论文部分内容阅读
颈椎失稳是由于多种原因造成颈椎的结构功能退化,导致患者在生理状态下椎体节段过度或异常活动,并由此引发颈肩痛、头痛头晕等一系列临床症状,严重影响着患者的身心健康。颈椎失稳一般可分为上颈椎失稳和下颈椎失稳,上颈椎失稳特指寰枕、寰枢关节病变,而临床中所讨论的一般为下颈椎失稳,指的是颈椎C2/3以下颈椎椎节的异常活动或过度活动,本研究讨论的颈椎失稳为下颈椎失稳。随着我国信息化的快速发展以及电子设备使用率和使用频率的不断攀升,在临床诊疗中出现一类病史、症状、病因高度相似的颈椎疾病患者,这一类患者在影像学检查上以颈椎序列异常为主要表现,其中颈椎失稳比例可高达45%。近年来,在颈椎病发病居高不下、呈年轻化趋势的压力下,更多研究把目光投向颈椎病的早期防治上,颈椎失稳作为颈椎病的主要早期征象更是备受关注。传统医学认为颈椎失稳的基本病机是筋骨失衡。“筋束骨”“骨张筋”高度概括了筋和骨之间的相互依存关系,筋能约束骨骼,而骨骼能支撑筋,两者协调作用维持“骨正筋柔”的生理状态。筋的异常松弛或紧张,会引起骨节的异位或僵直,致使骨节功能失常,反之亦然。筋骨失衡是筋骨两者动态交互作用的集中体现,但是既往的研究及目前的临床诊断上多偏向于对于骨性失稳的阐释,对于筋骨关系在颈椎失稳过程中的变化关系缺乏有效的研究手段。而在治疗上相应的多从筋骨论治,以中医手法最具有代表性,长期临床实践表明理筋手法和正骨手法均能够通过外部治疗方式直接作用于局部筋骨上,改善颈椎失稳所带来的症状,但是对于两类手法深层干预机制及局部病理特征变化缺乏有效研究手段,以致两类手法作用机制仍阐释不明。影像组学技术的出现,为解决以上两个问题提供了新的方向。影像组学能够通过采用高通量图像特征提取算法,将CT、MRI、PET等医学影像转化为可挖掘的数字化影像特征信息,揭示出肉眼无法识别的图像特征,实现医学影像的定量化分析,使影像捕获的病理特征信息以“可视化”的方式呈现,从而建立具有诊断、预后或预测价值的模型,为个性化诊疗提供有价值的信息。影像组学技术可以很好的突破常规阅片的局限性,实现对颈椎失稳过程中的颈椎间盘、关节突关节、颈部肌肉等组织病理特征的非侵入性监测和量化研究,为深入开展颈椎失稳相关防治研究提供新技术手段。基于此,本研究在临床部分上开展了针对颈椎失稳患者的相关危险因素及流行病学调查,以明确颈椎失稳在青年人群中的发病情况与发病特点,同时也为基础部分提供可靠数据来源;基础部分通过影像组学技术,深度挖掘颈椎MRI影像信息,初步构建以颈椎失稳各ROI特异性影像组学特征为核心的数字模型,探讨失稳状态时动、静力系统的影像病理特征变化规律;临床应用部分通过开展采用理筋手法和正骨手法治疗颈椎失稳的随机对照试验,以影像组学模型及相关影像组学特征为评价手段,探讨正骨手法和理筋手法作用机制的筋骨关系以及颈椎失稳的可逆性,验证理筋手法“经筋治骨”和正骨手法“经骨调筋”的科学假说。本研究旨在探索影像组学在颈椎失稳防治中的应用价值及应用方向,为临床防治颈椎失稳提供更为有利的理论支持和理论基础,并为进一步建立智能化的筋骨协同防治体系奠定基础。1临床研究颈椎失稳患者的临床症状及影像学表现分析1.1目的总结青年颈椎失稳患者在临床症状、体格检查、生活习惯、影像学表现等方面的特征,探索与青年颈椎失稳发生相关的危险因素,为如何有效预防颈椎失稳提供一定的参考,也为下一步影像组学研究提供可靠数据来源。1.2方法严格按照纳排标准,招募颈椎失稳和非失稳受试者,通过医院门诊、招募广告等方式开展问卷调查、颈椎X线检查、颈椎MRI检查等招募工作。问卷采集受试者的基本信息、相关生活习惯类信息、临床症状体征信息和NDI、SF-36等相关信息;采集受试者颈椎正侧、功能位X线图像以及MRI图像。使用ImageJ软件对颈椎X线进行测量,使用SPSS25.0统计软件对所得数据进行统计分析。