0 引言

       椎体骨折是一种由骨质疏松、急性创伤、肿瘤浸润等因素导致以椎体骨质连续性及完整性中断为特征的一类疾病^[1]，常发生于中老年人。随着社会人口平均寿命的增加，椎体骨折的发生率逐年递增，对中老年人的健康及生活质量造成极大的危害，同时给社会及家庭带来巨大的经济负担^[2]。近年来，人工智能不断发展，常规的影像学图像已不再仅局限于疾病的诊断^[3]。目前，影像组学在恶性肿瘤的发病风险预测、诊断及鉴别诊断、疗效及预后评价等方面表现出极大的临床应用价值^{[4, 5, 6, 7]}。许多文献也相继报道了影像组学技术在椎体骨折诊疗方面的研究，本文对影像组学在诊断椎体骨折、鉴别椎体骨折类型、预测椎体骨折及再骨折风险的研究现状和影像组学研究椎体骨折的局限性进行综述，并探讨影像组学在椎体骨折诊疗中的应用价值和未来热点研究方向，旨在为推动该领域进一步研究，促进影像组学技术在椎体骨折临床中的应用。

1 椎体骨折影像学诊疗现状

       目前，临床诊断椎体骨折的主要方法包括X线、CT和MRI^[8]。X线片操作简单、价格低廉，是临床上诊断椎体骨折的首选方法^[9]，但其敏感度较低，且对隐匿性较强的椎体压缩性骨折易造成漏诊。CT检查相较于X线片在显示细微骨折方面更有优势，但其无法准确鉴别新鲜及陈旧性椎体骨折。MRI可清楚显示骨髓水肿，是鉴别新鲜与陈旧性椎体骨折的金标准^[10]，也可为良、恶性椎体骨折的临床判定提供依据^[11]，但其价格昂贵、扫描时间长，且不适用于具有幽闭恐惧症和金属植入的患者，因此导致椎体骨折诊断受限。

2 影像组学概述

       荷兰学者LAMBIN等^[12]最早基于图像特征可量化分析的猜想提出影像组学（radiomics）这一概念。相较于传统影像学，影像组学是从常规的影像学图像中提取高通量数据，通过人工智能对高维数据进行分析，再经过数据特征降维、模型构建、性能验证等流程后服务于临床^[13]。影像组学研究首先需要从X线、CT、MRI等检查中获取高质量、标准化的图像。再通过手动或自动（半自动）方法对目标图像感兴趣区域（region of interest, ROI）进行分割。目前常用的手动分割工具有3D slicer、Image J、ITK-SNAP等软件。有研究表明，手动分割ROI虽然耗时多、可重复性低，但其相较于自动分割具有更高的准确性^[14]。而后运用Pyradiomics、Artificial Intelligence Kit等软件进行影像组学特征提取，并对提取的影像组学特征进行降维处理。基于降维筛选后的最佳影像组学特征，通过逻辑回归（logistic regression, LR）、随机森林（random forest, RF）、支持向量机（support vector machine, SVM）等算法构建分类模型。最后，通过准确率、召回率、特异度、受试者工作特征（receiver operating characteristic, ROC）曲线及曲线下面积（area under the curve, AUC）等评价指标对模型性能进行客观评价。

3 影像组学在椎体骨折诊疗中的应用

3.1 诊断椎体骨折

       目前椎体骨折的诊断依靠临床医师对影像学图像的判读，易受主观因素影响，而造成一定比例的漏诊^[15]。有研究表明，基于机器学习构建的影像组学模型在诊断椎体骨折中的准确率与人工读片无明显差异，而且在诊断效率方面优于人工^[16]。CHEN等^[17]通过对腹部X线平片进行影像组学特征提取，构建进行机会性筛查椎体骨折的深度卷积神经网络模型（deep convolutional neural network, DCNN），结果显示该模型筛查椎体骨折的准确率为73.59%，AUC值为0.72。在另一研究中，MURATA等^[18]分析胸腰椎X线正侧位图像，构建诊断椎体骨折的DCNN模型，并与骨科、脊柱外科临床医师读片结果进行对比，结果显示该模型诊断椎体骨折的准确率为86%，不逊色于临床医师读片的准确率。

