基于T2*WI影像组学模型鉴别布鲁菌性脊柱炎和结核性脊柱炎

Differentiation of brucellar spondylitis and tuberculous spondylitis based on T2*WI radiomics model

摘要

目的 基于不同机器学习算法的T2*WI序列构建影像组学模型，探究其鉴别布鲁菌性脊柱炎（brucellar spondylitis，BS）和结核性脊柱炎（tuberculous spondylitis，TS）的诊断价值。 方法 纳入2018年10月—2022年4月在大连医科大学附属第一医院就诊的临床症状均有背痛和发热的脊柱病变患者84例，193个椎体。均于术前接受磁共振成像（magnetic resonance imaging，MRI）检查，报告为BS 34例（78个椎体）、TS 50例（115个椎体）。以7∶3的分配比例将所有椎体随机分为训练集和测试集，从T2*WI序列中共提取107个影像组学特征。采用相关系数法和最小绝对收缩和选择运算符（least absolute shrinkage and selection operator，LASSO）进行特征降维，使用六种机器学习分类器构建影像组学模型，分别是支持向量机（support vector machine，SVM）、逻辑回归（Logistic regression，LR）、决策树（decision tree，DT）、K邻近算法（K-nearest neighbor algorithm，KNN）、高斯朴素贝叶斯（Gaussian naive Bayes，GNB）和随机森林（random forest，RF）。采用受试者工作特征（receiver operating characteristic，ROC）曲线比较各影像组学模型的诊断效能，模型预测效能的比较采用DeLong检验。通过夏普利加性解释（Shapley additive explanations，SHAP）分析可视化特征在模型中的贡献。 结果 TS和BS患者在受累椎体数量方面差异有统计学意义（P=0.037），TS相较于BS更易出现2个及以上椎体受累。经过 LASSO降维，最终保留8个相关性最强的影像组学特征，包括3个形状特征、1个一阶特征和4个纹理特征。上述六种模型在训练集的AUC分别为0.920、0.922、1.000、0.960、0.888和1.000，在测试集的AUC分别为0.909、0.913、0.779、0.810、0.892和0.901。在多种机器学习模型中，表现最佳的为LR模型，其在训练集和测试集的AUC分别为0.922（95%CI：0.839~0.970）和0.913（95%CI：0.823~0.980）。Delong检验显示在测试集LR模型效能明显优于DT模型（P＜0.05），与其余模型相比，差异无统计学意义（P＞0.05）。 结论 基于LR分类器构建的T2*WI序列影像组学模型有助于鉴别临床症状相似的BS与TS。

Abstract

Objective To construct a radiomics model based on different machine learning algorithms using T2*WI sequences， and to investigate its diagnostic value in differentiating brucella spondylitis （BS） from tuberculous spondylitis （TS）. Methods A total of 84 patients with spinal lesions （involving 193 vertebrae） who presented with clinical symptoms of back pain and fever and were admitted to the First Affiliated Hospital of Dalian Medical University between October 2018 and April 2022 were enrolled in this study. All patients underwent magnetic resonance imaging （MRI） before surgery. Of these patients， 34 patients （78 vertebrae） were diagnosed with BS and 50 patients （115 vertebrae） with TS. All vertebrae were randomly divided into a training set and a test set at a ratio of 7∶3. A total of 107 radiomics features were extracted from the T2*WI sequences. The correlation coefficient method and the least absolute shrinkage and selection operator （LASSO） method were used to perform feature dimensionality reduction. Six machine learning classifiers were employed to develop radiomics models： support vector machine （SVM）， logistic regression （LR）， decision tree （DT）， K-nearest neighbor algorithm （KNN）， Gaussian naive Bayes （GNB） and random forest （RF）. Diagnostic performance of each radiomics model was compared using using the receiver operating characteristic （ROC） curve， and and the DeLong test was employed to evaluate differences in predictive efficacy among the models. Shapley additive explanations （SHAP） analysis was used to visualize feature contributions in the models. Results There was a significant difference in the number of involved vertebrae between patients with TS and BS （P=0.037）， and patients with TS were more likely to have two or more vertebrae involved than those with BS. After dimensionality reduction with LASSO algorithm， eight radiomic features with the strongest correlations were ultimately retained， including three shape feature， one first-order features and four texture features. The area under the ROC curve （AUC） values of six models， including SVM， LR， DT， KNN， GNB， and RF， was 0.920， 0.922， 1.000， 0.960， 0.888， and 1.000， respectively， in the training set， and 0.909， 0.913， 0.779， 0.810， 0.892， and 0.901， respectively， in the test set. Among various machine learning models， the LR model demonstrated the optimal performance， with AUC values of 0.922 （95%CI： 0.839―0.970） and 0.913 （95%CI： 0.823―0.980） in the training set and the test set， respectively. Delong's test indicated that the efficacy of the LR model in the test set was significantly superior to that of the DT model （P<0.05）. However， the differences between the LR model and the other models were not statistically significant （P>0.05）. Conclusion The T2*WI radiomics model constructed based on the LR classifier facilitates the differentiation between BS and TS with clinically similar symptoms.

