摘" " 要" " 目的" " 探討基于二維超聲和實時組織彈性成像（RTE）的雙模態(tài)影像組學(xué)在診斷高尿酸血癥（HUA）患者并發(fā)痛風(fēng)性關(guān)節(jié)炎（GA）中的應(yīng)用價值。方法" " 選取于我院就診的HUA患者59例，其中并發(fā)GA患者41例，未并發(fā)GA患者18例，使用最小絕對收縮和選擇算子（LASSO）回歸5折交叉驗證法分別對二維超聲、RTE的影像組學(xué)特征和臨床特征進行篩選，獲取影像組學(xué)最優(yōu)特征子集；然后使用支持向量機（SVM）分類器進行GA與非GA二分類診斷，繪制受試者工作特征（ROC）曲線分析Adaboost融合SVM分類器對HUA并發(fā)GA的診斷效能。結(jié)果" " 基于二維超聲圖像篩選出14個非零系數(shù)特征，基于RTE圖像篩選出18個非零系數(shù)特征，將2種類型特征串聯(lián)融合篩選出16個非零系數(shù)特征。雙模態(tài)分類效果的最佳精確度（ACC）、全組F1值分別為74.17%±3.72%、74.56%±5.22%，較二維超聲模態(tài)的最佳ACC、全組F1值分別提高了3.88%、3.26%，較RTE模態(tài)的最佳ACC、全組F1值分別提高了6.61%、8.08%。Adaboost融合SVM分類器后模型的最佳ACC、全組F1值分別為76.24%±2.50%、75.73%±3.22%，較SVM模型分別提高了2.07%、1.17%。ROC曲線分析顯示，0、1類作為正樣本時的曲線下面積分別為0.718、0.910。結(jié)論" " 基于二維超聲和RTE的雙模態(tài)影像組學(xué)特征可對HUA患者并發(fā)GA進行定量表征和有效預(yù)測，在GA早期診斷中具有潛在的臨床應(yīng)用價值；且二維超聲的分類效果優(yōu)于RTE，雙模態(tài)分類效果優(yōu)于單模態(tài)。

關(guān)鍵詞" " 超聲檢查，二維；實時組織彈性成像；高尿酸血癥；痛風(fēng)性關(guān)節(jié)炎

［中圖法分類號］R445.1" " " ［文獻標(biāo)識碼］A

Application value of bimodal radiomics based on two-dimensional ultrasound and real-time tissue elastography in the diagnosis of

hyperuricemia patients complicated with gouty arthritis

LIAN Weifang，YE Jingjing，LV Qunxing

Department of Ultrasound Medicine，Ningde Hospital Affiliated to Ningde Normal University，F(xiàn)ujian 352100，China

ABSTRACT" " Objective" " To investigate the application value of bimodal radiomics based on two-dimensional ultrasound and real-time tissue elastography（RTE） in the diagnosis of hyperuricemia（HUA） patients complicated with gouty arthritis（GA）.Methods" " Fifty-nine patients with HUA treated in our hospital were selected，including 41 patients complicated with GA and 18 patients without GA.LASSO regression 5-fold cross-validation method was used to screen the imaging features of two-dimensional ultrasound，RTE and clinical features，and the optimal feature subset of image omics was obtained.Support vector machine（SVM） was used for GA and non-GA binary classification diagnosis，and receiver operating characteristic（ROC） curve was drawn to evaluate the diagnostic efficiency of Adaboost fusion SVM classifier for HUA complicated with GA.Resultsnbsp; " Totally 14 non-zero coefficient features were selected based on two-dimensional ultrasonic images，18 non-zero coefficient features were selected based on RTE images，and 16 non-zero coefficient features were selected by series fusion of two types of features.The optimal most ACC and F1 values were 74.17%±3.72% and 74.56%±5.22%，respectively，which were increased by 3.88% and 3.26% compared with the most ACC and F1 values by two-dimensional ultrasound alone，and by 6.61% and 8.08% compared with RTE alone.The optimal most ACC and F1 values of the Adaboost algorithm combined with SVM classifier were 76.24%±2.50% and 75.73%±3.22%，respectively，which were increased by 2.07% and 1.17% compared with SVM primary classification model.ROC curve analysis showed that the area under the curve of class 0 and class 1 as positive samples were 0.718 and 0.910，respectively.Conclusion" " The bimodal radiomics features based on two-dimensional ultrasound and RTE can quantitatively characterize and effectively predict HUA patients complicated with GA，which has potential clinical application value in the early diagnosis of GA.Moreover，the classification effect of the single two-dimensional ultrasound mode is better than that of the single RTE mode，and the classification effect of the dual mode is better than that of the single mode.