       对于隐匿性椎体骨折，其皮质连续，仅有骨小梁的破坏，难以在X线及CT检查中得到诊断^[19]。LI等^[20]为增加CT平扫诊断隐匿性椎体骨折的概率，分别对CT平扫中矢状位和冠状位椎体图像进行影像组学特征提取，运用LR算法，构建诊断隐匿性椎体骨折的影像组学模型。在该研究中基于矢状位图像构建的影像组学模型性能最佳，其诊断隐匿性椎体骨折的准确率为84.6%，在训练集和验证集的AUC分别为0.832和0.882。影像组学在隐匿性椎体骨折诊断方面或许可提高诊断效率及准确率，但目前对于诊断隐匿性骨折方面的研究尚少，且未能与患者临床资料相结合，研究结果尚缺乏说服力。

       骨质疏松性椎体骨折（osteoporotic vertebral fractures, OVF）多发于绝经后女性及老年男性，但由于早期OVF症状轻微、发生发展过程隐匿、患者及医师重视不足等因素，致使其漏诊率居高不下^[21]。OVF的及早诊断与治疗对患者生命健康至关重要，不仅可以改善活动受限、疼痛等症状，还可以避免再骨折的发生。在一项多中心回顾性研究中，SHEN等^[22]基于胸腰椎X线侧位片构建诊断OVF的影像组学模型以提高X线检查对OVF的检出率，在该项研究中影像组学模型表现出优异的性能，结果显示该模型在外部验证集中诊断OVF的准确率高达96.85%。此外，RYU等^[23]通过对腰椎X线侧位片进行分析，运用U-Net算法构建诊断椎体压缩性骨折的影像组学模型，该模型在内部、外部验证集中均具有良好的准确率。人口老龄化日益加剧，骨质疏松人群庞大，进而导致椎体脆性骨折发病率逐年递增，但目前OVF的诊断现状仍以诊断率低、漏诊率高为特点^[24]。影像组学作为一种新兴的技术手段，将常规的影像学图像转化为可挖掘的数据，可为椎体骨折的诊断提供客观依据，同时也可提高椎体骨折的诊断率，具有较大的研究价值。但影像组学图像及数据处理工作量大，且需要专业技术和设备的支持，这对基层医疗机构可能存在一定的困难。此外，基层医疗条件日益改善，CT、MRI等检查覆盖人群逐渐广泛，影像组学在诊断椎体骨折方面的优势和临床应用前景还有待商榷。

3.2 鉴别椎体骨折类型

3.2.1 鉴别良、恶性椎体骨折

       椎体骨折依据病因可分为良性和恶性，其中良性病变包括外伤、骨质疏松等，恶性病变多为骨肿瘤、转移瘤等^[25]。在老年人中椎体压缩性骨折很常见，其中也包括一些恶性病变导致的病理性骨折，如何通过无创的方法精确地辨别恶性与良性椎体骨折一直是研究重点。虽然通过MRI检查医师可初步判定良性与恶性^[26]，但其诊断结果易受医师知识储备、临床经验等主观因素影响，从而导致诊断结果缺乏客观性。CHEE等^[27]通过收集椎体压缩性骨折（vertebral compression fractures, VCF）患者的脊柱CT图像，手动分割CT图像椎体皮质边缘和双侧椎弓根前缘绘制三维ROI，并运用logistic回归分析构建鉴别良、恶性椎体骨折的影像组学模型和加入年龄、性别、恶性肿瘤病史等临床资料的影像组学-临床综合模型，两个诊断模型均对良、恶性椎体骨折具有较好的分辨能力，其中影像组学-临床综合模型的诊断能力较单一影像组学模型更佳，其在验证组中的AUC值为0.948。在另一研究中，FOREMAN等^[28]通过回顾过去17年来自两家不同医院的椎体骨折患者的脊柱CT图像，构建区分良、恶性椎体骨折的影像组学模型，结果显示性能最佳的模型在外部验证集中鉴别良、恶性椎体骨折的AUC值为0.76。基于CT图像的影像组学模型将对良恶性椎体骨折的鉴别提供客观参考依据，为进一步诊疗明确方向。

