从三维膝关节参数预测骨关节炎疼痛进展的深度学习方法：一项最新研究

引言疼痛是OA的一个决定性方面，但影像学特征和疼痛之间的确切联系仍然难以捉摸。建立疼痛的客观测量并将其与影像学进展联系起来的能力有助于识别重要的疼痛表型。膝关节骨性关节炎的三维成像评估已经被证明在各种测量中比射线照相术更敏感和准确，但优势尚未转化为疼痛进展的评估和预测。深度学习模型也已从射线照相成像中开发出来，但尚未用于基于表面的三维成像数据。目的开发三维膝关节参数的深度学习（DL）模型，并将其与临床模式和二维放射学模型在预测OA疼痛进展方面的性能进行比较。方法391多中心骨关节炎研究（MOST）144个月随访时获得的双膝WBCT研究可纳入研究。表1显示了本次就诊使用的临床病理学和放射学数据。已经进行了关节空间映射（JSM）来测量三维JSW和骨骼参数，并将它们映射到每个膝盖的标准关节表面上。鉴于先前研究中已知的与JSW的协同作用，胫骨小梁衰减被选为一个可行的骨参数。所有数据分析均使用Python 3.10.11进行。WBCT数据使用open3d 0.17.0从具有幅度的点云迭代重建为稀疏三维阵列（图1）。使用24个月的WOMAC随访数据计算目标特征，该数据包括每个膝关节在每个8个月的间隔内每增加2个或更多点的最小临床重要差异（MCID）的二元结果（R_MCID和L_MCID）。数据被划分为一个测试组和一个测试集，测试比例为0.3。使用Light Gradient Boosting Machine 3.3.2（LightGBM）进行多类别分类，以将临床模式图和二维射线照相特征建模为目标特征。Tensorflow 2.12.0用于构建卷积神经网络（CNN），以将稀疏三维阵列建模为总共61012个参数的目标特征。使用测试集的准确性评估模型性能。结果平均±标准差年龄为63.4±9.5岁，身高169.7±9.5厘米，体重82.4±17.6公斤，15米步行时间15.2±1.9秒，椅子站立时间9.2±2.5秒，其中217名女性和385名（98.5%）白人或高加索人（所有其他加在一起）。KLG、内侧和外侧的JSN在右膝和左膝的大部分等级为0。在24个月的随访期内，0、1、2和3次恶化的R_MCID比例分别为0.69、0.19、0.08和0.04，L_MCID比例为0.70、0.18、0.08和0.04。关于R_MCID和L_MCID靶点，临床形态图特征的准确度分别为0.685和0.568，二维放射学特征的准确率分别为0.505和0.432，三维阵列关节间隙图的准确度为0.690和0.688，胫骨小梁衰减的三维阵列皮质骨图的准确率为0.738和0.675（表2）。结论一种新的CNN模型中的三维定量骨和关节参数与临床形态和二维放射学特征相比，确实提高了患有OA或有患OA风险的老年人群预测未来2年疼痛进展的准确性。由于目标数据不平衡，需要进一步验证，而下一步建模也可能包括原始成像数据。尽管如此，结果表明，从WBCT成像中提取的3D数据可以用DL进行评估，并且与2D放射学评分和临床模式特征相比，3D数据似乎与未来疼痛预测更相关。这可能有利于根据疼痛表型选择临床试验的参与者，特别是考虑到最近感兴趣的镇痛剂，如抗神经生长因子分子。赞助商美国国立卫生研究院、堪萨斯大学（R01AR071648）、爱荷华大学（U01AG18832）和加利福尼亚大学旧金山分校（U01AG1 9069）。披露声明是Integra BioLife、Trice Medical和Pacira Biosciences的顾问。TT一直是Curvebeam AI和葛兰素史克的顾问。致谢作者要感谢MOST研究的参与者和工作人员。通讯地址：〔email protected〕