OC
英语轻松读发新版了，欢迎下载、更新

基于X射线的放射线机器学习模型，用于预测股骨头早期骨坏死的崩溃

2025-04-20 18:28:28 英文原文

作者：Chen, Leilei

介绍

股骨头（ONFH）的骨坏死是一种进行性且残疾的骨科疾病，会影响所有年龄段的患者，尤其是年轻人1。股骨头塌陷代表了ONFH临床进展中的关键预后决定因素。累积证据表明2，，，，3，，，，4，，，，5近一半的ONFH患者将在2年内发生股骨头塌陷。对于短期内不太可能崩溃的股骨头，首选更保守的治疗方法。对于那些有崩溃的风险的人，在崩溃发生之前，各种髋关节疗法可以实现长期满意的结果。一旦发生崩溃，大多数臀部都会发展为关节破坏或骨关节炎，最终需要关节置换并增加了未来修订的髋关节置换术风险6。在这种情况下，预测个人结果对于早期ONFH患者至关重要。但是，没有广泛认识的预后系统可以准确有效地预测股骨头塌陷。

成像检查是诊断和分析ONFH的重要方法。X射线前后（AP）和Frog-Leg横向（FL）视图可以提供有关前骨结构和侧骨结构的全面信息，它们是股骨头的关键承重区域，并包含重要的预后信息，例如位置，大小，形态和坏死病变的边界，7，，，，8，，，，9，，，，10。但是，对这些参数的定量评估缺乏标准化，没有一个可以准确地预测单独的崩溃。此外，临床医生之间的观察者间变异性，要获得股骨头倒塌结果的客观和统一评估，这是一项挑战。

随着技术的快速发展，放射线学的一种新兴人工智能技术可以通过高通量提取和挖掘大量图像来提供全面和客观的成像信息。几项研究11，，，，12，，，，13，，，，14已经提出了基于放射线学模型的机器学习系统，以使ONFH的诊断和分期自动化。但是，由于崩溃预测的不确定性，在早期疾病阶段，很大一部分患者接受了不必要的积极干预措施，导致非手术患者的样本量有限，完成了长期随访，很少有研究人员专注于预测崩溃。鉴于股骨头崩溃在选择早期ONFH治疗中的关键作用，我们基于X射线图像的放射组学分析开发了几种机器学习模型，以实现对早期ONFH的客观，高效和准确的预测，并协助外科医生计划临床治疗。

材料和方法

道德声明

这项研究遵守了赫尔辛基的宣言，该宣言已在中国临床试验注册中注册（Chictr.org.cn；注册ID：CHICTR2400085757），并经机构审查委员会批准（批准号：PJ-XS-XS-XS-XS-XS-XS-20240513-003）。鉴于研究的回顾性和使用匿名数据的使用，放弃了患者批准或书面知情同意书检查医疗记录或图像的要求。

患者

这项回顾性研究包括从2019年1月至2023年12月从两个三级推荐中心招募的具有关联研究循环（ARCO）II阶段的患者。纳入标准：（1）ARCO II级IIFH由MRI Image确认在这两个医院或其他医疗机构中。（2）18岁65岁的患者；（3）在2年的随访或股骨头塌陷之前没有手术干预的臀部。排除标准如下：（1）患有其他髋关节疾病的患者，例如髋关节发育不良，股骨尾部撞击综合征，肿瘤或影响骨代谢的疾病；（2）髋部创伤或髋关节手术的先前史；（3）不符合严格和标准的AP和FL视图的不完整的后续成像数据或X射线射线照相。ONFH的诊断基于更新的关联研究循环骨（ARCO）分级系统15。

这项研究使用髋关节作为分析单位。最终，在本回顾性队列研究中包括在初次诊断时在ARCO II期间共有87例臀部111例。案例选择过程如图所示。 1。在包括符合标准的病例之后，这些臀部根据收集病例的医院分为培训和测试集。训练组中总共包括A医院A的67个臀部，测试组中包括44个臀部。

图1
figure 1

流程图，用于选择早期阶段的情况。ONFH：股骨头的骨坏死。ARCO：协会研究循环骨。

图像获取和注释

所有图像均在标准AP和FL视图中获得。与患者处于仰卧位置，以标准的AP视图为中心，以脊柱前脊柱和耻骨联合之间的中点为中心，两条腿内部旋转15°。对于标准的FL视图，仰卧位的患者臀部在30°处弯曲，大腿被绑架和外部旋转，膝盖弯曲，足底表面相反。这些受试者的图像被出口并保存在医学（DICOM）格式的数字成像和通信中。

为了确保可靠性，所有图像在批处理中都通过删除基本信息（例如患者姓名和标识号）进行了匿名。两位具有20年经验的副首席骨科医生独立审查了随附的X射线图像，并手动概述了每个AP和FL视图中股骨头中代表坏死组织的感兴趣区域（ROI）（ROI），并使用开放源代码ITK ITK-SNAP软件（版本4.0.1，4.0.1，4.0.1，4.0.1，http://www.itksnap.org/）。为了确保结果的可靠性，参考相应的MRI序列，通过讨论和谈判解决了两个外科医生之间描述的ROI中的任何差异。结果被定义为在2年随访期间X射线的AP或FL视图中可见的下部骨折或崩溃，或者总髋关节置换术的性能。