KEY WORDS" " Ultrasonography，two-dimensional；Real-time tissue elastography；Hyperuricemia；Gouty arthritis

高尿酸血癥（hyperuricemia，HUA）是一種代謝障礙性疾病，主要是由于嘌呤代謝產(chǎn)物尿酸不能被分解而導(dǎo)致血尿酸含量增高，易引發(fā)其他并發(fā)癥，如痛風(fēng)性關(guān)節(jié)炎（gouty arthritis，GA）［1］。GA是一種常見的炎癥性關(guān)節(jié)病，歐洲的患病率約為0.9%～2.5%，美國為3.9%［2］。一項Meta分析研究［3］顯示，2000～2018年我國GA患病率逐年遞增，2018年高達1.7%。GA主要因骨質(zhì)、關(guān)節(jié)囊等部位尿酸鹽沉積引起，多見于雙足踝部、膝關(guān)節(jié)等部位，嚴重影響患者的正常生活，因此對GA進行早期診斷和治療至關(guān)重要［4］。目前臨床上主要通過肉眼觀察GA超聲圖像進行診斷，但準(zhǔn)確性和客觀性均較低。計算機輔助診斷可減少對觀察者的依賴性，降低診斷結(jié)果的主觀性，可準(zhǔn)確診斷GA［5］。2012年Lambin等［6］首次提出影像組學(xué)，其主要是利用計算機技術(shù)從影像圖像中提取圖像特征，是一種可用于鑒別疾病、評估療效及進行預(yù)后預(yù)測的新興計算機輔助診斷技術(shù)［7-10］。近期研究［8-9］發(fā)現(xiàn)，影像組學(xué)特征與頭頸癌和肺癌的腫瘤基因表達有密切聯(lián)系。Polat等［9］通過影像組學(xué)對乳腺癌實時組織彈性成像（real-time tissue elastography，RTE）進行有效的良惡性分類。本研究基于二維超聲和RTE建立雙模態(tài)影像組學(xué)GA多分類架構(gòu)，探討其在診斷HUA患者并發(fā)GA中的臨床應(yīng)用價值。

資料與方法

一、研究對象

選取2018年1月至2022年12月于我院就診的HUA患者59例，其中并發(fā)GA患者41例，男31例，女10例，年齡27～78歲，平均（47.62±8.63）歲；未并發(fā)GA患者18例，男14例，女4例，年齡30～72歲，平均（46.84±9.31）歲。納入標(biāo)準(zhǔn)：①年齡≥18周歲；②GA診斷標(biāo)準(zhǔn)參考《2016中國痛風(fēng)診療指南》［10］，即正常飲食下，非同日2次空腹血尿酸水平≥420 μmol/L；③臨床表現(xiàn)為關(guān)節(jié)疼痛；④均行二維超聲和RTE檢查，且資料完整。排除標(biāo)準(zhǔn)：①肝、腎功能異常及血液病；②精神障礙、溝通障礙；③哺乳期或妊娠期。本研究經(jīng)我院醫(yī)學(xué)倫理委員會批準(zhǔn)（批準(zhǔn)號：2018010264），患者均知情同意。

二、儀器與方法

1.圖像獲取及預(yù)處理：使用日立Arietta 70彩色多普勒超聲診斷儀，L441探頭，頻率2～12 MHz?；颊呷『线m體位，充分暴露待測關(guān)節(jié)（包括膝關(guān)節(jié)、踝關(guān)節(jié)、跖趾關(guān)節(jié)、肘關(guān)節(jié)、肩關(guān)節(jié)、腕關(guān)節(jié)、手指關(guān)節(jié)等），首先于二維超聲模式下選擇目標(biāo)區(qū)域，再切換至RTE模式，以顏色條表示組織彈性，由紅色（最軟）漸變?yōu)樗{色（最硬）。由2名經(jīng)驗豐富的超聲醫(yī)師（醫(yī)師A、B）完成目標(biāo)區(qū)域的勾畫；然后將圖像數(shù)據(jù)導(dǎo)入計算機進行特征提取。

2.特征提?。悍謩e從二維超聲和RTE圖像中提取影像組學(xué)量化特征，對照RTE圖像，并在二維超聲圖像上勾畫出目標(biāo)區(qū)域，見圖1。每個模態(tài)包括形態(tài)學(xué)特征、影像強度特征和灰度共生矩陣（GLCM）特征；其中，形態(tài)學(xué)特征包括暴雪征、滑膜增厚、痛風(fēng)石、關(guān)節(jié)積液、關(guān)節(jié)軟骨雙邊征、骨質(zhì)破壞；影像強度特征包括峰值、方差、直方圖熵、偏度、標(biāo)準(zhǔn)差、平均值、多個百分位數(shù)，以及目標(biāo)區(qū)域內(nèi)外強度特征比值［11］；GLCM特征包括GLCM的均一度、對比度、熵和能量［12］。

