回顾性分析2019年1月至2021年12月于吉林大学中日联谊医院放射科行腕关节MRI检查的患者病例。纳入标准：（1）经腕关节镜或手术证实的TFCC损伤及非损伤患者；（2）行腕关节MRI检查前未接受关节镜、关节造影以及手术等创伤性检查或治疗；（3）均在同一台高分辨率3.0 T磁共振扫描仪上采集数据。排除标准：（1）已明确合并尺骨远端骨折；（2）磁共振图像伪影重。本研究经吉林大学中日联谊医院伦理委员会批准，免除受试者知情同意，批准文号：2021072108。

所有患者均使用3.0 T磁共振扫描仪（SIEMENS Healthineers, MAGNETOM Skyra, Germany），所有患者均为俯卧位，检查臂抬起至头顶上方，使手腕位于激光标记所精确指向的扫描器孔的中心位置。成像方案如表1所示。

点击查看表格

表1

各序列扫描参数

Tab. 1

Scanning parameters of each sequence

表1

各序列扫描参数

Tab. 1

Scanning parameters of each sequence

扫描参数	T1WI/COR	T2WI/COR	PDWI/COR	T1WI/TRA	PDWI/TRA	PDWI/SAG
TR/s	0.456	0.020	3.550	0.547	3.670	3.550
TE/s	0.012	0.006	0.037	0.012	0.042	0.037
FOV/mm×mm	120×120	120×113	130×130	120×120	120×120	130×130
层数	20	104	20	24	24	20
层厚/mm	2.5	0.5	2.0	2.5	2.5	2.5
层间距/mm	0.25	0.10	0.20	0.50	0.50	0.25
体素/mm×mm×mm	0.3×0.3×2.5	0.5×0.5×0.5	0.4×0.4×2.0	0.3×0.3×2.5	0.4×0.4×2.5	0.4×0.4×2.5
扫描时间	1 min 27 s	3 min 15 s	2 min 28 s	1 min 44 s	1 min 44 s	2 min 48 s

注：COR为冠状位；TRA为轴位；SAG为矢状位；PDWI为质子密度加权成像；TR为重复时间；TE为回波时间；FOV为成像视野。

图像经吉林大学中日联谊医院放射科影像归档和通信系统（picture archiving and communication systems, PACS）获取，选取腕关节T2WI冠状位序列，经医学影像图像处理软件MRIcroGL勾画TFCC的3D感兴趣区（region of interest, ROI）。考虑到TFCC的结构及空间分布的复杂性，在勾画ROI时，以周围诸腕骨为界^[22]，减少TFCC本身结构性的干扰，尽管特异度可能会下降，但保证了模型敏感度。ROI由一名具有10年骨肌影像诊断经验的放射科医生勾画，并交由另一名具有15年骨肌影像诊断经验的放射科主任医师确认分割准确性，意见不一致时，讨论并达成一致意见（图1）。

点击查看大图

图1

手动分割三角纤维软骨复合体区域。

Fig. 1

The manual segmentation area of triangular fibrocartilage complex。

点击查看大图

图1

手动分割三角纤维软骨复合体区域。

Fig. 1

The manual segmentation area of triangular fibrocartilage complex。

基于影像组学分析工作流程的开源软件包Pyradiomics（http://www.Radiomics.io/pyRadiomics.html）^[23]进行影像组学特征的提取。共提取了88个影像组学特征：14个形状特征（shape features），18个一阶统计特征（first-order statistics features），24个灰度共生矩阵（gray level cooccurence matrix, GLCM），14个灰度相关矩阵（grey level dependence matrix, GLDM），16个灰度游程长度矩阵（gray level run length matria, GLRLM），16个灰度尺寸区域矩阵（gray level size zone matrix, GLSZM），5个邻域灰度差矩阵（neighbouring gray tone difference matrix, NGTDM）^[24]，并进行数据的标准化处理。

基于Python 3.7的运行环境，运用Pandas、Numpy、Sklearn程序包，先进行曼-惠特尼U检验及最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）算法的运行，再进行数据降维、特征筛选，去除冗余特征，避免发生过拟合^{[25, 26, 27]}。在曼-惠特尼U检验中，P＜0.05表示差异有统计学意义；LASSO算法通过五折交叉验证以及调整参数λ使无关特征和冗余特征的权重系数压缩为0，保留与判断TFCC损伤相关性最强的特征。