图像预处理

为了确保放射线学特征提取的精度和可靠性，实施了用于医学图像的标准化预处理方案。直方图离散化用于减轻图像噪声对特征提取的影响并降低计算复杂性。随后，使用标准偏差为1.0、2.0和3.0的高斯内核进行多尺度平滑，以进一步降低图像噪声。为了在所有图像上标准化体素间距，进行了重采样，以将体素尺寸调整为1毫米μmm。

放射线学具有萃取和放射线模型构建

所有过程均在Python中进行（版本3.7；https://www.python.org）具有以下关键库：pyradiomics（版本3.1.0;http://pypi.org/project/pyradiomics）对于放射学特征提取，用于数值操作的Numpy（版本1.23.4），用于数据处理的PANDAS（版本1.5.3），用于机器学习模型开发的Scikit-Learn（版本1.5.2），MATPLOTLIB（版本3.3.4）和Seaborn（版本3.3.4）和用于数据可视化的Shap（版本0.11.1），用于射击（版本为0.43.0），用于解释模型。硬件配置包括主板型8DMF143，Intel（Xeon）Gold 5218处理器（CPU） @ 2.30 ghz，Dual Nvidia RTX 2080 Ti GPU（每个11GB VRAM）（每个）和64.0GB RAM（型号36ASF4G72PZ-PZ-2GGB）。

放射学特征（在线补充选项卡。S1），包括基于形状的特征，强度特征和纹理特征（分为灰度级别的共发生矩阵[GLCM]，灰度级尺寸矩阵矩阵[GLSZM]，灰色水平运行长度矩阵[GLRLM]AP和FL视图的预处理图像。考虑到结合AP和FL视图为股骨头的三维球形结构提供了更全面的观察，尤其是前部和侧面部分的变化，我们还结合了两种视图的特征。

绝对绝对的收缩和选择算子（LASSO）回归算法用于从提取的特征集中筛选重要特征。通过构建惩罚函数（»），一些回归系数被缩小以迫使不重要的特征成为0，而稳定的特征则将其纳入LASSO分析中。基于最小标准，使用10倍的交叉验证来确定最佳»值，并使用相应的模型筛选非零系数特征，以获得独立且稳定的特征。

在特征建模之前，通过Z分数标准化实现了特征归一化。为了选择具有最佳预后性能的分类器模型，我们的研究选择了三种主流机器学习算法随机森林（RF），支持向量机（SVM）和随机梯度下降（SGD）来构建放射线学模型。为了避免过度拟合，在训练集中使用了使用5倍交叉验证的贝叶斯优化的高参数调整，以选择这些分类模型的最佳参数（补充标签S2在线）。比较了不同分类模型的性能。

使用精度，精度，回忆（灵敏度），特异性和F1得分在训练和测试集中量化模型性能。这些矩阵定义如下：

$$精度= \ frac {tp+tn} {tp+tn+fp+fn} $$

（1）

$$ precision = \ frac {tp} {tp+fp} $$

（2）

$$回忆= \ frac {tp} {tp+fn} $$

（3）

$ \ text {s} \ text {p} \ text {e} \ text {c} \ text {i} \ text {f} \ text {f} \ text {i} \ text {c} \ text {c} \ text {c} \ text {i}

（4）

$$ f1 = 2 {*} \ frac {precision {*}回忆} {precision+召回} $$

（5）

TP，FP，TN和FN分别代表真正的积极性，误报，真正的负面因素和假否定性。精度定义为所有样本中正确分类崩溃和未汇合的情况的比例。精度测量了所有预测崩溃案件中正确分类崩溃的情况的比例。回忆，也称为灵敏度，表明在所有实际崩溃样本中正确预测的崩溃案例的比例。特异性是在所有实际非汇编样本中正确预测的非汇总情况的比例。F1得分是一个平衡的度量标准，用于评估分类模型的性能，考虑到精度和召回率，可以视为这两种措施的谐波平均值。

使用接收器操作特征（ROC）曲线以及ROC曲线（AUC）下的面积（AUC）比较了这三个机器学习模型的判别能力。应用校准曲线以评估模型的临床值。并使用可解释的外形图来解释最佳机器学习模型中预测变量和结果之间的关系。总体研究流程图如图所示。 2。

图2
figure 2

用于构建和验证预测模型的流程图。示意性概述了我们模型崩溃的预测。获得了来自AP和FL视图的X光片，并描绘了ROI。然后从预处理图像中提取了放射线特征。在使用LASSO回归算法来筛选重要特征后，使用SVM，RF和SGD来构建放射线模型。使用ROC曲线比较了这些模型的判别能力，并应用了Shap值以解释每个特征的重要性。AP：前后。佛罗里达：青蛙腿横向。ROI：感兴趣的地区。拉索：绝对收缩和选择算子。SVM：支持向量机。RF：随机森林。SGD：随机梯度下降。ROC：接收器操作特征。

