膝骨关节炎（KOA）是老年人中常见的关节疾病，其早期预测和个性化治疗对预防疾病进展至关重要。尽管现有的X线诊断方法有效，但无法准确评估早期软骨和半月板的微观变化。本研究旨在通过基于磁共振成像（MRI）的关节间隙（JS）放射组学模型（RM），利用半月板和股胫骨软骨的影像特征，开发并验证一种预测KOA发生的新模型，进而提升KOA早期检测的精度。

本研究纳入了来自骨关节炎研究计划（Osteoarthritis Initiative）中的患者，这些患者在基线时没有影像学诊断的KOA，但属于KOA高风险人群。我们选取了随访四年内发展为KOA的患者作为实验组，未发展为KOA的患者作为对照组。研究对象随机分为开发组和测试组（8:2比例），并从基线的三维双回波稳态序列MRI中提取半月板和软骨的影像特征。模型性能通过受试者工作特征曲线（AUC）、敏感性和特异性来评价。此外，九名住院医生在没有和使用JS-RM模型辅助的情况下分别进行MRI阅读，以对比其预测KOA发生的准确性。

结果显示，开发组包含549个膝关节（KOA患者275个膝关节，对照组274个膝关节），测试组包含137个膝关节（KOA患者68个膝关节，对照组69个膝关节）。在测试组中，JS-RM模型预测KOA发生的AUC为0.931（95% CI 0.876-0.963），敏感性为84.4%（95% CI 83.9%-84.9%），特异性为85.6%（95% CI 85.2%-86.0%）。九名住院医生在无JS-RM辅助下预测KOA的平均敏感性和特异性分别为0.586（95% CI 0.429-0.743）和0.474（95% CI 0.333-0.614），而在JS-RM辅助下，这些数值分别提高至0.812（95% CI 0.742-0.881）和0.874（95% CI 0.847-0.901），差异具有统计学意义（P < 0.001）。

研究设计与主要结果

本研究显示，基于MRI的关节间隙放射组学模型整合了半月板和软骨特征，显著提升了KOA影像学诊断的预测精度。该模型不仅具有较高的敏感性和特异性，还能够有效辅助临床医生提高KOA早期检测的准确性。未来该模型有望应用于临床，实现膝骨关节炎的个性化预测和早期干预。

原始出处

Integrating Radiomics and Neural Networks for Knee Osteoarthritis Incidence Prediction. Arthritis Rheumatol. 2024 Sep;76(9):1377-1386. doi: 10.1002/art.42915. Epub 2024 Jul 8. PMID: 38751101.