基于机器学习整合CT影像与滑液生物标志物的马颞下颌关节骨关节炎计算机辅助诊断研究

《Animals》：Computer-Aided Diagnosis of Equine Temporomandibular Joint Osteoarthritis Using Machine Learning Integrating Computed Tomography Findings and Synovial Fluid Biomarkers Tomasz Jasiński, Marta Borowska, Edyta Juszczuk-Kubiak, Bernard Turek, Micha? Kaczorowski, Mateusz B?k, Julia ?uk and Ma?gorzata Domino

本研究针对马颞下颌关节骨关节炎临床诊断困难、缺乏客观指标的问题，开展了一项整合计算机断层扫描（CT）影像特征与滑液生物标志物的机器学习辅助诊断研究。通过分析82个颞下颌关节的9项CT表现和12种生物标志物（如IL-1β、TGF-β1、PGE2等）数据，构建了二元分类模型。研究结果表明，所提出的最佳机器学习模型（XGBoost）实现了0.82的准确率和0.85的曲线下面积（AUC），其性能优于传统的仅基于CT的诊断方法。这为马颞下颌关节骨关节炎的客观、精准诊断提供了一种新的计算机辅助工具，具有重要的临床转化潜力。

　　

马儿“吃饭不香”、头颈疼痛、抗拒衔铁，这些看似行为或训练的问题，背后可能隐藏着一种棘手的疾病——颞下颌关节骨关节炎。颞下颌关节是连接下颌骨与颅骨的关键“铰链”，对咀嚼至关重要。在马匹中，颞下颌关节骨关节炎的诊断历来是个临床难题。一方面，其疼痛症状不典型，常常与牙齿疾病或其他系统性疾病混淆，临床诊断很大程度上依赖排除法。另一方面，常规的关节内镇痛诊断由于操作风险和结果的模糊性，应用有限。这导致许多患病马匹可能被漏诊或误诊，延误治疗。为了改变这一现状，研究人员借鉴了人类医学中“计算机辅助诊断”的理念，试图为兽医领域开发一种更客观、更精准的诊断工具。他们设想，将反映关节结构变化的影像学信息与体现关节内炎症和代谢状态的滑液生物标志物信息结合起来，利用强大的机器学习算法，或许能“教会”计算机识别健康与患病关节的细微差别。这项旨在为马匹颞下颌关节健康“解码”的研究，最终发表在了学术期刊《Animals》上。

为了回答上述问题，研究人员开展了一项横断面研究。他们从波兰一家商业屠宰场获取了50个马匹尸头，经过筛选，最终纳入了41个头（共82个颞下颌关节）用于构建数据集。研究采用的关键技术方法包括：计算机断层扫描（CT）成像与影像学评估，用于提取9项关节结构相关的CT特征；对每个关节进行滑液穿刺采集，并使用马特异的酶联免疫吸附测定（ELISA）试剂盒检测了12种生物标志物（包括细胞因子、生长因子、酶等）的水平；组织病理学检查作为诊断的“金标准”，用于对每个关节进行“健康”或“骨关节炎”的标注，从而为机器学习模型提供监督学习的标签；以及基于广义线性混合模型的统计学分析和包含两种特征选择方法与六种分类算法（如随机森林、XGBoost等）的机器学习模型构建与性能评估。

研究结果

1. 样本特征与数据构成

研究最终纳入了来自41匹温血马（年龄1-25岁）的82个颞下颌关节，其中41个被标注为健康（对照组），41个被标注为患有骨关节炎（比较组）。每个关节样本由9个二进制的CT表现特征和12个生物标志物水平（共21个特征）进行描述，形成了一个用于机器学习模型开发的数据集。

2. 生物标志物与年龄的相关性分析

通过计算斯皮尔曼秩相关系数，研究发现特定的生物标志物水平与颞下颌关节骨关节炎的标注、马匹年龄以及生物标志物之间主要呈正相关。然而，在后续应用的混合效应逻辑回归模型中，只有年龄对骨关节炎的赋值有显著影响。

3. 机器学习模型性能评估

研究团队评估了12个机器学习模型（结合两种特征选择方法和六种分类算法）。所有模型在区分健康颞下颌关节和颞下颌关节骨关节炎方面都表现出了可接受的性能（准确率范围0.70-0.82，AUC范围0.72-0.85）。其中，基于互信息最大化特征选择与极端梯度提升（XGBoost）算法组合的模型取得了最佳性能，准确率为0.82，AUC为0.85。

4. 与传统诊断方法的比较

该研究提出的最佳分类模型的性能，超越了文献中报道的仅基于CT表现的常规颞下颌关节骨关节炎诊断方法。这表明整合多模态数据（影像+生物标志物）的机器学习方法，能提供更优越的诊断判别能力。

研究结论与讨论

本研究成功开发并验证了一种基于机器学习的计算机辅助诊断方法，用于区分马的颞下颌关节骨关节炎与健康关节。核心结论是：整合了九项CT影像学特征和十二种滑液生物标志物数据的机器学习模型（特别是XGBoost），能够以较高的准确度（0.82）和鉴别能力（AUC 0.85）完成这一分类任务，其效能优于传统的单一影像学诊断模式。

这项研究的意义是多方面的。首先，在临床诊断层面，它为解决马颞下颌关节骨关节炎诊断难这一长期痛点提供了新思路。所构建的模型有望发展为一种客观的辅助工具，帮助兽医在临床症状不典型或复杂时做出更精准的判断，减少误诊和漏诊。其次，在研究方法学上，它展示了将现代人工智能（机器学习）技术与兽医学的临床实际问题（多模态数据整合）相结合的可行性与优势，为兽医其他领域的疾病诊断研究提供了范式参考。再者，在转化医学方面，该研究搭建的“影像-生物标志物-人工智能”框架具有向其他物种（包括人类）类似关节疾病诊断拓展的潜力。尽管研究基于离体样本，且生物标志物中仅年龄在混合模型中显着，但模型整体的优异表现提示，多种生物标志物与CT特征的组合模式蕴含着重要的诊断信息。未来研究需要在更大的前瞻性临床队列中验证该模型，并探索将其整合到临床工作流程中的具体路径。总之，这项由Tomasz Jasiński, Marta Borowska, Edyta Juszczuk-Kubiak, Bernard Turek, Micha? Kaczorowski, Mateusz B?k, Julia ?uk 和 Ma?gorzata Domino完成的工作，为推进马匹颞下颌关节疾病的精准诊疗迈出了坚实的一步。