与手动识别进行比较

为了比较机器学习模型和手动识别的预测能力，我们的手动识别组对来自测试子集的44个臀部进行了审查，该组由六名骨科外科医生组成，对数据收集和分析不知情（三名具有骨骼和关节疾病经验5年经验的居民外科医生，以及三名从事经验10年的外科医生）。使用既定预后系统的标准标准4，，，，16，，，，17，，，，18，，，，19（例如，射线照相阶段，病变大小，坏死位置，前和侧面保留的角度），要求外科医生独立预测2年内每个股骨头的塌陷，仅基于普通的X光片。比较了从最佳模型和骨科医生得出的预测结果。计算了每个骨科外科医生评估的准确性，敏感性和特异性，以及外科医生之间的一致性。

另外，使用混淆矩阵，ROC曲线和AUC比较骨科医生和放射组模型的预测结果。

统计分析

所有统计分析均使用SPSS（版本26.0.0 IBM），Python（版本3.7；https://www.python.org）和R统计软件（版本4.4.0；https://www.r-project.org）。

使用Python实施了模型性能指标的计算，包括AUC，精度，精度，召回和F1得分。为了比较基线数据以及机器学习模型与外科医生预测的评估，使用了R中的相关统计软件包。基线数据中的连续变量报告为中位数和四分位数范围（IQR），并使用Mann-Whitney U检验进行了比较。使用卡方检验评估了分类数据。DeLong的测试用于确定机器学习模型和骨科医生之间AUC差异的重要性。统计显着性定义为α= 0.05（双面）。使用SPSS进行了Cohen的Kappa分析，以评估外科医生在股骨头倒塌的预测方面的一致性。

结果

患者的特征

该研究招募了111个臀部（87例患者； 31例女性和56名男性）。受影响的臀部根据其来源分为训练和测试子集，表中描述了这两组的人口特征 1。在基线特征中未观察到群体间差异（所有p> 0.05）。表1包括患者的人口统计学和临床​​特征。

放射线签名模型的预测性能

从AP和FL视图X射线图像中提取了放射线特征，每个视图保留了105个初始特征。

然后，为AP，FL和APâ+FL组合模型（AP-RAD，FL-RAD和APâ+fl-RAD）构建了放射学特征数据集。其中，套索正规化分别保留了4（AP），2（fl）和8（APâ+fl）判别特征（图。 3）。Shap摘要点图用Shap方法描述了全局模型的解释，并通过预测崩溃的重要性来对特征进行排名。根据结果​​，在AP视图中具有最高外形值的功能是Original_shape_maximum2DdiamEterColumn，Original_shape_meshvolume和Original_gldm_largedippendependencehighgraylelevelemphasis。FL视图中最有影响力的功能是Original_shape_maximum2ddiameterrow和Original_glszm_graylevelnoninorifity。AP+fl组合视图中最有影响力的功能包括Original_shape_maximum2DdiamEterColumn（AP视图），Original_Shape_Meshvolume（AP View），Original_Shape_Maximum2Ddiameterrow（fl View）和Original_Firstorder_maximim（AP View）。

图3
figure 3

根据多视图AP和FL放射线特征及其组合（APâ+fl）特征选择了最佳图像放射线特征和相应的形状值。垂直轴上的每一行都表示放射线特征，而水平轴表示形状值。每个点代表一个样本。基于受影响的臀部的每个特征的形状值生成点。点的颜色代表了放射线特征对分类器模型预测结果的贡献。红色表示较高的特征值，而蓝色表示特征值较低。股骨头塌陷的可能性随特征的形状值的增加而增加。AP-RAD：AP视图模型放射线特征数据集。FL-RAD：FL视图模型放射线特征数据集。apâ+fl-rad：apâ+fl组合视图模型放射线学特征数据集。

在培训数据集中，所有放射线模型的表现都很好。但是，在测试集中，AP+FL-RAD模式中的SVM分类器以0.904的AUC达到了最佳的全面预测性能，高于RF（0.826）和SGD（0.813）（在表格中）（表）（表）（表） 2）。此外，与这些分类器模型中的单个AP或FL模式相比，AP+FL组合模式始终显示出更好的全面性能。对于SVM模型，AP+fl组合模式的AUC高于单个AP或FL模型的AUC（0.917 vs. 0.868 vs. 0.868 vs. 0.875在训练组中，0.904 vs. 0.837 vs. 0.837 vs. 0.835 vs. 0.835）。图 4A显示了SVM模型下AP，FL和APâ+FL模式中训练和测试集的ROC曲线和AUC分析。表2每个模型预测ONFH崩溃的有效性。

图4
AP-RAD模型，FL-RAD模型和SVM下的APâ+FL-RAD模型的性能在预测ONFH的崩溃时的性能。
figure 4

使用接收器操作特性（ROC）曲线证明了训练和测试集中的模型性能。垂直轴代表真实的正速率（TPR），而水平轴表示假正（FPR）。将与每个阈值相对应的FPR和TPR值绘制为坐标点，并连接以形成ROC曲线。训练和测试集中不同模式下的SVM模型的校准曲线。Y轴代表塌陷的实际概率，而X轴表示预测的崩溃概率。斜率为1的虚线表示理想的校准曲线，表明预测和实际概率之间的一致性是完美的一致性。模型的预测校准曲线越接近理想校准曲线，模型的预测性能就越好。AP-RAD：AP视图模型放射线特征数据集。FL-RAD：FL视图模型放射线特征数据集。apâ+fl-rad：apâ+fl组合视图模型放射线学特征数据集。

