《Scientific Reports》：Learning from multiple readings for axial spondyloarthritis classification of the sacroiliac joints
编辑推荐：
磁共振成像（MRI）是评估中轴型脊柱关节炎（axSpA）的关键，但目前病灶判读存在显著的观察者间和观察者内变异。本研究开发了全自动机器学习系统，用于骶髂关节（SIJ）轮廓提取及五类病灶（骨髓水肿、强直、硬化、侵蚀、脂肪病灶）的分类。该系统利用T1加权和STIR序列，并采用多专家读片学习框架建模读片变异性，在多个临床数据集中实现了专家级的性能（AUC达0.85-0.99）。其结果表明，该技术可降低读片负担与变异，有望提升大规模axSpA MRI研究的可靠性与效率。
想象一下，医生需要通过阅读一张张复杂的脊柱磁共振影像，来诊断和监测一种名为“中轴型脊柱关节炎（axial spondyloarthritis， axSpA）”的慢性炎症性疾病。这种疾病主要侵袭人体的骶髂关节（sacroiliac joints， SIJs）、脊柱等部位，导致疼痛、僵硬甚至关节融合。磁共振成像（MRI）是发现早期炎症和结构改变、评估病情进展的“金标准”工具。然而，一个长久以来的难题横亘在精准医疗面前：即使是经验丰富的影像科医生，对同一张MRI图像上是否存在病灶、以及病灶属于哪种类型（如骨髓水肿、硬化、侵蚀等）的判断，也常常存在差异。这种“观察者间变异”和同一医生在不同时间阅读产生的“观察者内变异”，像一层挥之不去的薄雾，影响了诊断的一致性和研究数据的可靠性，也加重了临床医生和科研人员的人工读片负担。
正是为了解决这一核心痛点，一项发表在《Scientific Reports》上的研究应运而生。研究人员的目标是开发一套全自动的机器学习系统，旨在像一位不知疲倦、标准统一的超级专家一样，精准地勾勒出骶髂关节的轮廓，并自动识别和分类关键的病变。这项研究不仅关乎技术的创新，更直指提升axSpA诊疗和研究客观性、可重复性的重大临床需求。
为了构建这套系统，研究人员主要运用了几个关键技术方法。首先，他们建立了一个端到端的自动化处理流程。该流程的核心之一是采用一种基于矢量场的开放轮廓模型，来自动、准确地勾画出冠状位MRI图像上的骶髂关节边界。其次，系统利用T1加权和短时反转恢复序列（STIR）两种MRI序列的信息，对五种axSpA相关病灶类型——骨骨髓水肿（bone marrow oedema）、强直（ankylosis）、硬化（sclerosis）、侵蚀（erosions）和脂肪病灶（fatty lesions）——进行存在与否的二分类。最为关键的是，研究团队创新性地引入了“多读片者学习”框架。他们并没有简单地使用单一“金标准”标签，而是充分利用了来自多位专家的多次独立读片数据以及基于这些读片形成的共识标签，从而在模型训练中显式地建模并学习了读片过程中固有的变异性。研究的模型在著名的MEASURE-1临床试验数据上进行了患者层面的交叉验证，并进一步在PREVENT和SURPASS等其他独立临床数据集中得到了验证。
基于矢量场的骶髂关节轮廓提取实现了高精度自动化
研究人员首先评估了模型自动勾画骶髂关节轮廓的准确性。他们使用均方根误差（root-mean-square error）作为衡量标准，结果发现，在整个测试集中，高达95%的轮廓勾画误差低于2.76毫米。这一结果表明，该自动化方法能够以亚像素级的高精度可靠地识别出骶髂关节的解剖边界，为后续的病灶精准定位和分类奠定了坚实的基础。
多读片者学习框架显著提升病灶分类性能
在病灶分类任务上，模型的性能通过受试者工作特征曲线下面积（area under the receiver operating characteristic curve， AUC）、平衡准确度、敏感性和特异性等指标进行全面评估。研究得出了几项关键结论：第一，对于全部五种病灶类型，模型都展现出了卓越的分类能力，AUC值范围在0.85到0.99之间，这意味着模型区分有无病灶的能力接近甚至达到了专家水平。第二，研究特别比较了使用单一读片者标签与使用多读片者共识标签训练模型的效果。结果显示，当使用基于共识的标签进行训练时，模型取得了最高的分类性能。这证实了利用共识信息能够有效“去噪”，让模型学习到更可靠、更本质的疾病影像特征。第三，研究人员将模型的分类结果与专家读片者之间的一致性进行了比较。令人振奋的是，模型的性能与专家之间的相互同意程度（inter-reader agreement）具有可比性。换言之，这个自动化系统做出的判断，其可靠程度不亚于不同专家之间达成一致意见的水平。
这项研究通过构建并验证一个集成了自动化轮廓提取与病灶分类的端到端机器学习系统，为axSpA的MRI评估提供了一种强有力的新工具。其核心结论在于，该技术方案能够实现专家级别的性能，特别是在显式建模并学习了读片变异性之后。这不仅证明了人工智能在复杂医学影像分析中的巨大潜力，更具实际意义的是，它为克服临床研究和实践中长期存在的主观读片变异难题提供了可行的解决方案。研究者指出，这样的全自动系统有望显著减轻放射科医生和研究人员在大型临床研究或日常筛查中的工作负担，同时通过提供标准化、可重复的评估结果，极大提升axSpA相关MRI数据的质量和研究结论的可靠性，最终推动该领域向更精准、更高效的方向发展。