将最终筛选出的相关性最强的影像特征，按照7∶3的比例随机选取训练集和测试集，采用支持向量机（support vector machine, SVM）构建分类器模型^{[28, 29]}，用受试者工作特征（receiver operating characteristic, ROC）曲线的曲线下面积（area under the curve, AUC）、精确度、敏感度及特异度来评价模型的预测性能。

采用SPSS 25.0软件包进行数据处理，组间对比的检验方式为χ²检验，计量资料的检验方式为t检验，对经Pyradiomics提取的88个影像组学特征采用曼-惠特尼U检验（Mann-Whitney U test）的方法，P＜0.05表示差异有统计学意义；在训练集和测试集中都使用AUC以及精确度、敏感度和特异度评估分类器的预测性能。

研究共纳入100例患者病例，其中TFCC损伤及非损伤患者各50例（表2）。

点击查看表格

表2

损伤组与非损伤组患者基本情况

Tab. 2

Basic conditions between injury and non-injury

表2

损伤组与非损伤组患者基本情况

Tab. 2

Basic conditions between injury and non-injury

	损伤	非损伤	合计	统计值	P值
性别（男/女）/例	24/26	28/22	52/48	χ2=0.16	0.689
年龄/岁	45.2±12.5	48.4±11.3	—	F=0.88	0.350

将100例患者按照7∶3的比例随机分为训练集和测试集（分别为70例和30例），经标准化及曼-惠特尼U检验处理后，得到88个影像特征，采用LASSO算法进行特征筛选后，最终获得12个相关性最强的影像特征（表3、图2），其中包括5个形状特征，2个一阶特征以及5个高阶纹理特征（1个GLDM，3个GLSZM，1个NGTDM）。

点击查看大图

图2

采用最小绝对收缩和选择算子算法从T2WI 冠状位序列中提取影像特征。2A：通过基于五折交叉验证来选择套索模型中的权重参数(λ)。下方的x 轴表示对数(λ)，y 轴表示二项式偏差。蓝色垂直线表示具有给定λ 的每个模型的偏差值。垂直的黑色虚线定义了λ 的最佳值为0.03。2B：88 个初始特征的权重系数变化。图中显示最终选取了12 个具有非零系数的影像特征。

图3

3A和3B分别表示模型在训练集和测试集中的AUC值。

Fig. 2

Radiomic features derived from T2WI sequence selected by using the least absolute shrinkage and selection operator (LASSO) algorithm. 2A: Selection of the tuning parameter (λ) in the LASSO model via fivefold cross-validation. The x-axis indicates the log(λ), and the y-axis indicates binomial deviances. The blue vertical lines indicate the deviance values for each model with a given λ. The vertical black dotted lines define the optimal values of λ which is 0.03. 2B: LASSO coefficient profiles of the 88 texture features. The twelve selected features with nonzero coefficients are indicated in the plot.

Fig. 3

3A and 3B represent the AUC values of training set and test set respectively.

点击查看大图

图2

采用最小绝对收缩和选择算子算法从T2WI 冠状位序列中提取影像特征。2A：通过基于五折交叉验证来选择套索模型中的权重参数(λ)。下方的x 轴表示对数(λ)，y 轴表示二项式偏差。蓝色垂直线表示具有给定λ 的每个模型的偏差值。垂直的黑色虚线定义了λ 的最佳值为0.03。2B：88 个初始特征的权重系数变化。图中显示最终选取了12 个具有非零系数的影像特征。

图3

3A和3B分别表示模型在训练集和测试集中的AUC值。

Fig. 2

Radiomic features derived from T2WI sequence selected by using the least absolute shrinkage and selection operator (LASSO) algorithm. 2A: Selection of the tuning parameter (λ) in the LASSO model via fivefold cross-validation. The x-axis indicates the log(λ), and the y-axis indicates binomial deviances. The blue vertical lines indicate the deviance values for each model with a given λ. The vertical black dotted lines define the optimal values of λ which is 0.03. 2B: LASSO coefficient profiles of the 88 texture features. The twelve selected features with nonzero coefficients are indicated in the plot.