AP+FL-RAD SVM模型表现出优异的判别能力（AUC = 0.904，95％CI 0.829 0.978），在外部测试集上具有81.8％的灵敏度。尽管其在训练集上的校准性能略低于AP-RAD模型，但其概率预测与测试集中观察到的结果更好地对齐（图。 4b），表明在各种情况下对数据分布变化的鲁棒性。为了确保放射素学模型的稳定性和可持续性，我们最终在AP+FL组合模式下选择了SVM模型作为最佳放射组模型。

我们还探索了最佳放射素模型特征的边际效应以及崩溃风险和放射线特征之间的相关性（补充图。S1在线的）。

机器学习模型与手动识别之间的比较

为了比较机器学习模型和手动识别的预测性能，我们使用测试集评估了它们预测崩溃的能力。六个正骨者检查的个体结果显示在表中 3。矫形主义者之间预测结果的一致性显示出很大的差异，并且它们的预测结果与实际结果之间存在很大差异（表格 4）。

表3 6位正本主义者对崩溃预测的表现。
表4骨科医生和实际结果中Cohen的Kappa分析表现出的互置可靠性。

最佳操作阈值值为0.591（通过最大化Youden索引评估）用于最佳模型的ROC曲线构建（补充图。S2在线的）。图 5显示了每个矫形器和最佳预测模型的预测结果的混淆矩阵。DeLong的测试用于检测模型和三名参加外科医生之间的AUC差异。如图所示 6，SVM模型的表现明显优于三名参加外科医生（p对于SVM模型与三个骨科医生的比较，值为0.014、0.004和0.045）。图5

SVM模型和每个骨科外科医生的预测结果的混淆矩阵。
figure 5

垂直轴代表测试集中崩溃和非折叠的实际分类，而水平轴表示预测的分类。正方形越暗，预测与现实相匹配的案例数越高。apâ+fl-rad_svm：使用SVM构建的APâ+fl组合视图模型。

图6
figure 6

AP+FL-RAD_SVM模型的性能以及在测试集中参加外科医生。Y轴代表灵敏度，X轴代表特异性。这p - 图中的值表示不同骨科医生的AUC与SVM模型之间的比较。apâ+fl-rad_svm：使用SVM构建的APâ+fl组合视图模型。

讨论

在这项研究中，我们基于AP+fl的髋关节X射线图像的Reptine Compline Choble训练了放射素SVM模型，以有效预测ARCO II期ONFH中的股骨头塌陷。该模型在预测能力方面的表现优于参加骨科医生。

鉴于保留股骨头是一个优先事项，尤其是在年轻患者中，准确地预测股骨头塌陷对于选择适当的治疗至关重要。先前的研究提出了可在髋关节图像上观察到的几个风险指标16，坏死病变范围> 30％20，，，，21，前外侧股骨头的病变区域18，，，，22，，，，23和硬化带比例<30％24。但是，由于多维参数测量挑战挑战，当前的成像预后标记缺乏临床可行性，并且高度依赖临床医生的经验和判断，从而导致预测一致性差。正如我们的研究表明，不同医生之间的科恩·卡帕（Cohen s Kappa）值保持<0.5，表明临床医生之间的崩溃预测和判断力显着差异。与ONFH诊断的清晰成像表现不同，股骨头坏死的当前预测方法在临床应用中保持复杂，缺乏稳定性，因此难以推广。因此，迫切需要更准确，客观和简单的方法。

由于人工智能的快速发展，放射线学和机器学习在近年来诊断和治疗骨骼和关节疾病方面表现出了非凡的能力。使用带注释的图像数据，一些人工智能算法在各种髋关节疾病领域都取得了出色的性能。人工智能在ONFH诊断，分期和分类中的应用每年增加，并且表现出色12，，，，13，，，，14。目前，大多数用于ONFH的机器学习模型都集中在诊断和分类上。Chen等。25提出了一个使用AP和FL X射线的深度学习模型，以预测非血管化腓骨移植在ONFH中的功效，从而实现良好的预测性能。在预测非创创伤性崩溃的风险随着自然进展时，Hernigou26根据早期非创伤性股骨头的与骨分子相关的变量，开发了一种机器学习算法，报道了24个月的倒塌预测中的准确性= 0.712。它不如我们。该结果可能是由于手动策划临床特征的固有选择偏差所致。

我们的研究主要训练了基于X射线的放射线计算机学习模型，以预测早期ONFH的崩溃。基于原始图像并利用智能计算来构建模型的放射线学会根据股骨头的内部结构而客观地反映潜在的相关预测信息，从而提供了有价值的预测参考。尽管深度学习在医学成像中表现出了显着的功能，但传统的机器学习方法仍然具有重要的价值。最近的研究27，，，，28已经表明，传统的机器学习方法可以在某些任务中实现与深度学习模型相当甚至优越的性能，尤其是对于有限的数据集或直接问题。在成像方法选择方面，尽管MRI在检测早期病变方面具有更大的敏感性，但X射线由于其可及性和能够很好地揭示了ARCO II阶段ONFH的骨变化而保持关键的临床实用性。因此，使用X射线图像开发的放射组学模型可以为临床医生提供快速，低成本的诊断辅助工具，从而更好地预测因ONFH而崩溃的风险。