1.3结果共回收病例表142份,排除2例无法做核磁检查,最终纳入分析140例,其中颈椎失稳病例85例,非失稳病例55例。单因素分析结果:两组基本信息中在性别、身高、体重、体重指数(BMI:kg/m2)、学历等方面无统计学差异(P>0.05),在年龄上失稳组年龄较大(P=0.001);两组生活习惯类信息中在每天工作时长(P=0.032)、每天伏案时长(P=0.013)、每天使用电脑时长(P=0.015)上具有统计学差异(P<0.05),而在每天运动时长、每周运动频次、每天睡眠时长、每天低头时长、每天使用电脑时长、单次低头持续时长、使用电脑屏幕高度、枕头高度、枕头材质、有无饮酒、有无吸烟、睡觉时间点等方面无统计学差异(P>0.05);在临床症状上,失稳组较非失稳组容易出现颈痛(P=0.000)、头痛(P=0.033)、头晕(P=0.005)、恶心(P=0.044)等症状,且失稳组在颈椎功能和生活质量上明显差于非失稳组(P<0.01);在体征上,失稳组常能在颈部 A2-5、B2-5、C 点处找到压痛点,其中 A3(P=0.002)、A4(P=0.031)、A 5(P=0.011)、B5(P=0.010),而在颈围、颈长、旋颈试验、臂丛牵拉试验、椎间孔挤压试验、霍夫曼征、上肢肌力、上肢腱反射等查体无明显差异(P>0.05);在影像组学测量上,失稳组的颈椎曲度值(1.86±6.04)明显小于非失稳组(4.37±3.62),具有统计学差异(P=0.013)。Logistic多元回归分析结果:采用Logistic回归分析了 15个因素与颈椎失稳发生之间的联系,认为年龄(β=0.128,OR=1.137,95%CI:1.033-1.251,P=0.009)、颈椎曲度值(β=-1.405,OR=0.245,95%CI:0.076-0.794,P=0.019)和NDI(β=0.161,OR=1.175,95%C I:1.043-1.323,P=0.008)可能是颈椎失稳的独立危险因素。1.4结论(1)随着年龄的增加,发生颈椎失稳的风险增加;每天工作时长、每天伏案时长、每天电脑使用时长过长可能会引起颈椎失稳的发生;出现颈痛、头痛、头晕、恶心等症状和颈椎棘突、棘旁有压痛点及颈椎曲度异常,可提示有颈椎失稳;颈椎失稳会造成颈椎功能障碍,影响患者的生活质量。(2)年龄、颈椎曲度值和NDI可能是影响颈椎失稳发生的独立危险因素。2基础研究颈椎失稳影像组学模型构建与评价2.1目的构建以颈椎失稳各ROI特异性影像组学特征为核心的数字模型,探索失稳状态时动、静力系统的影像病理特征变化规律,以期实现对介于正常和未达到骨性失稳标准患者的早期预警,达到颈椎失稳早期诊断目的,也为个性化诊疗提供有价值的信息。2.2方法严格按照纳排标准,纳入颈椎C4/5节段失稳患者和颈椎非失稳受试者,获取受试者标准化颈椎MRI图像,并以DICOM格式保存。按照影像组学分析标准流程对所采集的病例信息进行分析。主要流程包含有:(1)采用AccuContour3.0对颈椎MRI图像进行ROI分割,根据颈椎解剖结构主要勾画出椎间盘区、关节突区、椎前肌区(颈长肌)、颈后肌群深层区(颈半棘肌)和颈后肌群浅层区等5个ROI;(2)采用Python3.7环境中的pyradiomics工具完成5个ROI的影像组学特征提取;(3)采用anovaf和递归特征消除法进行特征筛选;(4)分别采用 SVM、LightGBM、RandomForest、Logistic、AdaBoost 和 LinearDiscrimin antAnalysis等6种机器学习算法进行模型训练,训练方式采用10折交叉验证,每次验证均先进行特征筛选,再超参数优化,最后模型拟合;(5)采用测试集对模型进行验证,每次训练前将数据随机分成两部分,80%数据作为训练集,20%作为测试集;(6)对分类效果较好的ROI进行高频影像组学特征(出现5次及以上)进行溯源分析。