Graphical abstract

关键词

脊柱炎 / 磁共振成像 / 影像组学 / 诊断，鉴别 doi：10.3969/j.issn.1007-3205.2026.03.007

Key words

spondylitis / magnetic resonance imaging / radiomics / diagnosis， differential

布鲁菌病简称布病，是由布鲁菌感染引起的一种人畜共患传染病，人主要通过接触染疫动物及其乳汁或乳制品等途径引发感染^{［1- 2］}。布病遍布全球，在中国，主要在以畜牧业发达著称的东北和西北地区发病率明显较高^［3］。骨与关节受累是布病较为常见的并发症^［4］，其中以布鲁菌性脊柱炎（brucellar spondylitis，BS）最为多见^［5］，其最高可占布病患者的53%，主要发生在腰椎^［6］。BS可涉及多个椎体和椎间盘，引起椎旁、腰大肌或者椎管内脓肿，并可能导致神经压迫，造成严重的神经系统后遗症^［7］。BS与结核性脊柱炎（tuberculous spondylitis，TS）的临床症状以及影像学表现极其相似^［8］，如脊柱疼痛、发热和炎症标志物的升高，两者在影像学上均表现为脊柱椎间隙或椎体破坏、椎旁软组织脓肿等。所以对于临床医生来说，二者的鉴别诊断具有一定挑战性，需要进一步通过病原学或病理进行确诊。磁共振成像（magnetic resonance imaging，MRI）是鉴别脊柱病变的常见影像方法。影像组学作为一种新兴技术，可从医学图像中高通量地提取特征进行自动分析，通过机器学习建立各种预测模型从而辅助临床医生决策。该方法在肿瘤诊断、分类、预后和监测治疗效果等方面得到了广泛的应用^［9］，近年研究^［10-12］表明，影像组学模型在诊断化脓性脊柱炎方面具有重要价值。T2*WI序列作为基于MRI的骨微观结构与密度相关序列，被证实与骨小梁密度及排列方向显著相关^［13］。Sakamoto等^［14］研究证明，T2*WI序列有助于区分大关节处腱鞘巨细胞瘤的病变与正常肌组织。Ellingson等^［15］利用T2*WI序列量化Pfirrmann分级系统的特征参数并与腰椎功能力学结果进行关联分析，结果显示，T2*WI序列量化的椎间盘健康特征比传统Pfirrmann分级在检测腰椎整体力学变化上更敏感，能更好地预测腰椎功能力学改变。但是关于T2*WI序列在脊柱炎方面的应用研究报道较少。因此，本研究旨在基于T2*WI序列构建影像组学模型，探究鉴别BS和TS的最佳诊断模型。报告如下。

1 资料与方法

1.1 一般资料

回顾性收集2018年10月—2022年4月在大连医科大学附属第一医院就诊的临床症状均有背痛和发热的脊柱病变患者84例，193个椎体。均于术前接受MRI检查，报告为BS 34例（78个椎体），TS 50例（115个椎体）。纳入标准：①经血培养阳性、术后标本细菌培养阳性、布鲁菌凝集试验滴度＞1∶160或者手术病理证实的BS；经血培养阳性、术后标本细菌培养阳性或抗酸杆菌阳性或者病理证实的TS；②所有患者术前均行MRI检查；③术前未接受相关治疗。排除标准：①MRI资料不完全；②图像质量差；③伴有其他并发症。出入组流程具体见图1。