鉴于放射素特征在医学应用中的临床解释性的重要性，最终模型采用了塑形值。我们的研究表明，shape_maximum2diametercolumn（AP视图），shape_meshvolume（AP视图）和shape_maximum2ddiameterrow（fl View）对最终崩溃预测有很大贡献。这些特征来自医学图像中ROI的形状分析。shape_maximum2diametercolumn（AP视图）表示AP视图中坏死区域的最大二维直径，其值较大，表明更广泛或不规则的坏死病变。shape_meshvolume（AP视图）测量封闭AP视图中ROI的3D网格体积，从而估算了坏死区域的整体尺寸。较大的网格量通常表明更广泛的病变。类似于shape_maximum2diametercolumn（AP视图），Shape_maximum2Diameterrow（FL视图）在FL视图中测量病变的最大2D直径，从不同的角度提供有关病变程度的其他信息。Shap图表明，这三个特征的较大值更容易容易股骨头塌陷，这与以前的研究一致17，，，，20，，，，26，，，，29，，，，30。Original_firstorder_maximum（AP视图）属于一阶统计类别，并反映了分析的图像区域内观察到的最亮的像素值，通常与图像中最高强度信号的区域有关。在ONFH的背景下，这可能与股骨头内坏死界面（硬化频带）的形成有关。指的是Shap图，因为原始_firstord_maximim（AP视图）的值增加，股骨头塌陷的概率降低了。这表明硬化带的形成可能会在一定程度上延迟股骨头塌陷。此外，灰度纹理特征（主要包括GLDM特征）在预测崩溃风险方面也获得了很高的分数。较大的特征值表示图像中具有高灰色值的区域中更均匀的纹理。基于这些发现，坏死区域的结构异常，例如血液停滞，水肿，小梁骨折和囊性变化，也可能会显着影响崩溃的发生。

先前的研究17，，，，18，，，，19，，，，22，，，，25have confirmed that both anterior and lateral necrotic lesions of the femoral head are significant prognostic factors for collapse.The combination of X-ray AP and FL views effectively displays the anterior and lateral boundaries of the femoral head, which are highly valuable for predicting femoral head collapse.Meanwhile, our results showed that the femoral head collapse prediction model constructed by combining AP and FL views exhibited better comprehensive prediction results than models using single-view image features alone in both training and test sets.By integrating information from both the AP and FL views, our radiomics signature offers a more holistic assessment of the femoral head’s structural integrity and combines more anatomically complementary features to enhance the generalization ability of the model.This also confirms previous findings.

Considering their widespread use and proven performance in related fields31，，，，32，，，，33，，，，34, SVM, RF, and SGD were selected for our study.The RF exhibited overfitting tendencies, as it performed best in the training set but exhibited significantly reduced prediction performance in the test set (training vs. test AUC: 0.952 vs. 0.826).Although the calibration curve of the AP + FL-Rad_SVM model does not fit the diagonal perfectly, it still shows a higher match between the model’s predicted probabilities and the actual probabilities.Considering that current calibration issues may be affected by data imbalances from different institutions, the model still demonstrates strong discriminative and generalization capabilities, as shown by the high and close AUC values in both the training and test sets.To ensure the stability and generalization of the radiomics model, we ultimately selected the AP + FL-Rad_SVM model as the optimal radiomics model, which achieved excellent performance in predicting femoral head collapse in ARCO stage II ONFH and demonstrated a significant advantage over inexperienced orthopaedic surgeons.

这项研究有几个局限性。First, plain radiographs cannot identify ARCO stage I necrosis;therefore, our dataset is relatively small, as we only included ONFH with ARCO stage II.No independent validation dataset was established, and the model’s generalization performance has not been fully validated.Second, we only used plain radiographs of the hip joint in this study, while CT and MRI scans may provide more imaging information.Further studies will explore and validate whether CT- and MRI-based imaging information can improve model performance.Finally, manual segmentation of ROI remains inevitably subjective.We hope to achieve complete automation through deep learning in the future.A prospective multi-center study is needed to provide more robust clinical performance.

结论

In conclusion, our study proposed various machine learning models based on X-ray AP and FL views.The SVM model exhibited the optimal predictive performance and may serve as a potential predictive tool for collapsed risk, assisting in the selection of appropriate hip preservation strategies in the clinical decision-making processes of early ONFH patients.Although our model presented promising results, further studies using large-scale external test data are still required to investigate the model’s efficacy in real-world settings.

数据可用性

The datasets generated or analyzed during the study are available from the corresponding author by reasonable request.