       此外，FENG等^[29]通过分析112例良性、77例恶性VCF患者的脊柱MRI图像，基于T1WI和短T1反转恢复序列图像，构建区分良恶性VCF的影像组学列线图，结果显示，该影像组学列线图具有较好的鉴别性能，在训练集和验证集中的AUC值分别为0.92和0.90。在另一研究中，GENG等^[30]基于脊柱MRI图像分别通过LR、RF、XGBoost等算法联合临床资料构建多个鉴别良恶性VCF的影像组学模型，研究结果发现XGBoost模型具有优异的鉴别诊断性能。对于一些MRI检查难以区分良恶性的VCF，如若重视不足，会导致误诊、漏诊，从而延误治疗。ZHANG等^[31]回顾分析376名难以区分良恶性的VCF患者的MRI图像，基于高斯朴素贝叶斯（Gaussian naive bayes, GNB）、K-最近邻、LR等分类算法构建模型以鉴别难以区分良恶性的VCF，在该研究中GNB模型在验证集中具有较好的性能，其AUC值为0.86，准确率为87.61%。此外，LIU等^[32]在一项研究中基于123例良性及86例恶性VCF的MRI图像构建区分良恶性VCF的影像组学模型，并将该模型的诊断性能与放射科医师的评估结果进行对比，研究发现，该影像组学模型在鉴别良恶性VCF方面比放射科医师具有更高的准确率。综上研究表明，相较于依靠医师临床经验及知识储备鉴别良、恶性椎体骨折，影像组学技术在该方面具有更客观、更精准的优点。

       目前影像组学研究中ROI的分割大多依靠人工手动分割，大大增加了模型构建过程中的工作量，且人工分割易受主观因素的影响不可避免地导致误差，极大地限制影像组学的发展^{[33, 34]}。为解决这一问题，PARK等^[35]开发了一种自动分割ROI的算法，并在其研究中分别对采用自动分割的脊柱骨折CT图像和人工手动分割的图像进行影像组学特征提取处理，构建鉴别良、恶性椎体骨折的影像组学模型，研究中基于自动和手动分割ROI构建的两种模型均具有较好的鉴别性能，在验证集中其AUC值分别为0.83和0.80。结果表明，自动化分割图像ROI可获得与人工手动分割相当的性能，这可降低影像组学研究的工作量，或可促进影像组学进一步应用于临床。

       综上研究发现，影像组学通过高维数据对良、恶性椎体骨折进行初步分析，为临床鉴别良、恶性椎体骨折提供客观依据，具有较大的临床应用价值，是当前影像组学研究椎体骨折中的热点方向。但目前该方面的研究缺乏与临床参数相结合，未来的研究中可以结合患者病史、年龄、肿瘤标志物、骨密度等进行综合分析，以提高模型对良、恶性椎体骨折的鉴别能力。