2.3结果最终纳入分析病例111例,C4/5失稳病例56例,非失稳病例55例。(1)特征提取结果:本研究从111个C4/5节段的横断面图层(T2像)中提取1688个影像组学特征。(2)特征筛选结果:共筛选出300组具有代表性的影像组学特征,每个ROI60组,每个ROI的每个模型10组。(3)模型训练结果:5个ROI共训练出300个模型,每个模型均对应着1组特征和1组参数。其中SVM机器学习模型对于关节突区的失稳和非失稳分类效果较理想,10折交叉验证平均AUC值为0.7197,其中有6折AUC值在0.7以上(分别为第3折0.70、第4折0.80、第7折0.74、第8折0.78、第9折0.86、第10折0.80),这6折对于相应的验证集的分类能力具有一定的准确度(准确度分别为0.6087、0.6087、0.6957、0.7391、0.6957、0.6957);SVM机器学习模型对于颈后肌群深层区(颈半棘肌)的失稳和非失稳分类效果较理想,10折交叉验证平均AUC值分别为0.7033,其中有5折AUC值在0.7以上(分别为第1折0.88、第3折0.75、第4折0.76、第8折0.74、第10折0.74),这5折对于相应的验证集的分类能力具有一定的准确度(准确度分别为 0.8182、0.5909、0.6818、0.6818、0.6364);Logisti c机器学习模型对于椎间盘区的失稳和非失稳的椎间盘区分类效果较理想,10折交叉验证平均AUC值分别为0.6504,提示颈椎失稳与非失稳在椎间盘区的影像组学特征具有分类潜力,但是模型训练结果受样本影响较大,模型鲁棒性一般;LightGBM机器学习模型对于失稳和非失稳的椎前肌区10折交叉验证平均AUC值为0.6207,但是平均精确率为0.5718,说明该模型无法对椎前肌区分类;Logi stic机器学习模型对于失稳和非失稳的颈后肌群浅层区10折交叉验证平均AUC值为0.6442,但是平均精确率为0.5790,说明该模型无法对椎前肌区分类。(4)单影像组学特征分析结果:关节突区在SVM模型训练过程中共筛选出原始图像特征3个、小波图像特征18个、高斯拉普拉斯算子图像特征6个、平方图像特征2个、对数图像特征1个,其中高频特征4个,分别为squareglszmSZNN、wa velet-LLHglcmImc1、wavelet-HLHglszmGLNN 和 log-sigma-3-0-mm-3Dgld mDN,失稳和非失稳在此4个高频特征的特征值均具有显著的统计学差异(P<0.01);颈后肌群深层区筛选出了原始图像特征1个、小波图像特征7个、高斯拉普拉斯算子图像特征4个、平方图像特征7个、对数图像特征1个、平方根图像特征2个、梯度图像特征5个、指数图像特征2个,其中高频特征4个,分别为log-s igma-3-0-mm-3DglszmSZNN、log-sigma-3-0-mm-3DglszmSAE、squareglszmGLN和originalglszmGLNN,失稳和非失稳在此4个高频特征的特征值均具有显著的统计学差异(P<0.01)。(5)椎间盘区平均灰度值比较结果:颈椎失稳患者的椎间盘与脑脊液的MRI信号强度比值(0.094±0.02)与非失稳受试者的比值(0.095±0.02)无统计学差异(P=0.771),提示颈椎失稳患者椎间盘的退变程度较轻;颈椎失稳患者失稳节段椎间盘的平均灰度值(110.08±32.43)与自身非失稳节段椎间盘的值(113.41 ±28.56)无统计学差异(P=0.650),反映了颈椎失稳患者的失稳节段的椎间盘与自身未发生失稳的椎间盘在间盘含水量上无明显差异。