参考

  1. Mont, M. A. et al.Nontraumatic osteonecrosis of the femoral head: Where do we stand today??A 5-Year update.J. Bone Jt.外科。是。 102(12), 1084–1099.https://doi.org/10.2106/JBJS.19.01271（2020）。

    文章一个 Google Scholar一个 

  2. Mont, M. A. et al.The natural history of untreated asymptomatic osteonecrosis of the femoral headA systematic literature review.J. Bone Jt.外科。是。 92(12), 2165–2170.https://doi.org/10.2106/JBJS.I.00575（2010）。

    文章一个 Google Scholar一个 

  3. Roth, A. et al.S3-Guideline non-traumatic adult femoral head necrosis.拱。校正。创伤。外科。 136(2), 165–174.https://doi.org/10.1007/s00402-015-2375-7（2016）。

    文章一个 CAS一个 PubMed一个 Google Scholar一个 

  4. Takashima, K. et al.Which classification system is most useful for classifying osteonecrosis of the femoral head?临床校正。relat。res。 476(6), 1240–1249.https://doi.org/10.1007/s11999.0000000000000245（2018）。

    文章一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  5. Yoon, B. H. et al.The 2019 revised version of association research circulation osseous staging system of osteonecrosis of the femoral head.J. Arthroplasty 35(4), 933–940.https://doi.org/10.1016/j.arth.2019.11.029（2020）。

    文章一个 PubMed一个 Google Scholar一个 

  6. Mont, M. A. et al.Nontraumatic osteonecrosis of the femoral head: Where do we stand today?A ten-year update.J. Bone Jt.外科。是。 97(19), 1604–1627.https://doi.org/10.2106/JBJS.O.00071（2015）。

    文章一个 Google Scholar一个 

  7. Clohisy, J. C. et al.The frog-leg lateral radiograph accurately visualized hip cam impingement abnormalities.临床校正。relat。res。 https://doi.org/10.1097/BLO.0b013e3180f60b53（2007）。462:115 – 21.

    文章一个 PubMed一个 Google Scholar一个 

  8. Wei, Q. S. et al.Combining frog-leg lateral view May serve as a more sensitive X-ray position in monitoring collapse in osteonecrosis of the femoral head.J. Hip Preserv.外科。 9(1), 10–17.https://doi.org/10.1093/jhps/hnac006（2022）。

    文章一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  9. Konan, S., Rayan, F. & Haddad, F. S. Is the frog lateral plain radiograph a reliable predictor of the alpha angle in femoroacetabular impingement?J. Bone Jt.外科。br。 92(1), 47–50.https://doi.org/10.1302/0301-620X.92B1.22359（2010）。

    文章一个 CAS一个 Google Scholar一个 

  10. Fan, Y. et al.Diagnostic value of necrotic lesion boundary in bone collapse of femoral head osteonecrosis.int。校正。 46(3), 423–431.https://doi.org/10.1007/s00264-021-05081-7（2022）。

    文章一个 PubMed一个 Google Scholar一个 

  11. Li, Y., Li, Y. & Tian, H. Deep learning-based end-to-end diagnosis system for avascular necrosis of femoral head.IEEE J. BIOMED。Health Inf. 5(6), 2093–2102.https://doi.org/10.1109/JBHI.2020.3037079（2021）。

    文章一个 Google Scholar一个 

  12. Wang, P. et al.Deep learning for diagnosing osteonecrosis of the femoral head based on magnetic resonance imaging.计算。Methods Progr.生物。 208, 106229.https://doi.org/10.1016/j.cmpb.2021.106229（2021）。

    文章一个 Google Scholar一个 

  13. Shen, X. et al.Deep learning approach for diagnosing early osteonecrosis of the femoral head based on magnetic resonance imaging.J. Arthroplasty。38(10), 2044–2050.https://doi.org/10.1016/j.arth.2022.10.003（2023）。文章

    一个 PubMed一个 Google Scholar一个 Klontzas, M. E. et al.Deep learning enables the differentiation between early and late stages of hip avascular necrosis.

  14. 欧元。radiol。 34(2), 1179–1186.https://doi.org/10.1007/s00330-023-10104-5（2024）。

    文章一个 PubMed一个 Google Scholar一个 

  15. Zhao, D. et al.Guidelines for clinical diagnosis and treatment of osteonecrosis of the femoral head in adults (2019 version).J. Orthop。Translat。21, 100–110.https://doi.org/10.1016/j.jot.2019.12.004（2020）。文章

    一个 PubMed一个 PubMed Central一个 Google Scholar一个 Kuroda, Y. et al.Classification of osteonecrosis of the femoral head: Who should have surgery?

