放射组学模型自动区分98例复杂性区域疼痛综合征患者与56名健康对照的热成像图,AUC 0.93优于三位临床医生
核心概要
该研究纳入98例复杂性区域疼痛综合征(CRPS)患者的178张热成像图和56名健康对照的837张热成像图,用U-Net深度学习自动分割肢体(平均Dice相似系数0.99),再对每张图每条肢体提取564个放射组学特征(强度、形状、纹理),通过WORC自动化机器学习框架在20次随机划分交叉验证中构建分类模型,该模型区分CRPS患者与健康对照热成像图的平均AUC为0.93(95% CI 0.90–0.97),显著优于三位临床医生的0.82、0.79和0.69(P<0.001)。
深度剖析
研究构建了一个全自动的CRPS热成像图分类流程,平均AUC达0.93(95% CI 0.90–0.97),平衡分类率0.84、敏感度0.75、特异度0.92。 既往CRPS热成像研究多依赖人工选取的小范围感兴趣区和左右温度差这一单一指标;该研究改为自动分割整条肢体并提取564个放射组学特征,覆盖强度、形状与纹理三类信息。 基于98例CRPS患者178张图和56名健康对照249张图(分类模型数据集共427张),采用20次随机划分交叉验证,模型优化全部限制在训练集内并做内部5次随机划分交叉验证。
该模型的AUC显著高于三位临床医生的视觉评分(0.82、0.79、0.69,P<0.0001),且在临床医生误判的图中有20张CRPS图和全部对照图被模型正确分类。 此前缺乏将自动化热成像分析与临床医生判读直接对比的证据;该研究用同一批每位受试者随机抽取一张的热成像图,让三位对诊断设盲的医生按四点量表评分并二值化后比较。 三位医生分别有4年、3年、5年经验;模型另用留一法交叉验证并以DeLong检验比较AUC;三位医生一致正确分类的CRPS图为34/98(35%)、对照图为43/56(77%),三人一致误判的CRPS图为29张(30%)、对照图3张(5%)。
单一特征组即可获得与全特征模型相近的表现:仅强度AUC 0.93、仅纹理0.91、仅形状0.89,而传统左右平均温度差仅AUC 0.79。 该结果提示CRPS热成像的判别信息不止于温度不对称,还包括空间纹理模式;单变量检验中1128个特征有672个(59%)在两组间显著,其中纹理646/1016、强度18/26、形状8/86。 各特征组模型均在相同的20次随机划分交叉验证下评估;温度差指标为简化起见在全部数据上计算。
模型表现不依赖年龄与肢体部位:年龄匹配子集(56名对照与48例患者的268张图)AUC 0.93,仅手部AUC 0.93、仅足部AUC 0.96,自动分割与人工分割结果相近(0.93对0.94)。 这些对照模型分别用于排查年龄偏倚、检验手与足是否需要分开建模,以及验证自动分割可替代耗时的人工分割。 患者与对照年龄存在显著差异(中位48岁对33岁,P=0.001),因此年龄匹配子集的分析具有针对性;分割模型在交叉验证中平均DSC为0.99(95% CI 0.99–0.99)。
启示与展望
该结果适用于单侧上肢或下肢远端CRPS患者与健康对照之间的区分,使用Thermacam SC5000相机、发射率设为0.99的标准化采集协议,模型输出为CRPS或对照两类之一。对临床读者而言,这意味着热成像图有望获得一个自动、定量、不依赖观察者的判读参考,尤其可用于临床意见不一致或温度异常细微难以肉眼识别的病例;对研究者而言,该流程(U-Net分割加WORC放射组学分类)可作为后续在膝关节、小腿等部位以及治疗监测场景中扩展的起点。
模型仅在CRPS患者与健康对照之间做二分类,文本明确指出在此框架外热成像图只会被归入这两类之一,因此尚不能区分CRPS与其他创伤后或神经病理性疼痛;作者也指出缺少独立外部验证,热成像对硬件、采集协议和环境条件敏感,泛化性未知。此外,患者热成像图86%存在一项或多项采集协议偏差而对照仅21%,患者与对照年龄存在显著差异,这些因素通过分割、年龄匹配子集和模拟姿势偏差对照做了处理,但其残余影响仍是读者可关注的问题。模型被当作单一诊断实体处理,能否按病理生理机制、亚型或治疗反应进一步分层,以及预测结果与生理过程的对应关系,均属待解问题。