本研究经医院医学伦理审查委员会批准通过（批准文号：PJ-KS-KY-2025-765）。

1.2 MRI扫描协议

使用3.0TMRI扫描仪进行MRI扫描（Signa HDxt，GE Healthcare，美国）。所有受试者均采用仰卧位。MRI成像方案：矢状位T2加权成像（T2-weighted Imaging，T2WI），重复时间（repetition time，TR）=2 580 ms，回波时间（echedelay time，TE）=102 ms，轴位T2WI（TR=4 280 ms，TE=102 ms），矢状位T1加权成像（T1-weighted imaging，T1WI）（TR=450 ms，TE=14.2 ms），矢状位T2*WI序列（TR=300 ms；TE=5.2 ms），矢状位T1WI增强序列（TR=500 ms；TE=10.9 ms）；视野320×320 mm²；层厚4 mm；激励数1；层数12；矩阵大小320×256。

1.3 图像预处理与病灶分割

将T2*WI序列图像以DICOM格式从后处理工作站中导出，基于RadiAnt DICOM Viewer对图像进行NIFTI格式处理，然后将图像导入3Dslicer（版本4.13.0，https：//www.slicer.org/）进行分割。2位放射科医生（分别具有7年和13年脊柱MRI阅片经验）在对病理结果毫不知情的情况下，在矢状位T2*WI序列图像沿着椎体边缘对每个受累椎体手动逐层勾画病灶，最后形成椎体的三维感兴趣区域（volume of interest，VOI）（图2），若病灶显示不清，则参照T1WI增强图像进行勾画。如遇2位医师分割结果不一致时，由更高年资的第3位医生对分割结果进行审阅以及修改。为了消除空间分辨率的影响，在提取影像组学特征之前对所有MRI图像进行1 mm×1 mm×1 mm的重采样处理。

1.4 特征提取及筛选

基于开源3D Slicer软件中 SlicerRadiomics 模块对T2*WI序列图像进行影像组学特征提取，共提取107个影像组学特征，其中包括形状特征、一阶特征和纹理特征。对提取的所有影像组学特征进行Z分数归一化。使用类内相关系数（intraclass correlation coefficient，ICC）评估VOI的分割变异性，保留读者间ICC>0.75的特征。然后采用Spearman相关分析剔除冗余的特征，将Spearman相关系数>0.9的一对特征中删除其中的一个。随后采用LASSO对训练集执行10倍交叉验证方法，获得最优超参数λ，并选定最优特征。并基于最优特征选取6种机器学习分类器进行建立模型，分别是支持向量机（support vector machine，SVM）、逻辑回归（logistic regression，LR）、决策树（decision tree，DT）、K邻近算法（K-nearest neighbor algorithm，KNN）、高斯朴素贝叶斯（Gaussian naive Bayes，GNB）和随机森林（random forest，RF）。

1.5 统计学方法

应用Medcalc 20.1.0和Python 3.11统计软件分析数据。采用Shapiro-Wilk检验检验分布的正态性。符合正态分布的计量资料以（\overline{x}±s）表示，比较采用独立样本t检验，不符合正态分布的计量资料以［M（QR）］表示，比较采用Mann⁃Whitney U检验。计数资料以例数（%）表示，比较采用χ ² 检验和Fisher精确检验。采用受试者工作特征（receiver operating characteristic，ROC）曲线评价各放射组学模型在鉴别BS与TS的诊断效能。使用Delong检验评估各模型间诊断效能，绘制决策曲线评估模型的临床实用价值，绘制校准曲线分析模型结果与实际结果的一致性。通过夏普利加性解释（Shapley additive explanations，SHAP）分析可视化特征在模型中的贡献。P＜0.05为差异有统计学意义。