2.4结论(1)SVM模型能够对颈椎失稳和与非失稳病例的关节突区和颈后肌群深层区进行有效分类,结果具有一定的准确性(平均AUC分别为0.7197和0.7033),反映青年颈椎失稳患者在关节突关节和颈半棘肌的病变与失稳发生有着密切联系。(2)Logistic模型对于椎间盘区的失稳和非失稳的分类效能一般(平均A UC为0.6504),而青年颈椎失稳中椎间盘退变程度较轻,提示椎间盘退变与青年颈椎失稳相关,但并非是最终导致失稳出现的关键因素。(3)各模型在颈椎失稳与非失稳病例的椎前肌区和颈后肌群浅层区的分类结果不佳,提示在青年颈椎失稳中椎前肌区(颈长肌)和颈后肌群浅层区(头半棘肌、头夹肌、颈夹肌、肩胛提肌、中后斜角肌等)尚未发现有特异性变化。(4)以目前的诊断标准进行失稳和非失稳的简单分类,缺乏对已有失稳表现但未满足骨性失稳标准患者的有效诊断。(5)关节突区的 squareglszmSZNN、wavelet-LLHglcmImc1、wa velet-HLHglszmGLNN 和 log-sigma-3-0-mm-3DgldmDN 与颈后肌群深层的 lo g-sigma-3-0-mm-3Dgls zmSZNN、log-sigma-3-0-mm-3DglszmSAE、squareg lszmGLN和originalglszmGLNN等8个影像组学特征可能成为反映颈椎失稳的潜在观察指标。3应用研究不同手法治疗颈椎失稳症的疗效评价及影像组学评价3.1目的探讨正骨手法和理筋手法作用机制的筋骨关系以及颈椎失稳的可逆性,初步探索影像组学模型在不同手法干预颈椎失稳疗效机制研究中的应用方式与应用价值,为影像组学模型的临床应用奠定基础。3.2方法严格按照纳排标准,选择来自中国中医科学院望京医院2021年3月-12月于脊柱二科门诊就诊42例C4/5节段失稳的颈椎失稳患者。将所有患者随机分成理筋组和正骨组,每组各21例,理筋组接受理筋手法,正骨组接受正骨手法,治疗2周。记录患者治疗前、治疗第3、5、7、14天以及出组后1个月患者的V AS和NDI评分;采集患者治疗前和治疗后的颈椎正侧、功能位X线片和MRI图像,采用Imagej软件对X线影像进行颈椎曲度值、AD和HD值的测量。按照影像组学分析流程分别对两组治疗前和治疗后的MRI图像进行分析,获取影像组学模型对于前后MRI图像的预测结果及特异性影像组学特征值的变化情况。使用S PSS25.0统计软件对所得数据进行统计分析。3.3结果最终纳入分析病例36例,理筋组16例,正骨组20例。两组在性别、年龄、病程、干预前的VAS、NDI评分、颈椎曲度值、AD值、HD值等方面均无统计学差异(P>0.05)。常规指标比较结果如下:(1)VAS和NDI评分:两组组间无差异,理筋组与正骨组从治疗后第3天开始至随访1个月VAS和NDI评分均较治疗前明显改善(P<0.01),说明两种治疗方式均能够有效改善颈椎失稳患者的疼痛症状和颈椎功能;(2)颈椎曲度值:两组组间无统计学差异,理筋组治疗前后颈椎曲度值组内比较具有统计学差异(P=0.024<0.05),提示理筋手法能够有效改善颈椎失稳患者的颈椎曲度,正骨组治疗前后颈椎曲度值组内比较无明显差异(P=0.128>0.05),尚不能说明正骨手法能够改善颈椎失稳患者的颈椎曲度;(3)HD值:理筋组椎体水平移位治疗前后组内比较,在侧位上出现统计学差异(P=0.045<0.05),正骨组在椎体水平位移治疗前后组内比较,均无明显差异(P>0.05),而在两组治疗前后椎体水平移位差值的比较上无明显差异(P>0.05),因此尚不能认为两种手法在改善颈椎失稳患者水平位移上存在差异;(4)AD值:理筋组椎体角度移位治疗前后组内比较,在过屈位上出现显著统计学差异(P=0.009<0.05),正骨组在椎体角度位移治疗前后组内比较,在过伸位上出现显著统计学差异(P=0.000<0.05),而在两组治疗前后角度位移差值上,正骨组改善的过伸位角度位移值明显比理筋组改善的程度大(P=0.043<0.05),说明两种手法均能够有效改善颈椎失稳患者的角度失稳情况,且正骨手法在改善过伸位角度位移上优于理筋组。