3.2.2 区分新鲜性与陈旧性椎体骨折

       根据椎体骨折发生时间的长短可分为新鲜性椎体骨折和陈旧性椎体骨折。X线、CT检查难以区分新鲜和陈旧性椎体骨折，而MRI检查中的T2WI脂肪抑制成像可以很好地显示骨髓水肿，从而鉴别新鲜与陈旧性椎体骨折^[36]。但由于MRI检查存在检查禁忌，且费用昂贵、耗时长等因素导致其应用受限^[37]。因此，寻找一种性能优异、经济方便的方法鉴别新鲜与陈旧性椎体骨折是临床亟须解决的问题。CHEN等^[38]通过收集椎体压缩性骨折患者的脊柱X线正侧位片，以MRI为诊断标准，构建鉴别新鲜与陈旧性椎体压缩性骨折深度学习模型，该研究结果表明，基于脊柱X线侧位片构建的模型可以用于区分新鲜和陈旧性VCF，且相较于X线正位片具有更好的鉴别性能。因此，ZHANG等^[39]通过ResNet-50网络结构对1076个椎体的侧位X线图像进行深度学习，并基于RadImageNet和ImageNet数据集构建区分新鲜与陈旧性OVF的影像组学模型，结果显示RadImageNet模型在区分新鲜和陈旧性OVF方面具有更高的诊断价值，当结合临床资料构建影像组学列线图时，模型的诊断性能得到进一步提高，其在外部验证集中的AUC值为0.895。在另一项多中心研究中^[40]，研究团队基于脊柱X线图像构建识别新鲜与陈旧性VCF的深度残差网络模型，该模型对新鲜性VCF表现出较好的识别能力。而YANG等^[41]对脊柱CT图像进行分析，基于降维筛选后的14个影像组学特征，构建模型用于区分新鲜和陈旧性OVF，该模型在验证集中的AUC值为0.82，表明该模型对新鲜和陈旧性OVF具有良好的区分能力。上述研究表明，通过对X线、CT检查图像进行影像组学特征提取构建分类模型，或可成为一种鉴别新鲜与陈旧性椎体骨折简便经济的新方法。但模型构建及检验的过程，无形中增加了医师的工作量，且诊断结果多不如MRI检查更精确，这可能是导致影像组学在鉴别新鲜及陈旧性椎体骨折方面研究及临床应用受限的原因。

3.3 预测椎体骨折及再骨折风险

       预测椎体骨折风险有利于患者进行个体化、精准化的预防，从而降低椎体骨折的发生率。FRAX是世界卫生组织推荐的用于预测患者未来10年髋部、椎体、前臂等部位骨质疏松性骨折概率的骨折风险评估工具^{[42, 43]}。但有研究表明，FRAX纳入预测的危险因素不完善，因此该工具针对我国骨质疏松性骨折发病率的预测存在低估的可能^[44]。KONG等^[45]在一项回顾性研究中基于卷积神经网络（convolutional neural network, CNN）对患者脊柱X线侧位片及临床资料进行训练，构建预测椎体骨折风险的影像组学模型，并与FRAX的预测性能进行比较，结果显示，基于CNN构建的预测模型C指数较FRAX高。在另一项研究中，WANG等^[46]回访216例骨质疏松症患者，其中72例患者在回访期间发生OVF，对随访患者的脊柱CT图像进行影像组学特征提取，采用Cox回归分析确定独立的相关影像因素并建立列线图，结果显示该列线图对OVF发生风险的预测具有较高的准确率（C指数为0.82）。ZHANG等^[47]的一项多中心研究中，综合骨质疏松症患者的骨密度、第三腰椎腰大肌及椎旁肌横截面积等临床资料，并通过对椎体CT图像进行分析构建预测OVF发生风险的影像组学列线图，研究证明，该列线图或可成为预测OVF风险的有效工具。表明影像组学在椎体骨折风险预测方面具有较大的研究价值，有望用于临床指导医师和患者预防椎体骨折的发生。

       椎体增强术是目前治疗骨质疏松性椎体压缩性骨折合并疼痛的常用方法^[48]。然而，许多患者在椎体增强术后1~2年内再次发生新发椎体骨折^[49]，且有研究报道，椎体增强术后新发椎体骨折的发生极大地增加了患者死亡风险^[50]。CAI等^[51]对168名椎体增强术后的患者进行回访，基于患者术前椎体MRI的T2WI图像分运用RF、SVM、XGBoost等算法构建再骨折风险预测模型，结果显示基于XGBoost算法构建的模型具有最优的性能，其AUC值为0.90。而在另一研究中，JIANG等^[52]对椎体MRI图像中的影像组学特征进行提取，运用RF算法构建预测椎体增强术后2年新发椎体骨折风险的模型，该模型对椎体增强术后再骨折发生风险的预测具有较好的临床价值。该团队在另一研究中^[53]，基于拟行椎体增强术患者的MRI图像构建影像组学列线图，以期对术后新发椎体骨折风险进行预测，研究发现基于MRI图像的影像组学列线图对椎体增强术后新发椎体骨折的个体化预测具有很大临床应用前景。此外，WANG等^[54]发现基于脊柱CT图像构建的影像组学列线图对椎体增强术后新发VCF风险具有良好的前瞻性预测能力。由此可见，影像组学在预测椎体强化术后新发椎体骨折风险方面具有较大的研究价值，可在椎体强化术前对临近椎体骨折风险进行客观预测，进而选择更合适的个体化诊疗方案。