2 结　　果

2.1 2组临床基线特征比较

BS组和TS组受累椎体数量差异有统计学意义（P＜0.05）。2组性别、年龄、椎体分布、受累椎体部位差异均无统计学意义（P＞0.05）。见表1。

2.2 基于T2*WI序列降维并获取最佳特征

基于T2*WI序列共提取107个放射组学特征，其中包括形状特征、一阶特征和纹理特征。通过两步特征筛选流程确定构建最终模型的最优特征，首先基于相关系数剔除冗余特征，保留74个特征；其次通过LASSO算法进一步筛选，最终获得8个相关性最强的影像特征（图3、图4），包括3个形状特征（original-shape-MeshVolume、original-shape-MinorAxisLength和original-shape-Maximum2DDiameterColumn）、1个一阶特征（original-firstorder-10Percentile）及4个纹理特征（original-glrlm-ShortRunEmphasis、original-glszm-HighGrayLevelZoneEmphasis、original-glcm-JointEntropy和original-glcm-MCC）。本研究中LASSO超参数λ取值为0.024。训练集与测试集最终筛选特征的相关性热图见图5所示。

2.3 模型构建及性能比较

6种模型均表现出良好的诊断效能，其中LR模型的鉴别效能显著优于GNB和SVM模型。尽管DT、KNN及RF模型在训练集中展现出优异的诊断性能，但在测试集中预测准确率显著下降，提示存在过拟合现象。见表2。最终选定LR模型作为最优模型，其在训练集和测试集的AUC值分别为0.922（95%CI：0.839~0.970）和0.913（95%CI：0.823~0.980）（图6）。决策曲线分析显示，该模型在临床实践中具有较好的临床净收益（图7），校准曲线显示该模型在训练集中模型校准能力尚可，但是在测试集显示模型校准能力不足（图8）。Delong检验显示在测试集中LR模型效能显著优于DT模型（P＝0.034），与其他模型相比，差异均无统计学意义（P＞0.05）。

3 讨　　论

感染性脊柱炎是一类少见但严重的疾病，主要累及脊柱相关结构，包括椎骨、椎间盘、周围软组织及硬膜外间隙。作为全球性公共问题，BS和TS在发展中国家更为高发。BS好发于成年人及老年人群，尤其是50岁以上群体；TS患者的平均发病年龄为55.2岁^［6］。本研究结果显示，BS和TS患者的平均年龄分别为（59.62±12.53）和（57.88±15.02）岁，2组性别、年龄差异均无统计学意义，与既往文献报道结果一致^［16］。

本研究结果显示，TS组和BS组受累椎体数量差异有统计学意义（P=0.037）：BS患者多表现为单个或2个椎体受累，而TS患者更易出现2个及≥3个椎体受累，这与既往文献报道一致^［17］。在受累椎体分布方面，腰椎是BS患者最常见的受累部位，而TS组则更易累及胸椎^［18-20］。本研究结果显示，2组受累部位分布差异无统计学意义，这可能与本研究纳入的是具有相似临床症状的研究对象有关。

布鲁菌对骨关节细胞具有直接侵袭作用，可侵入成骨细胞并在其内复制，通过改变成骨细胞代谢过程抑制其分化与功能，最终导致骨质流失^［13］。结核分枝杆菌通过核因子κＢ配体/骨保护素轴的受体激活剂失衡，触发异常破骨细胞生成转录因子，从而增强破骨细胞对骨质的吸收^［21］。而T2*WI序列可在一定程度上反映骨密度情况，其与骨的弹性模量、极限抗压强度等力学性能也有相关性，能间接反映骨的力学强度。基于上述机制，本研究选用矢状位T2*WI序列进行影像组学分析，相较于轴位图像，矢状位图像具有更优的灰白质对比度，能清晰显示椎体、椎间盘及椎旁脓肿等结构，并且在病灶显示不清时参照T1WI增强图像进行勾画，更利于VOI的精准勾画。