影像组学模型评价结果:(1)关节突区:关节突区SVM模型对于两组入组前的颈椎失稳状态识别的准确率分别为93.75%和95.00%,而对于治疗2周后的颈椎失稳状态的识别率为37.50%和45.00%,两组治疗前后组内比较均有显著性差异(P<0.01),说明两种手法均能够有效改善颈椎失稳关节突区的病变情况,改善的程度能够使模型判断为非失稳;(2)颈后肌群深层区:颈后肌群深层(颈半棘肌)区SVM模型对于两组入组前的颈椎失稳状态识别的准确率分别为81.25%和95.00%,而对于治疗2周后的颈椎失稳状态的识别率为37.50%和60.00%,两组治疗前后组内比较均有统计学差异(P<0.05),说明两种手法均能够有效改善颈椎失稳颈半棘肌的病变情况,改善的程度能够使模型判断为非失稳;(3)椎间盘区:椎间盘区Logistic模型对于两组入组前的颈椎失稳状态识别的准确率分别为75.00%和85.00%,而对于治疗2周后的颈椎失稳状态的识别率为56.25%和50.00%,正骨组治疗前后组内比较有统计学差异(P<0.05),说明正骨手法能够有效改善颈椎失稳椎间盘的病变情况,改善的程度能够使模型判断为非失稳。特异性影像组学特征分析结果:(1)关节突区:经过两周治疗后,两种手法均能够改善患者关节突区的squareglsz mSZNN 和 log-sigma-3-C-mm-3DgldmDN 这两个影像组学特征的值(P<0.05),同时理筋手法还能够改善wavelet-LLHglcmImc1的特征值(P=0.049<0.05),而两种手法均对于wavelet-HLHglszmGLNN的作用不大(P>0.05);(2)颈后肌群深层区:经过两周治疗后,两种手法均能够改善患者颈后肌群深层区的l og-sigma-3-0-mm-3DglszmSAE这个影像组学特征的值(P<0.05),而两种手法均对于 log-sigma-3-0-mm-3DglszmSZNN、wavelet-HLHglszmGLNN 和 orig inalglszmGLNN等3个影像组学特征的作用不大(P>0.05);(3)治疗前后具有统计学差异的特异性影像组学特征与非失稳组的比较结果:关节突区的squ areglszmSZNN 和 log-sigma-3-0-mm-3DgldmDN 与颈后肌群深层区的 log-si gma-3-0-mm-3DglszmSAE值在手法治疗后的值与非失稳组的值无统计学差异(P>0.05),两者结果与影像组学模型对于失稳状态的判断结果相吻合,综合分析两种手法对于颈椎失稳的局部改善程度已使失稳向非失稳转变,证实了手法干预能够逆转颈椎失稳关节突关节和颈半棘肌的病变状态。3.4结论(1)理筋手法和正骨手法通过2周治疗均能够有效改善颈椎失稳患者的疼痛症状和颈椎功能障碍(P<0.05)。(2)理筋手法通过2周治疗能够改善颈椎失稳患者的水平位移、角度位移和颈椎曲度(P<0.05),其可能通过调节椎间的水平位移状态来达到改善颈椎曲度的作用。(3)正骨手法通过2周治疗能够有效纠正颈椎失稳患者角度失稳状态,且纠正效果优于理筋组(P=0.043<0.05)。(4)两种手法均能够有效改善颈椎失稳患者的关节突区和颈后肌群深层(颈半棘肌)区的病理变化(P<0.05),改善程度能使该区域的影像组学模型的判定从失稳转为非失稳,说明了 2周有效的手法治疗可能能够逆转颈椎失稳状态。(5)关节突区的 squareglszmSZNN和 log-sigma-3-0-mm-3DgldmDN与颈后肌群深层区的l og-s igma-3-0-mm-3Dgl szmSAE等3个影像组学特征可能成为评价手法治疗颈椎失稳的观察指标。