3.特征篩選及評估：選擇調(diào)優(yōu)參數(shù)lambda.1se時對應(yīng)的臨床特征和影像組學(xué)特征，使用最小絕對收縮和選擇算子（LASSO）回歸5折交叉驗證獲取最優(yōu)特征子集。結(jié)合學(xué)習(xí)器預(yù)測的類別，觀測每類樣本時均可得到假反例（FN）、假正例（FP）、真反例（TN）、真正例（TP）。在多分類模型中，重要評估指標(biāo)有召回率（Recall）和精確度（Precision），其中Recall=TP/（TP+FN），Precision=TP/（TP+FP）。由于Recall與Precision是一對矛盾的度量，因而使用二者的加權(quán)平均值（F1）進行再次評估。F1值的公式為：F1=2×（Precision×Recall）/（Precision+Recall）。針對每個類別均可得到對應(yīng)的Precision、Recall和F1值；同時計算全組F1值。此外，本研究使用精確度（ACC）評價整體預(yù)測準(zhǔn)確性。

4.支持向量機（SVM）分類器設(shè)計：SVM的原理是基于訓(xùn)練集樣本在樣本空間中找到的超平面將不同類別樣本分開［13］。本研究使用SVM將不同尿酸水平的GA患者進行三分類，得到待分類樣本屬于每一類的概率。

5.模型融合：因多個學(xué)習(xí)器結(jié)合較單一學(xué)習(xí)器的泛化能力更加優(yōu)越，Adaboost常用于融合多個學(xué)習(xí)模型［14］，故本研究將SVM、Adaboost分別作為初級分類器、次級分類器，將優(yōu)化特征子集輸入初級學(xué)習(xí)器，所得預(yù)測概率作為新數(shù)據(jù)集輸入次級學(xué)習(xí)器。Adaboost融合SVM分類器對樣本再學(xué)習(xí)并給出診斷結(jié)果，將數(shù)據(jù)集中的樣本二分類（未并發(fā)GA=0類；并發(fā)GA=1類）。

三、統(tǒng)計學(xué)處理

應(yīng)用SPSS 22.0統(tǒng)計軟件，采用組內(nèi)相關(guān)系數(shù)（ICC）評價2名醫(yī)師感興趣區(qū)選取及測量參數(shù)的一致性。繪制受試者工作特征（ROC）曲線分析Adaboost融合SVM分類器對HUA患者并發(fā)GA的診斷效能。Plt;0.05為差異有統(tǒng)計學(xué)意義。

結(jié)" 果

一、一致性檢驗

醫(yī)師A組內(nèi)ICC值為0.883（0.823～0.974），醫(yī)師A與醫(yī)師B的組間ICC值為0.868（0.804～0.955），提示組內(nèi)和組間一致性均較高。

二、特征篩選

1.基于二維超聲圖像提取的影像組學(xué)特征：使用LASSO回歸5折交叉驗證法確定最佳λ取值，基于最佳λ值篩選出14個非零系數(shù)特征，構(gòu)成最優(yōu)特征子集，其中包括12個影像組學(xué)特征和2個臨床特征（降鈣素原、白細胞計數(shù)）。見圖2。

2.基于RTE超聲圖像提取的影像組學(xué)特征：利用LASSO回歸5折交叉驗證法確定最佳λ取值，基于最佳λ值篩選出18個非零系數(shù)特征，構(gòu)成最優(yōu)特征子集，其中包括15個影像組學(xué)特征和3個臨床特征（白細胞計數(shù)、降鈣素原、淋巴細胞計數(shù)）。見圖3。

將二維和RTE圖像特征串聯(lián)融合，再利用LASSO回歸5折交叉驗證法確定最佳λ取值，基于最佳λ值篩選出16個非零系數(shù)特征，構(gòu)成最優(yōu)特征子集，其中包括14個影像組學(xué)特征和2個臨床特征（降鈣素原、白細胞計數(shù)）。見圖4。

三、特征篩選結(jié)果評估

對上述篩選出的最優(yōu)特征進行評估，結(jié)果顯示二維超聲分類效果的最佳ACC、全組F1值分別為70.29%±3.25%、71.30%±4.46%；RTE分類效果的最佳ACC、全組F1值分別為68.01%±4.31%、66.48%±7.23%；雙模態(tài)分類效果的最佳ACC、全組F1值分別為74.17%±3.72%、74.56%±5.22%，較二維超聲的最佳ACC、全組F1值分別提高了3.88%、3.26%，較RTE的最佳ACC、全組F1值分別提高了6.61%、8.08%。見表1。

