《The Knee》:Improving patellofemoral pain assessment with weight-bearing computed tomography and machine learning using three-dimensional knee joint metrics
编辑推荐:
三维体重支撑CT膝关节指标结合机器学习算法显著提高了髌股疼痛严重性预测的准确性,较传统二维影像测量MAE降低1.8(7.8 vs 8.6, P=0.02),并成功识别疼痛相关解剖区域。
李孝彬(Hyo-Bin Lee)| 崔章焕(Jang-Hwan Choi)
韩国首尔世妇女大学医学院系统健康科学与工程研究生项目计算医学系
摘要
目的
评估基于负重计算机断层扫描(WBCT)并通过机器学习得出的三维(3D)膝关节指标,是否比二维(2D)指标更准确地预测髌股疼痛的严重程度。
方法
采用平均绝对误差(MAE)作为主要评估指标来衡量诊断准确性。对每种模型(随机森林、梯度提升、卷积神经网络(CNN)进行了五折交叉验证,并通过网格搜索调整超参数。参考标准为前膝疼痛评分(AKPS)。使用Bonferroni校正的配对t检验来比较不同模型之间的MAE差异。从WBCT中提取膝关节对齐特征(倾斜、旋转、平移);2D指标则从斜轴切片中获得。回顾性数据收集自2022年1月至6月。
结果
在交叉验证中,使用3D指标的随机森林模型的MAE为7.8(95%置信区间(CI):7.3–8.2),显著低于基于2D指标的回归模型的8.6(95% CI:8.1–9.1)(P = 0.02)。来自远端切片的CNN预测的MAE为7.5(95% CI:7.0–8.0),优于近端切片(8.3(95% CI:7.7–8.9),P = 0.03)。AKPS评分从治疗前的72 ± 10分提高到治疗后的82 ± 6分(P < 0.001)。
结论
与传统的2D成像方法相比,结合机器学习的3D WBCT指标显著提高了髌股疼痛严重程度的诊断准确性。这种方法为骨科临床评估和治疗计划提供了一个客观、可重复的框架。
引言
膝关节疼痛会显著降低生活质量,髌股疼痛占所有膝关节相关问题的20–30% [1]、[2]、[3]。常见的原因包括肌肉失衡、半月板病变和膝关节错位 [4]。在生理负荷条件下准确评估髌股对齐情况对于诊断和治疗计划至关重要,但传统的成像方法存在显著局限性。
虽然磁共振成像(MRI)在显示软组织方面表现出色,传统计算机断层扫描(CT)在提供骨骼细节方面也很优秀,但这两种方法都有一个关键缺陷:大多数临床成像都是在患者仰卧状态下进行的,无法模拟准确评估关节力学所需的自然负重条件 [5]、[6]、[7]。负重CT作为一种有前景的成像方式,能够在生理上真实的负荷条件下捕捉膝关节的对齐情况 [8]。然而,尽管临床兴趣日益增加,但很少有研究定量评估负重CT在预测膝关节疼痛严重程度方面的有效性。此外,许多传统方法仍然依赖于二维(2D)测量指标,如髌骨倾斜角和偏移量,这些指标可能无法充分反映膝关节运动学的三维(3D)复杂性 [9]。
为了解决这些局限性,本研究采用了全面的3D膝关节对齐指标,包括髌骨倾斜、屈曲、旋转和三轴平移,这些指标是从负重CT扫描中提取的。我们利用了先进的机器学习算法,包括随机森林、梯度提升和卷积神经网络(CNN),来捕捉成像特征与患者报告的前膝疼痛评分(AKPS)分数之间的非线性关系 [10]、[11]、[12]。我们采用了一种新的双重可解释性框架,结合了Shapley Additive Explanations(SHAP)和梯度加权类激活映射(Grad-CAM)[13]、[14]。这种方法独特地将定量特征分析与空间解剖定位相结合,实现了基于指标的分析与基于图像的分析之间的交叉验证,这是仅依赖形态测量或直接图像分析的现有方法所无法实现的。SHAP识别了对AKPS预测最具影响力的3D和2D指标,而Grad-CAM则从CT图像中突出显示与疼痛相关的解剖区域 [15]。
我们假设,结合机器学习的基于负重CT的3D膝关节指标在预测髌股疼痛严重程度方面将优于传统的2D指标。本研究的目的是:(1)从负重CT图像中提取和量化3D和2D膝关节对齐指标;(2)使用这些指标评估各种机器学习模型在预测髌股疼痛严重程度方面的性能;(3)通过可解释的人工智能技术识别对疼痛预测最具影响力的解剖特征 [16]、[17]、[18]、[19]、[20]。
研究设计与数据采集
研究设计与数据采集
本研究的分析框架包括三个主要阶段:预处理、建模和解释(图1)。在预处理阶段,手动在2D和3D膝关节CT图像上标记解剖标志点,然后提取定量指标。随后实施了两种建模方法:一种是基于指标的方法,利用解剖测量数据;另一种是基于图像的方法,直接在膝关节图像上应用CNN。
膝关节对齐指标和AKPS结果分析
治疗前后的指标分析。独立t检验比较了治疗前后的膝关节对齐指标和AKPS评分。治疗后AKPS评分显著提高,从68.2 ± 12.4分提高到85.7 ± 9.8分(P < 0.001),表明膝关节疼痛明显减轻。然而,关键3D指标(如髌骨倾斜度(治疗前:8.3° ± 3.2°,治疗后:7.9° ± 2.8°,P = 0.42)、旋转(治疗前:5.6° ± 2.1°,治疗后:5.4° ± 1.9°,P = 0.58)和平移(P
讨论
本研究强调了负重CT在评估膝关节疼痛方面的潜在临床优势。我们的发现表明,结合机器学习的基于负重CT的3D膝关节指标在预测髌股疼痛严重程度方面优于传统的2D指标。负重CT能够在完全负重条件下提供详细的3D指标,这对于准确评估髌股疼痛至关重要 [70]。
结论
我们的研究结果表明,结合机器学习的基于负重CT的3D膝关节指标提高了髌股疼痛的预测准确性,优于传统的2D评估方法。基于树的模型有效地捕捉了包括髌骨旋转和前后平移在内的复杂对齐特征,而基于CNN的分析结合Grad-CAM识别了与疼痛相关的关键解剖区域。尽管患者报告的疼痛(AKPS)在治疗后有所改善,但
伦理声明
本研究已获得斯坦福大学机构审查委员会(IRB文件编号#20144)的批准。所有患者数据均在获得书面知情同意后采集和使用。
作者贡献声明
李孝彬(Hyo-Bin Lee):撰写 – 审稿与编辑、初稿撰写、可视化、验证、监督、软件开发、方法论设计、数据分析。 崔章焕(Jang-Hwan Choi):项目管理、资金筹集、数据管理、概念构思。
资助
本研究得到了韩国国家研究基金会(National Research Foundation of Korea)的支持(资助编号:RS-2025-00520578、RS-2025-02215813和RS-2025-02634603)。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:崔章焕报告称获得了韩国国家研究基金会的财务支持。如果还有其他作者,他们声明没有已知的可能影响本文工作的财务利益或个人关系。