本研究构建的影像组学模型共包含3个形状特征、1个一阶特征及4个纹理特征。纹理特征能从不同维度刻画图像的纹理特性，而形态特征主要反映病灶的形态学属性^［22］。研究^［23］显示，纹理特征是评估多发性骨髓瘤预后的核心特征。结合本模型SHAP值特征重要性分析可见，纹理特征（original-glrlm-ShortRunEmphasis、original-glszm-HighGrayLevelZoneEmphasis、original-glcm-JointEntropy和original-glcm-MCC）是区分TS和BS异质性的主要特征，其核心原因在于TS病灶内部常混杂死骨、干酪样坏死物及砂砾样钙化等多种成分^［24］，组织异质性显著，而BS则主要以局限性破坏及骨质疏松为主要表现，病灶内部成分相对单一，所以TS的纹理特征取值波动较BS更为剧烈。同时，SHAP值结果显示，形状特征（original-shape-MeshVolume、original-shape-MinorAxisLength和original-shape-Maximum2DDiameterColumn）可以作为辅助诊断依据，相较于TS表现的椎体结构破坏、形态变异，BS的椎体形态多为完整。综上所述，本研究提取的影像组学特征能够初步反映TS和BS在病理基础上的异质性差异，为无创鉴别诊断提供依据。

影像组学与机器学习的融合呈现出优势互补的特性：前者通过提供海量计算数据提升模型的可解释性，后者则凭借强大的算力支撑数据处理，并借助分类模型与预测模型拓展影像组学的应用范畴。不同机器学习算法各有其优点，但由于数据集特征、任务类型、模型性能等因素，不同实验不同机器算法的准确率和敏感度均不同。帕哈提·吐逊江等^［25］基于T2*WI序列抑脂序列，利用KNN、LR、RF、SVM构建了4种模型鉴别TS和BS，并对模型效能进行评估，结果显示，基于SVM分类器模型效能较优，训练集和测试集的AUC分别为0.811和0.886。Liu等^［26］构建了基于CT影像的LR模型，并针对该模型在鉴别化脓性脊柱炎与TS的预测效能进行评估，研究显示，2组在水平、纵向、轴向骨质破坏范围以及矢状位残留椎体形态特征差异有统计学意义，该模型的AUC达0.950，表明其具备优异的诊断效能。鉴于LR模型能有效平衡数据集偏态分布且性能稳健，本研究将其选定为最优分类模型。本研究结果表明，LR分类器在训练集与测试集中鉴别BS与TS中均展现出稳定且优异的性能表现。

本研究还存在一定局限性。作为单中心、回顾性研究，样本量相对较小，可能导致结果偏倚；VOI采用手动勾画，易受主观因素的影响，今后尝试采用机器学习等自动勾画感兴趣区以确保测量的稳定性；本研究仅基于T2*WI单一序列，未与其他MR序列联合进行组学研究，通过多模态联合分析有望进一步验证基于MRI对于TS和BS在骨质修复硬化方面的鉴别价值。本研究结果的普适性仍需后续通过多中心研究及扩大样本量进一步验证。

综上所述，基于LR分类器构建的T2*WI序列影像组学模型，在鉴别临床症状相似的TS和BS中诊断效能最佳，可为临床医师的鉴别诊断提供重要参考依据。

参考文献

[1] González-Espinoza G， Arce-Gorvel V， Mémet S，et al. Brucella： Reservoirs and niches in animals and humans ［J］. Pathogens （Basel，Switzerland），2021，10（2）：186.

[2] Khairullah AR， Kurniawan SC， Puspitasari Y，et al. Brucellosis： Unveiling the complexities of a pervasive zoonotic disease and its global impacts［J］. Open Vet J，2024，14（5）：1081-1097.

[3] 尚智鑫，乔春梅，王欣，等.布鲁氏菌病性骨关节炎影像学研究进展［J］.临床放射学杂志，2023，42（5）：881-884.

[4] 尹松涛，李俊林，张晓琴，等.布氏菌病影像学研究进展［J/CD］.新发传染病电子杂志，2023，8（2）：86-90.

[5] Unuvar GK， Kilic AU， Doganay M. Current therapeutic strategy in osteoarticular brucellosis［J］. North Clin Istanb，2019，6（4）：415-420.

[6] Gou L， Yang Y， Li J，et al. MRI findings and classification of brucella spondylitis： A China multicenter study［J］. Eur J Med Res，2024，29（1）：469.

[7] 吴官银，孙郁雨，崔志明.布鲁氏菌颈椎炎致四肢瘫1例［J］.中国骨伤，2021，34（7）：684-686.