四、Adaboost融合SVM分類器

Adaboost融合SVM后模型的最佳ACC、全組F1值分別為76.24%±2.50%、75.73%±3.22%，與SVM模型相比，最佳ACC、全組F1值分別提高了2.07%、1.17%。見表2。ROC曲線分析顯示，0、1類作為正樣本時的曲線下面積分別為0.718、0.910。見表3和圖5。

討" 論

HUA是一種常見的代謝障礙性疾病，與GA發(fā)生密切相關(guān)。近年來，隨著人們生活方式的改變和飲食結(jié)構(gòu)的調(diào)整，HUA和GA發(fā)病率均呈上升趨勢，引起廣泛關(guān)注。目前HUA和GA的診斷標(biāo)準(zhǔn)已較明確，但HUA和GA的臨床表現(xiàn)及實驗室檢查結(jié)果可能與骨關(guān)節(jié)炎、類風(fēng)濕關(guān)節(jié)炎等其他疾病相似［15］，僅依據(jù)其進行診斷易漏誤診。目前常用的診斷GA的手段主要有X線、CT、MRI及超聲，其中X線、CT無法很好地顯示軟骨、滑膜，對早期診斷價GA有一定局限；MRI成本較高，且不能進行鑒別診斷。高頻超聲通過不同探查方向獲得任意切面圖像，可直接顯示GA的特征性表現(xiàn)，且具有準(zhǔn)確性高、費用低、無輻射等優(yōu)點，目前在臨床中已得到廣泛應(yīng)用。影像組學(xué)作為一種新興的醫(yī)學(xué)圖像處理技術(shù)，可較肉眼發(fā)現(xiàn)更多的圖像特征，結(jié)合機器學(xué)習(xí)分類模型，可處理大量圖像特征并進行自動診斷，輔助臨床決策［16］。有學(xué)者［17］基于深度學(xué)習(xí)相關(guān)算法將RTE圖像與二維超聲圖像信息相結(jié)合，據(jù)此判斷盆腔、頭頸及胸腹部等疾病，研究發(fā)現(xiàn)直接串聯(lián)融合二者的多模態(tài)特征的效果較佳，然而二維超聲和RTE的雙模態(tài)影像組學(xué)在關(guān)節(jié)炎疾病的相關(guān)應(yīng)用鮮有報道。本研究基于二維超聲和RTE建立雙模式影像組學(xué)GA多分類架構(gòu)，探討其在診斷HUA患者并發(fā)GA中的臨床應(yīng)用價值。

以往研究［18］均采用二分類模型，且主要是對單一超聲模態(tài)進行影像組學(xué)分析。本研究建立了一個創(chuàng)新的雙模態(tài)超聲影像組學(xué)GA多分類架構(gòu)。這一架構(gòu)結(jié)合了二維超聲和RTE圖像，能更全面地揭示GA的病理特征。本研究發(fā)現(xiàn)，雙模態(tài)分類效果的最佳ACC、全組F1值分別為74.17%±3.72%、74.56%±5.22%，較二維超聲的最佳ACC、全組F1值分別提高了3.88%、3.26%，較RTE的最佳ACC、全組F1值分別提高了6.61%、8.08%?；陔p模態(tài)超聲影像組學(xué)的GA分類架構(gòu)表現(xiàn)出了更高的分類準(zhǔn)確性。分析其原因：從這兩種模態(tài)的超聲圖像中提取豐富的影像組學(xué)定量特征。為提高分類性能，本研究進一步采用基于信息論的特征選擇方法，從大量原始特征中篩選出最具代表性的特征子集。在特征選擇后，本研究利用SVM作為初級分類器，對每個模態(tài)的特征子集進行分類。SVM在處理此類問題上性能優(yōu)良，特別是在高維特征空間中。然而，單一模態(tài)的分類結(jié)果可能存在一定的局限性，因此本研究引入了Adaboost作為次級分類器，對來自2個模態(tài)的SVM分類器結(jié)果進行融合，Adaboost融合SVM模型的最佳ACC、全組F1值分別為76.24%±2.50%、75.73%±3.22%，與SVM模型相比，最佳ACC、全組F1值分別提高了2.07%、1.17%；當(dāng)以0、1類作為正樣本時，該方法的AUC分別為0.718、0.910，顯示出良好的區(qū)分能力。證明該方法在GA二分類中的可行性，為GA的診斷提供了一種新的視角和工具，有望更準(zhǔn)確地鑒別GA與非GA。