  16. Bone Jt.res。 8(10), 451–458.https://doi.org/10.1302/2046-3758.810.BJR-2019-0022.R1（2019）。

    文章一个 CAS一个 Google Scholar一个 

  17. Nishii, T. et al.Significance of lesion size and location in the prediction of collapse of osteonecrosis of the femoral head: A new three-dimensional quantification using magnetic resonance imaging.J. Orthop。res。 20(1), 130–136.https://doi.org/10.1016/S0736-0266(01)00063-8（2002）。

    文章一个 PubMed一个 Google Scholar一个 

  18. Kubo, Y. et al.The effect of the anterior boundary of necrotic lesion on the occurrence of collapse in osteonecrosis of the femoral head.int。校正。 42(7), 1449–1455.https://doi.org/10.1007/s00264-018-3836-8（2018）。

    文章一个 PubMed一个 Google Scholar一个 

  19. Wei, Q. S. et al.Predicting collapse in osteonecrosis of the femoral head using a new method: Preserved angles of anterior and lateral femoral head.J. Bone Jt.外科。是。 04(Suppl 2), 47–53.https://doi.org/10.2106/JBJS.20.00507（2022）。

    文章一个 Google Scholar一个 

  20. Ansari, S. et al.Prediction of collapse in femoral head osteonecrosis: Role of volumetric assessment.Hip Int. 32(5), 596–603.https://doi.org/10.1177/1120700020978587（2022）。

    文章一个 PubMed一个 Google Scholar一个 

  21. Min, B. W. et al.Untreated asymptomatic hips in patients with osteonecrosis of the femoral head.临床校正。relat。res。 466(5), 1087–1092.https://doi.org/10.1007/s11999-008-0191-x（2008）。

    文章一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  22. Utsunomiya, T. et al.Effects of the location of both anterior and lateral boundaries of the necrotic lesion on collapse progression in osteonecrosis of the femoral head.J. Orthop。科学。 29(2), 552–558.https://doi.org/10.1016/j.jos.2023.01.011（2024）。

    文章一个 PubMed一个 Google Scholar一个 

  23. Ohzono, K. et al.The fate of nontraumatic avascular necrosis of the femoral head.A radiologic classification to formulate prognosis.临床校正。relat。res。 277(4), 73–78 (1992).

  24. Yu, T. et al.Prediction of osteonecrosis collapse of the femoral head based on the proportion of the proximal sclerotic rim.int。校正。 39(6), 1045–1050.https://doi.org/10.1007/s00264-014-2602-9（2015）。

    文章一个 PubMed一个 Google Scholar一个 

  25. Chen, H. et al.A Deep-Learning model for predicting the efficacy of non-vascularized fibular grafting using digital radiography.学院。radiol。 31(4), 1501–1507.https://doi.org/10.1016/j.acra.2023.10.023（2024）。

    文章一个 PubMed一个 Google Scholar一个 

  26. Hernigou, P. Revisiting prediction of collapse in hip osteonecrosis with artificial intelligence and machine learning: A new approach for quantifying and ranking the contribution and association of factors for collapse.int。校正。 47(3), 677–689.https://doi.org/10.1007/s00264-022-05631-7（2023）。

    文章一个 PubMed一个 Google Scholar一个 

  27. Santoro, D., Ciano, T. & Ferrara, M. A comparison between machine and deep learning models on high stationarity data.科学。代表。 14(21), 19409.https://doi.org/10.1038/s41598-024-70341-6（2024）。

    文章一个 CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  28. Zvuloni, E. et al.On merging feature engineering and deep learning for diagnosis, risk prediction and age Estimation based on the 12-Lead ECG.IEEE Trans。生物。工程。 70(7), 2227–2236.https://doi.org/10.1109/TBME.2023.3239527（2023）。

    文章一个 PubMed一个 Google Scholar一个 

  29. Steinberg, M. E. et al.Does lesion size affect the outcome in avascular necrosis?临床校正。relat。res。 367(10), 262–271 (1999).

  30. Steinberg, M. E. et al.Lesion size measurement in femoral head necrosis.int。校正。 42(7), 1585–1591.https://doi.org/10.1007/s00264-018-3912-0（2018）。

    文章一个 PubMed一个 Google Scholar一个 

  31. Zheng，Y。等。CT-based radiomics analysis of different machine learning models for differentiating benign and malignant Parotid tumors.欧元。radiol。 32(10), 6953–6964.https://doi.org/10.1007/s00330-022-08830-3（2022）。

    文章一个 PubMed一个 Google Scholar一个 

  32. Batur, H., Mendi, B. A. R. & Cay, N. Bone marrow lesions of the femoral head: Can radiomics distinguish whether it is reversible?pol。J. Radiol。 88, e194–e202.https://doi.org/10.5114/pjr.2023.127055（2023）。

    文章一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  33. Liu，J。等。Novel Radiomics-Clinical model for the noninvasive prediction of new fractures after vertebral augmentation.学院。radiol。 30(6), 1092–1100.https://doi.org/10.1016/j.acra.2022.06.022（2023）。

    文章一个 PubMed一个 Google Scholar一个 

  34. Yin, P. et al.Clinical-radiomics models based on plain X-rays for prediction of lung metastasis in patients with osteosarcoma.BMC Med。Imaging 23(1), 40https://doi.org/10.1186/s12880-023-00991-x（2023）。

下载参考

致谢

We sincerely thank the radiologists of Department of Radiology of our institution for their help.

资金

This work was supported by the National Natural Science Foundation of China (No. 82374478);the Department of Education of Guangdong Province (No.2020ZDZX3010);and the Department of Science and Technology of Guangdong Province (No. 2023A1515010551).

