《npj Digital Medicine》：Clinical utility of foundation models in musculoskeletal MRI for biomarker fidelity and predictive outcomes
编辑推荐：
肌肉骨骼成像的精准医疗亟需可扩展的量化体系。本研究发现，通过对提示性基础分割模型（SAM、SAM2、MedSAM）在异构肌肉骨骼MRI数据集上进行微调，并与自动化检测耦合，可生成高保真的软骨、骨骼及软组织生物标志物。基于此，研究构建了用于膝关节影像学检查的三阶段分诊级联流程，有效优化了临床工作负荷；并开发了可预测48个月内膝关节置换与骨关节炎（OA）发病风险的landmark模型，展现出良好的校准度与临床净收益。该模型无关的开源架构为临床验证与开发提供了基础，验证了从自动测量到临床决策的完整通路，展现了基础模型在精准医疗系统中的可操作化潜力。
肌肉和骨骼的疾病，如骨关节炎，影响着全球数亿人的生活质量。传统的诊断依赖于医生的影像解读，这常常带有主观性，且难以在繁忙的临床工作中对病变进行精确、重复的量化。这种困境阻碍了精准医疗在肌肉骨骼领域的落地：没有可靠、高效、可大规模应用的“测量尺”，就难以实现个性化的风险分层和治疗决策。为了破解这一难题，一支研究团队探索了如何将近年来人工智能领域的突破性技术——基础模型（Foundation Models）——引入临床影像流程，将常规的磁共振成像（MRI）扫描转化为客观、定量的生物标志物，并最终服务于临床决策。他们的研究成果发表在了《npj Digital Medicine》上。
这项研究并非从零开始训练一个模型，而是巧妙地对现有的、强大的通用图像分割基础模型（如SAM、SAM2、MedSAM）进行“再教育”。研究人员将这些模型在多种多样、来源不一的肌肉骨骼MRI数据集上进行微调，使其专门精通于识别关节软骨、骨骼和软组织等关键结构。更巧妙的是，他们设计了一个完全自动化的系统：首先自动检测图像中的关键解剖区域，然后将检测结果作为“提示”输入给微调后的分割模型，从而实现了从输入MRI到输出量化生物标志物的全流程自动化，无需人工干预。
研究团队利用这套系统，展示了两个极具临床应用价值的实例。首先，他们构建了一个“三阶段膝关节分诊级联”流程。这个流程就像一个智能过滤器，能够自动筛除大量正常的扫描，将可能存在问题的病例精准地推荐给医生进行复核。结果表明，这套系统能在保持高检测灵敏度（不漏诊）的同时，显著减少医生需要亲自审阅的影像数量，从而优化了临床工作负荷。其次，他们利用自动化测量得到的同一套生物标志物数据，建立了预测远期临床结局的模型。这些“48个月里程碑模型”能够预测患者在未来的48个月内，需要进行膝关节置换手术的风险，以及新发症状性骨关节炎的风险。模型不仅在统计学上表现出良好的校准度，更重要的是，在临床相关的风险阈值上进行分析时，显示出明确的临床净收益，意味着使用该模型指导决策能为患者带来实际益处。
整个研究架构是模型无关且开源的，这意味着其他研究者和临床机构可以基于此框架，使用不同的基础模型或数据集进行独立的验证和进一步的开发。这项工作成功地验证了一条从自动化测量通往临床决策的可行路径：可靠、可自动获取的生物标志物，既能用于优化当前的工作流程，也能为未来的患者风险分层和长期预后管理提供数据驱动（Data-driven）的决策支持。它具体展示了如何将强大的基础模型“操作化”，整合到精准医疗的系统之中。
关键技术方法概览
研究构建了一个模块化系统，核心是微调提示性基础分割器（如SAM、SAM2、MedSAM），使其适应于异构的肌肉骨骼MRI数据集。这些微调后的模型与自动化解剖结构检测模块相耦合，实现了对软骨、骨及软组织生物标志物的全自动分割与量化。研究所用的回顾性数据来自多个队列的膝关节MRI。基于产出的标准化定量测量，研究进一步开发了两类应用模型：一是用于优化工作流程的三阶段分诊级联模型；二是预测48个月临床结局（膝关节置换和incident骨关节炎）的landmark预测模型，并在临床决策曲线分析中评估其净收益。
研究结果
微调分割模型实现可靠的生物标志物测量
通过对基础分割模型在肌肉骨骼MRI数据上进行监督式微调，得到的模型在分割关节软骨、骨骼和软组织等结构时，与专家人工标注结果具有高度的一致性。量化指标表明，这些自动化测量在多个关键生物标志物上均达到了临床可接受的可靠性标准，为后续的临床应用奠定了基础。
全自动提示实现工作流程集成
研究通过前置一个自动化检测模块，能够无需人工介入地识别MRI图像中的感兴趣区域，并生成相应的提示点或框。将此自动提示与微调后的分割模型耦合，形成了端到端的全自动测量流水线。该系统成功地将常规临床MRI转化为标准化的定量生物标志物，证明了其在真实临床场景中无缝集成的可行性。
三阶段分诊级联优化临床工作负荷
利用自动化测量系统，研究人员构建了一个三阶段的膝关节MRI分诊级联策略。该策略通过设定不同的测量阈值，逐步过滤病例。评估显示，此级联方法能在保持对异常病例高灵敏度（即低漏诊率）的前提下，显著降低需要放射科医生进行最终验证的影像数量，从而实现了临床工作负荷的优化。
48个月里程碑模型预测长期临床结局
基于相同的自动化生物标志物，研究开发了预测两个关键长期结局的模型：一是未来48个月内接受膝关节置换手术的风险，二是未来48个月内新发症状性骨关节炎（OA）的风险。这些Cox比例风险模型在训练和验证队列中均显示出良好的区分度与校准度。
预测模型展现临床决策净收益
通过决策曲线分析（Decision Curve Analysis）对预测模型进行临床实用性评估。分析跨越了多个具有临床意义的风险阈值。结果表明，与“全部干预”或“全部不干预”的简单策略相比，使用本研究开发的预测模型来指导临床决策，能够在广泛的阈值范围内提供更高的临床净收益，证实了其辅助长期治疗决策的潜在价值。
结论与讨论
本研究验证了一条从自动化影像测量到辅助临床决策的完整技术路径。核心在于，通过对通用基础模型进行针对性微调，并将其与自动化流程集成，能够从常规肌肉骨骼MRI中高效、可靠地提取标准化的定量生物标志物。这些生物标志物具有双重效用：短期内，它们可以驱动工作流程的自动化，构建智能分诊系统，减轻临床医生的重复性劳动负担；长期来看，它们为数据驱动的预后预测提供了基石，所构建的landmark模型能够预测诸如膝关节置换和骨关节炎发病等重要临床事件，并在多种决策阈值下显示出明确的临床净收益，超越了传统的单一治疗策略。该研究采用的模型无关、开源架构，旨在促进独立验证和后续开发。这项工作表明，基础模型不仅是一种强大的技术工具，更可被“操作化”为精准医疗系统的核心组件，通过提供可靠、可扩展的测量基础设施，同时解决当前临床效率与远期患者分层管理的双重挑战，为肌肉骨骼疾病的精准防、诊、治、管提供了新的范式。
