击（FAI）。发育不良的特点是髋臼对股骨头的覆盖不全，而FAI的特点是股骨和髋臼的接触异常。髋关节发育不良（DDH）与正常髋臼相比，患OA的风险明显较高。已有研究表明，，"凸轮型 "FAI增加了体力活动者发生OA的风险。

文献中使用了多种影像学测量方法来描述髋关节的解剖结构，根据所使用的成像方式（平片、CT、MRI）有很大的不同。尽管这类测量方法很多，但大多数只能应用于平片，而只有少数的几种可以独立用于DDH和FAI的诊断。具体来说，低中心-边缘（CE）角值已被广泛用作诊断DDH的唯一最重要的标准，表明股骨头外侧覆盖不足，而低的髋臼前区角（AASA）值也被认为与DDH的病理生理学有关。然而，没有资料显示这些解剖学因素中的任何一个因素对早期关节间隙狭窄（JSN）的贡献程度。

近日，发表在European Radiology杂志的一项研究介绍了使用机器学习算法来划定髋关节形态对成年患者早发OA发展的作用，根据从CT检查中提取的数据，在多个平面上考虑髋关节形态的影响，以早期预测严重JSN的发生及发展，为OA的早期预测及积极监测提供了参考依据。

髋关节发育不良患者的解剖学特征。与其他人群（粉红色）相比，严重关节间隙狭窄（关节间隙宽度<2mm）的患者（绿松石色）的解剖学测量分布。绿松石色和粉红色的虚线表示每个测量值的各自平均值（a、c、e、g）。单个测量值与联合空间宽度值的散点图，及其相应的线性回归线（红色）和95%置信区间（灰色）（b, d, f, h）。

本研究表明，机器学习能够对严重的JSN进行预测，并与正常和异常的关节间隙宽度有关的人群特征进行比较与评估。本研究结果强调了在多个平面上评估髋关节解剖的必要性，并证明了机器学习算法在肌肉骨骼临床和研究实践中的价值。

原文出处：

Michail E Klontzas,Emmanouil Volitakis,Üstün Aydingöz,et al.Machine learning identifies factors related to early joint space narrowing in dysplastic and non-dysplastic hips.DOI:10.1007/s00330-021-08070-x