作者信息

作者注意

  1. Yaqing He and Yang Chen contributed equally to this work.

作者和隶属关系

  1. The Third Clinical Medical College of Guangzhou University of Chinese Medicine, Guangzhou, Guangdong, People’s Republic of China

    Yaqing He, Yusen Chen, Pingshi Li, Le Yuan & Maoxiao Ma

  2. School of Medical Information Engineering, Guangzhou University of Chinese Medicine, 232 Wide Ring East Road, Panyu District, Guangzhou, 510006, Guangdong, People’s Republic of China

    Yang Chen & Wu Zhou

  3. Department of Orthopaedics, The First Affiliated Hospital of Guangzhou University of Chinese Medicine, Guangzhou, Guangdong, People’s Republic of China

    Yuhao Liu

  4. Traumatology and Orthopaedics Institute, Guangzhou University of Chinese Medicine, 261 Longxi Avenue, Liwan District, Guangzhou, 510378, Guangdong, People’s Republic of China

    Wei He & Leilei Chen

  5. Department of Orthopaedics, The Third Affiliated Hospital of Guangzhou University of Chinese Medicine, Guangzhou, Guangdong, People’s Republic of China

    Wei He & Leilei Chen

贡献

Y.Q.H.was responsible for study implementation and data analysis, Y.C.was responsible for model construction.Y.Q.H.and Y.C.wrote the main manuscript text.Y.S.C., P.S.L., and Y.H.L contributed to data collection and follow-up.L.Y.and M.X.M.reviewed and illustrated the research process.W.H.provided guidance on clinical problems.W.Z.provided guidance on the development of the methodology and model construction.L.L.C.was responsible for the study design and correspondence.所有作者都阅读并批准了最终手稿。Y.Q.H.and Y.C.contributed equally to this work, and W.Z.and L.L.C.contributed to the work equally.

相应的作者

对应Wu Zhou或者Leilei Chen。

道德声明

竞争利益

作者没有宣称没有竞争利益。

附加信息

Publisher’s note

关于已发表的地图和机构隶属关系中的管辖权主张，Springer自然仍然是中立的。

Electronic supplementary material

以下是电子补充材料的链接。

引用本文

Check for updates. Verify currency and authenticity via CrossMark

He, Y., Chen, Y., Chen, Y.

等。X-ray based radiomics machine learning models for predicting collapse of early-stage osteonecrosis of femoral head.Sci代表15 , 13646 (2025).https://doi.org/10.1038/s41598-025-94878-2

下载引用

  • 已收到：

  • 公认：

  • 出版：

  • doi：https://doi.org/10.1038/s41598-025-94878-2

关键字

关于《基于X射线的放射线机器学习模型，用于预测股骨头早期骨坏死的崩溃》的评论

暂无评论

发表评论



摘要

He等人的文章。（2025）标题为“基于X射线的放射线机器学习模型，用于预测股骨头的早期骨坏死的崩溃”，重点是使用X射线和机器学习技术开发预测模型，以预测患有股骨头早期骨质骨骼的患者的进展。###文章的要点：1。**目标**：该研究旨在开发基于放射线学的机器学习模型，利用普通的X射线图像来预测股骨头（ONFH）的早期骨坏死的崩溃。2。**方法论**： - **数据收集和预处理**：研究人员从诊断为早期ONFH的患者中收集了X射线图像。 - **特征提取**：使用用于放射线分析的软件工具提取了放射线特征。 - **模型开发**：机器学习模型，包括逻辑回归，支持向量机（SVM），随机森林（RF）和梯度提升机（GBM），以预测ONFH的进展。3。**结果**： - 该研究根据其预测性能评估了几种机器学习算法。 - 根据指标，例如准确性，精度，召回，F1得分和曲线（AUC）（AUC）的面积，确定了表现最佳的模型。4。**结论**：放射线学与先进的机器学习技术相结合可以提供有关早期阶段崩溃的进展的有价值的预测，可能有助于早期干预策略。###作者的贡献： - ** Yaqing He **和** Yang Chen **：参与研究实施，数据分析，模型构建和编写主要手稿的同等贡献者。 - ** Yusen Chen **，** Pingshi li **和** le yuan **：为数据收集，后续研究，审查研究过程和说明结果做出了贡献。 - ** Maoxiao ma **和** Wu Zhou **：提供了有关临床问题和方法开发的批判性审查和指导。 - ** WEI HE **，** Yuhao Liu **和** Leilei Chen **：参与了研究的各个方面，包括数据收集，模型构建和整体项目设计。###道德考虑：作者没有宣称没有竞争利益。该研究遵守患者同意和机密性方面的道德准则。###未来方向：这项工作为进一步调查了使用更先进的成像方式和较大数据集对骨坏死的预测模型的基础，有可能导致个性化的治疗计划和更好的临床结果。###资金致谢：这项研究得到了中国国家自然科学基金会的赠款（第82374478号赠款），广东省教育部（No.2020ZDZX3010）和广东省科学技术部（No. 2023aa151501010551）的支持。###发布者注：该文章是根据Creative Commons归因4.0国际许可证获得许可的，只要给予作者和资源，就可以广泛使用和分发。这项研究对整形外科诊断的放射素学和机器学习领域产生了重大贡献，为早期干预骨坏死患者提供了有希望的途径。

相关新闻

相关讨论