本研究的局限性：①樣本量較小，后續(xù)研究需積累更多樣本，從而進一步證實該方法的有效性；②僅研究了二維超聲和RTE兩種模態(tài)，后續(xù)研究將引入多普勒超聲、剪切波彈性成像等其他超聲模態(tài)。

綜上所述，基于二維超聲和RTE的雙模態(tài)影像組學(xué)特征可對HUA患者并發(fā)GA進行定量表征和有效預(yù)測，在GA早期診斷中具有潛在的臨床應(yīng)用價值；且二維超聲的分類效果優(yōu)于RTE，雙模態(tài)分類效果優(yōu)于單模態(tài)。

參考文獻

［1］ Lu YH，Chang YP，Li T，et al.Empagliflozin attenuates hyperuricemia by upregulation of ABCG2 via AMPK/AKT/CREB signaling pathway in type 2 diabetic mice［J］.Int J Biol Sci，2020，16（3）：529-542.

［2］ Yi F，Lan L，Jiang J，et al.The related factors of hyperuricemia in iga nephropathy［J］.Iran J Kidney Dis，2021，15（4）：256-262.

［3］ Lv M，Jiang S，Deng S，et al.Discovery and characterization of moracin C as an anti-gouty arthritis/hyperuricemia candidate by docking-based virtual screening and pharmacological evaluation［J］.J Nat Prod，2023，86（9）：2091-2101.

［4］ Li F，Guo H，Zou J，et al.Clinical classification of hyperuricemia in patients with chronic kidney disease［J］.Int Urol Nephrol，2021，53（8）：1665-1674.

［5］ Shi JC，Chen XH，Yang Q，et al.A simple prediction model of hyperuricemia for use in a rural setting［J］.Sci Rep，2021，11（1）：e23300.

［6］ Lambin P，Rios-Velazquez E，Leijenaar R，et al.Radiomics：extracting more information from medical images using advanced feature analysis［J］.Eur J Cancer，2012，48（4）：441-446.

［7］ Bai J，Varghese J，Jain R.Adult glioma who classification update，genomics，and imaging：what the radiologists need to know［J］.Top Magn Reson Imaging，2020，29（2）：71-82.

［8］ Lococo F，Boldrini L，Diepriye CD，et al.Lung cancer multi-omics digital human avatars for integrating precision medicine into clinical practice：the LANTERN study［J］.BMC Cancer，2023，23（1）：e540.

［9］ Polat AV，Ozturk M，Polat AK，et al. Efficacy of ultrasound and shear wave elastography for the diagnosis of breast cancer-related lymphedema［J］.J Ultrasound Med，2020，39（4）：795-803.

［10］ 中華醫(yī)學(xué)會風(fēng)濕病學(xué)分會.2016中國痛風(fēng)診療指南［J］.中華內(nèi)科雜志，2016，55（11）：892-899.

［11］ Mazza S，Conforti FS，F(xiàn)orzenigo LV，et al.Agreement between real-time elastography and delayed enhancement magnetic resonance enterography on quantifying bowel wall fibrosis in Crohn’s disease［J］.Dig Liver Dis，2022，54（1）：69-75.

［12］ Lian MJ，Huang CL，Lee TM.Novel system in vitro of classifying oral carcinogenesis based on feature extraction for gray-level co-occurrence matrix using scanned laser pico projector［J］.Lasers Med Sci，2022，37（1）：215-224.

［13］ Zhang F，Petersen M，Johnson L，et al.Recursive support vector machine biomarker selection for Alzheimer’s disease［J］.J Alzheimers Dis，2021，79（4）：1691-1700.

［14］ Oh S，Kim DK.Machine-deep-ensemble learning model for classifying cybersickness caused by virtual reality immersion［J］.Cyberpsychol Behav Soc Netw，2021，24（11）：729-736.

［15］ Keller SF，Mandell BF. Management and cure of gouty arthritis［J］.Med Clin North Am，2021，105（2）：297-310.

［16］ Elsherif S，Bourne M，Soule E，et al.Multimodality imaging and genomics of granulosa cell tumors［J］.Abdom Radiol（NY），2020，45（3）：812-827.

［17］ Shen L，Thompson PM.Brain imaging genomics：integrated analysis and machine learning［J］.Proc IEEE Inst Electr Electron Eng，2020，108（1）：125-162.

［18］ Shao J，Shi G，Qi Z，et al.Advancements in the application of ultrasound elastography in the cervix［J］.Ultrasound Med Biol，2021，47（8）：2048-2063.

（收稿日期：2024-01-05）