Fig. 3

3A and 3B represent the AUC values of training set and test set respectively.

点击查看表格

表3

LASSO二元logistic回归法筛选得到的影像特征

Tab. 3

Radiomics features selected by LASSO binary logistic regression

表3

LASSO二元logistic回归法筛选得到的影像特征

Tab. 3

Radiomics features selected by LASSO binary logistic regression

类别	中文名称	英文名称	权重
形状特征	伸长率	Elongation	-0.025
形状特征	平面度	Flatness	-0.048
形状特征	最短轴长度	Least Axis Length	-0.074
形状特征	最大3D直径	Maximum 3D Diameter	-0.117
形状特征	体素体积	Voxel Volume	-0.082
一阶特征	能量	Energy	0.048
一阶特征	最小值	Minimum	0.045
灰度相关矩阵	大依赖低灰度强调	Large Dependence Low Gray Level Emphasis	0.005
灰度尺寸区域矩阵	灰度不均匀性	Gray Level Non-Uniformity Normalized	0.148
灰度尺寸区域矩阵	大区域低灰度强调	Large Area Low Gray Level Emphasis	-0.008
灰度尺寸区域矩阵	区域熵	Zone Entropy	0.001
邻域灰度差矩阵	对比度	Contrast	-0.071

经SVM分类器建模后，在训练集中的AUC值、精确度、敏感度及特异度分别为0.92、84%、86%、100%，在测试集中的AUC值、精确度、敏感度及特异度分别为0.88、90%、92%、100%（图3），在训练集和测试集中均表现出了良好的预测性能。

TFCC的解剖结构相对复杂，结构精细而微小，基于MRI对于软组织具有良好的成像显示^{[34, 35]}，本研究选择3.0 T MRI^[36]，从三维立体的角度，减少TFCC本身结构复杂性的干扰，为进一步的ROI识别与勾画做好基础。

TFCC结构及空间分布的复杂性，本研究以周围腕骨为边界勾画ROI，扩大勾画范围以提高模型的敏感性；最终模型通过AUC值、精确度、敏感度及特异度表现出了较好的预测性能，取得了较高的诊断准确率，这也证实了将影像组学应用于运动损伤中TFCC的评估确实可行。

近年来，影像组学发展迅速，目前针对肺结节的研究与应用已经取得显著的成果^[29]，在骨折的识别方面也方兴未艾^[30]，这些研究成果不仅极大地提高了基层单位的诊断能力，也提高了三甲级医院的工作效率^[37]。运动损伤存在于生活中的方方面面，诸如骨折、韧带及软骨损伤等，且影像组学在骨折的诊断方面已经在临床工作中得以应用。目前尚未有影像组学应用于软组织损伤的诊断中，日常工作中对于TFCC损伤仍存在漏诊、误诊的情况，特别是对边缘型TFCC损伤诊断的敏感性及特异性更不尽如人意。基于本研究的研究目的及研究结果，未来的影像组学或许可以扩大诊断范围，尤其对于结构相对复杂的组织和器官，有效降低诊断门槛，提高诊断效能。

本研究有几个局限性：（1）本次研究仅将影像图像及部分临床资料纳入研究，但基于TFCC结构复杂、损伤病因多样^{[1,38, 39]}，在后续工作中将深化研究，对造成TFCC损伤的原因进行进一步探讨；（2）本研究纳入了100例患者病例作为研究对象，样本量较少，更大的数据集和多中心研究可能会显示出更加稳定的预测效能；（3）对于伴随或不伴随TFCC损伤而出现的滑膜增生及滑囊积液，在本次ROI的勾画中并未加以区别，在后续的研究中，将选择更精确的勾画及区分方法，进一步提高模型的特异性。

综上所述，本研究建立了一种无创性的辅助诊断TFCC损伤的方法，目前国内外关于MRI影像组学与TFCC结合分析的文献报道几乎为空白。本研究建立的基于MRI的影像组学模型能够不再依赖放射科医生的年资及经验水平，提高TFCC损伤的诊断率，便于指导患者的个性化治疗。