轴性脊柱关节炎（axSpA）诊断延迟已成为影响患者生活质量和治疗反应的关键问题。MRI的出现使早期发现骶髂关节（SIJ）的炎症成为可能，特别是在非放射性axSpA（nr-axSpA）中，而放射学诊断仍存在结构损伤不足的局限性。当前，MRI影像识别SIJ炎症的要求专门知识，但普通放射科医生和风湿病学家对此的掌握水平不一，因此，亟需一种更客观、可靠的工具。人工智能（AI）深度学习算法在医学影像分析中应用广泛，具有潜在助力非专家早期识别axSpA炎症的能力。本研究的目的是验证先前训练的深度学习算法在大规模外部验证集中的识别SIJ炎症的表现，以评估其在axSpA临床诊断中的应用潜力。

研究基于RAPID-axSpA（NCT01087762）和C-OPTIMISE（NCT02505542）两个随机对照试验的初始MRI影像，包含731名已确诊的axSpA患者，年龄平均34.2岁，其中69.1%为男性。患者分为nr-axSpA（44.6%）和放射性axSpA两组，炎症标记由两位专家阅片并在争议时进行仲裁，采用2009年国际脊柱关节炎评估学会（ASAS）MRI定义。深度学习算法在没有任何临床数据的情况下独立处理影像，将每例患者的SIJ炎症判断为阳性或阴性。研究中的影像来自30种不同型号的MRI扫描仪，分布在超过100个临床站点，扫描设备的分辨率和设置差异显著。通过与专家阅片结果的比较，本研究评估算法的敏感性、特异性、阳性预测值、阴性预测值、绝对一致率和Cohen's Kappa。

结果显示，在验证集中，深度学习算法将49.2%的患者判定为存在MRI炎症，与专家阅片的炎症率59.6%相比略低。算法的敏感性为70%（95% CI 66%-73%），特异性为81%（95% CI 78%-84%），阳性预测值为84%（95% CI 82%-87%），阴性预测值为64%（95% CI 61%-68%），绝对一致率为74%（95% CI 72%-77%），Cohen's Kappa值为0.49（95% CI 0.43-0.55），表明算法与专家评估存在中等一致性。研究还分析了算法在不同设备、站点和扫描设置中的稳定性，结果显示，尽管存在不同品牌和型号的扫描仪以及显著的技术差异，算法在炎症识别方面的表现稳定。在C-OPTIMISE试验中的一个代表性病例中，算法准确地识别了左侧SIJ的炎症损伤，展示了其对炎症图像区域的精确定位能力。这表明AI在SIJ炎症检测中的潜在应用价值。

比较深度学习算法和人类专家对SIJ MRI扫描进行分类的性能结果

本研究结果表明，先前训练的深度学习算法能够在大规模外部验证集中可靠识别SIJ炎症，并与专家评估有良好的一致性。这一算法在包括超过100个临床站点和不同品牌型号的扫描仪上的广泛数据验证中表现出稳定性，具有潜在的应用于axSpA早期诊断的价值。虽然本研究未在非axSpA患者或轻度病例中测试算法性能，但结果为算法在普通放射科和风湿病科的实际应用提供了支持。未来研究可进一步优化算法，尤其是在新增结构性病变标记后，以提高诊断特异性，并探索其在未确诊患者中的表现。

原始出处：

Performance analysis of a deep-learning algorithm to detect the presence of inflammation in MRI of sacroiliac joints in patients with axial spondyloarthritis. Ann Rheum Dis. 2024 Oct 2:ard-2024-225862. doi: 10.1136/ard-2024-225862. Epub ahead of print. PMID: 39357994.

Tags： Ann Rheum Dis：AI算法助力轴性脊柱关节炎早期炎症识别的应用潜力