论文部分内容阅读
研究背景布鲁菌性脊柱炎（Brucellar spondylitis,BS）与结核性脊柱炎（Tuberculous spondylitis,TS）是两种不同细菌侵袭脊柱从而引起的感染性脊柱炎,在骨关节感染中以脊柱最为常见。两者发病均较缓慢、病程长、合并症多、致残率高,且容易复发。临床症状不典型、隐匿性强,且病情严重的病例发病率明显上升,日益受到关注。加强对BS与TS的早期诊断与早期治疗,既解决了牧区及少数民族地区BS与TS对患者造成残疾,又减轻了患者及社会经济负担,对改善患者生存质量具有重要作用。因此,BS患者与TS患者的早期诊断及鉴别诊断对于患者与社会具有重要的意义。本研究主要分为三部分:第一部分,基于MR T2mapping在BS患者与TS患者进行定量评估研究,探讨MR T2mapping在BS患者与TS患者诊断与鉴别诊断的价值;第二部分,基于免疫蛋白ANGPTL-4与组织病理学在BS患者与TS患者进行研究,探讨免疫蛋白ANGPTL-4与组织病理学对BS患者与TS患者的鉴别诊断能力;第三部分,基于机器学习的MRI影像组学在BS患者与TS患者的应用研究,探讨与评价机器学习的MRI影像组学对BS患者与TS患者的鉴别诊断能力。第一部分基于MRI及MR T2mapping鉴别布鲁菌性脊柱炎与结核性脊柱炎目的:通过MR T2mapping在BS患者与TS患者进行定量评估研究,探讨MR T2mapping在BS患者与TS患者诊断与鉴别诊断的价值。材料与方法:对26例BS患者和27例TS患者进行常规MR及MR T2mapping成像检查。分析BS患者与TS患者的常规MR影像特征,测量BS患者与TS患者病变椎体和未受影响相邻椎体的T2mapping值。结果:BS患者与TS患者在性别、年龄、族别等方面比较,无统计学差异（P＞0.05）;BS患者在椎体破坏、椎体后凸畸形、死骨、脓肿范围方面发生率明显低于TS患者（P＜0.001,P=0.048,P＜0.001,P＜0.001）;BS患者在椎体骨质增生发生率明显高于TS患者椎体骨质增生发生率（P＜0.001）。BS患者病变椎体T2mapping值显著高于BS患者相邻未受影响椎体T2mapping值、TS患者病变椎体T2mapping值和TS患者相邻未受影响椎体T2mapping值（P＜0.001,P＜0.037,P＜0.001）;BS患者病变椎体T2mapping值显著高于TS患者相邻未受影响椎体T2mapping值（P＜0.001）;TS患者病变椎体T2mapping值显著高于BS患者相邻未受影响椎体T2mapping值（P＜0.001）;BS患者与TS患者比较,在相邻未受影响椎体T2mapping值差异无统计学意义（P=0.568）。结论:MRI定性和定量评价可用于BS患者与TS患者的鉴别诊断,常规MRI可通过多种特征鉴别BS患者与TS患者。MR T2mapping具有提供BS患者与TS患者定量信息的潜力。第二部分基于病理多模态鉴别布鲁菌性脊柱炎与结核性脊柱炎目的:通过免疫蛋白ANGPTL-4与组织病理学在BS患者与TS患者进行研究,探讨免疫蛋白ANGPTL-4与组织病理学对BS患者与TS患者的鉴别诊断能力。材料与方法:本部分研究选取2016年1月1日至2018年12月31日新疆医科大学第一附属医院,按着纳入标准与排除标准进行筛选,最终纳入53例BS患者与TS患者。回顾性分析他们的临床资料,行病理组织学检测及冰冻组织切片染色检测ANGPTL-4。结果:53例患者中,BS患者26例,TS患者27例。两组间基线比较,差异无统计学意义（P=0.682）。TS患者病变组织的ANGPTL-4阳性率高于BS患者病变组织的ANGPTL-4阳性率（P=0.042）。BS患者病变组织微血管、纤维结缔组织发生率明显高于TS患者病变组织微血管、纤维结缔组织的发生率（P=0.001,P=0.008）。TS患者病变组织肉芽肿、干酪样坏死、类上皮细胞发生率均显著高于BS患者病变组织肉芽肿、干酪样坏死、类上皮细胞发生率（P=0.001,P=0.003,P＜0.001）。TS患者病变组织白介素-6、C-反应蛋白值明显高于BS患者病变组织白介素-6、C-反应蛋白值（P＜0.001,P=0.001）。结论:ANGPTL-4结合组织病理学可能为鉴别BS患者与TS患者提供了新的见解,可能成为一个新的支持证据。第三部分基于机器学习的MRI影像组学鉴别布鲁菌性脊柱炎与结核性脊柱炎目的:通过机器学习的MRI影像组学在BS患者与TS患者进行研究应用,探讨与评价机器学习的MRI影像组学对BS患者与TS患者的鉴别诊断能力。材料与方法:回顾性分析2017年1月1月至2021年12月31日新疆医科大学第一附属医院经过金标准确诊的BS患者与TS患者,并接受脊柱MRI检查。将患者按8:2的比例随机分为训练集（n=251）和验证集（n=64）。在T2WI、T2WI-FS和T1WI+T2WI+T2WI-FS矢状图上勾画感兴趣区域（ROI）。采用Rad Cloud平台提取特征。应用最小绝对收缩和选择算子（LASSO）降维处理。选取最具有价值的影像组学特征构建Logistic回归模型。结果:在T2WI、T2WI-FS和T1WI+T2WI+T2WI-FS三种预测与鉴别模型中分别获得27、36和24个特征。在Logistic回归三种预测与鉴别模型中,T2WI训练集的AUC（灵敏度,特异性）分别为0.858（0.80,0.91）、T2WI-FS为0.822（0.76,0.88）、T1WI+T2WI+T2WI-FS的AUC为0.883（0.83,0.94）。三个模型中,T2WI验证集的AUC（灵敏度,特异性）为0.724（0.68,0.79）,T2WI-FS为0.698（0.64,0.76）,T1WI+T2WI+T2WI-FS为0.763（0.71,0.82）。结论:基于机器学习的MRI影像组学对BS患者与TS患者的鉴别诊断是可行的,可在临床应用中提高术前鉴别诊断的准确性。