[8] Ma Z， Liu X， Zhang M，et al. Differences analysis between spinal tuberculosis and brucella spondylitis with preoperative non-invasive differential diagnosis ［J］. Eur Spine J，2025，34（2）：675-683.

[9] Zhao S， Wei F， Li Y，et al. Multi-parametric MRI radiomics predicts different HER2 expression in breast cancer［J］. Cancer Imaging，2025，Dec 24.

[10] Yasin P， Mardan M， Abliz D，et al. The potential of a CT-based machine learning radiomics analysis to differentiate brucella and pyogenic spondylitis［J］. J Inflamm Res，2023，16：5585-5600.

[11] Yasin P， Yimit Y， Abliz D，et al. MRI-based interpretable radiomics nomogram for discrimination between brucella spondylitis and pyogenic spondylitis［J］. Heliyon，2024，10（1）：e23584.

[12] Qin C， Dai LP， Zhang YL，et al. The value of MRI radiomics in distinguishing different types of spinal infections［J］. Comput Methods Programs Biomed，2025，264：108719.

[13] van Timmeren JE， Leijenaar RTH， van Elmpt W，et al. Test-retest data for radiomics feature stability analysis： Generalizable or study-specific？［J］. Tomography （Ann Arbor，Mich），2016，2（4）：361-365.

[14] Sakamoto A， Noguchi T， Matsuda S. T2-star （T2*）-weighted magnetic resonance imaging of tenosynovial giant cell tumors［J］. Eur J Radiol Open，2023，11：100499.

[15] Ellingson AM， Mehta H， Polly DW，et al. Disc degeneration assessed by quantitative T2* （T2 star） correlated with functional lumbar mechanics［J］. Spine，2013，38（24）：e1533-e1540.

[16] 孙娜，王辉，赵古月，等.不同扩散敏感系数弥散加权成像对脊柱结核与布氏杆菌性脊柱炎的诊断价值［J］.中国组织工程研究，2026，30（21）：5597-5604.

[17] 黎惠如，方伟军，高振华，等.磁共振成像在布鲁氏菌性脊柱炎与脊柱结核的鉴别诊断价值［J/CD］.新发传染病电子杂志，2023，8（3）：44-48.

[18] Lu YP， Qiu WQ， Zhang T，et al. Epidemiology and laboratory testing of Brucella spondylitis［J］. Sci Rep，2024，14（1）：26345.

[19] Shen JJ， Yao RX， Ye Y，et al. Clinical features and treatment differences among tuberculous，brucellosis，and pyogenic spondylitis： A cohort study［J］. Infect Drug Resist，2025，18：6377-6387.

[20] 麦菊旦·提黑然，邵华，姚娟，等.核磁共振对布鲁菌性脊柱炎与结核性脊柱炎的鉴别价值［J］.中华地方病学杂志，2020，39（6）：430-434.

[21] Ma W， Jin W， He X，et al. Mycobacterium tuberculosis induced osteoblast dysregulation involved in bone destruction in spinal tuberculosis［J］. Front Cell Infect Microbiol，2022，12：780272.

[22] Sun W， Liu S， Guo J，et al. A CT-based radiomics nomogram for distinguishing between benign and malignant bone tumours ［J］. Cancer Imaging，2021，21（1）：20.

[23] Ekert K， Hinterleitner C， Baumgartner K，et al. Extended texture analysis of non-enhanced whole-body MRI image data for response assessment in multiple myeloma patients undergoing systemic therapy［J］. Cancers（Basel），2020，12（3）：761.

[24] 奇丽霞，张凤翔，杜海，等.基于CT的影像组学列线图对布鲁氏菌性脊柱炎和脊柱结核的鉴别价值［J］.中国实验诊断学，2025，29（4）：440-448.

[25] 帕哈提·吐逊江，杨来红，何雄，等.基于FS-T2WI序列联合机器学习对布鲁氏菌性脊柱炎与结核性脊柱炎的鉴别诊断［J］.中华地方病学杂志，2023，42（5）：356-362.

[26] Liu X， Zheng M， Sun J，et al. A diagnostic model for differentiating tuberculous spondylitis from pyogenic spondylitis on computed tomography images［J］. Eur Radiol，2021，31（10）：7626-7636.