       腰背痛是骨质疏松性椎体压缩性骨折的常见症状，大多患者在椎体增强术后疼痛可缓解，但约5%~20%的患者在术后腰背痛缓解不佳^[55]。当下，术前预测残余腰背痛的风险仍具有挑战性。GE等^[56]通过收集患者术前脊柱CT图像，并进行影像组学特征提取、降维筛选8个影像组学特征，基于Rad-score构建预测椎体增强术后残余腰背痛发生风险的影像组学列线图，结果显示该列线图具有较好的临床实用前景，可很大程度上提升患者手术满意度。

       综上，影像组学技术或可成为预测椎体骨折及再骨折风险的有效工具，可为临床预防椎体骨折及再骨折的发生提供客观依据。人口老龄化加剧，影像组学在椎体骨折风险预测方面表现出巨大研究意义和实用价值，但目前影像组学在该领域的研究仍处于探索阶段，尚未寻找到最佳的机器算法以提高模型预测的准确性和稳定性，且尚缺乏多中心、大样本量的研究对预测模型性能进行反复验证。

4 影像组学在椎体骨折诊疗中的局限性及展望

       影像组学是一个影像学与人工智能有机结合的新领域，在诊断隐匿性椎体骨折、提升椎体骨折诊断率、鉴别良恶性椎体骨折、区分新鲜与陈旧性椎体骨折、预测椎体骨折及再骨折风险、预测术后残余症状发生风险等方面有着巨大的研究价值。但目前影像组学在椎体骨折的研究中存在一定的局限性：（1）当今医疗条件下CT、MRI等检查的覆盖面及受众群体日益广泛，影像组学工作流程显得烦琐复杂，尤其是在细微骨折的诊断、新鲜与陈旧性椎体骨折的鉴别方面应用价值有限，此外，影像组学图像、数据的获取和处理需要专业的技术和设备支持，这对于基层医疗机构可能存在一定的困难；（2）影像组学在椎体骨折的研究中感兴趣区域的选取、图像的分割及数据处理等流程缺乏统一、规范的标准；（3）不同椎体间存在结构差异，目前大多数影像组学研究尚未将颈椎、胸椎、腰椎单列研究，而是将其作为整体开展研究并构建影像组学模型，可能会影响模型的准确性；（4）目前影像组学在椎体骨折诊疗的研究大多以单中心、小样本的回顾性研究为主，缺乏多中心、大规模的高质量研究进行验证模型性能；（5）影像组学是临床医学与计算机人工智能相结合的学科，目前一些影像组学在椎体骨折诊疗的研究未能将临床资料与影像组学紧密结合。

5 小结

       影像组学将传统的影像学图像转化为客观的数字信息帮助临床决策，克服了影像学在椎体骨折诊断及鉴别诊断中依赖于医师主观意见的不足，且可通过高通量的数据分析对椎体骨折及再骨折发生风险做出预测，极大地拓宽了传统影像学图像的应用价值，为椎体骨折的临床诊疗提供更多的客观依据。当今社会人口老龄化日益加剧及肿瘤相关疾病发病率增高，影像组学在鉴别良恶性椎体骨折、预测椎体骨折及再骨折发生风险方面表现出巨大的研究价值和临床应用前景，我们相信随着影像组学工作流程日趋标准化、技术不断完善成熟和多中心、大样本、高质量临床研究逐渐深入，日后该技术将更好地应用于椎体骨折的临床诊疗过程。