Article Info

1.南京工业大学计算机科学与技术学院，江苏南京 211816；2.南京市卫生信息中心，江苏南京 210003

[摘要]目的研究基于影像大数据的骨性关节炎个体化精准诊疗体系，使膝关节骨性关节炎的治疗达到规范化基础上的个体化。方法使用数据挖掘相关技术，再结合K-L分级及WOMAC评分方法，建立膝关节骨性关节炎的量化评分系统。结果为患者制定骨性关节炎的治疗方案精确地提供客观依据。结论该体系的研究有助于更好地制定个体化治疗方案，提高治疗满意度，改善生活质量。

[关键词]影像大数据；骨性关节炎；个体化精准诊疗；数据挖掘；K-L分级；WOMAC评分

引言

目前在对天津及上海地区的调查研究发现，社区慢性病常见的有心脏病、慢性肺部疾病、糖尿病、骨性关节炎、恶性肿瘤和脑卒中。在社区就诊的55～64岁的人群中，慢性骨性关节炎的发病率高达40%[1]。因此，针对社区常见疾病的基本影像数据（X线）的个体化精准诊疗体系亟待建立[2]。

中国科学院心理研究所采用群组独立成分分析（Independent Component Analysis，ICA）作为一种信息驱动型算法，探索人脑系统的时空特性，研发出在多被试神经影像数据中挖掘被试分组（亚组）的群组ICA方法——gRAICAR，可以精确地揭示基于磁共振技术的脑功能网络。但是社区的医疗条件的限制，不可能将磁共振成像数据推广，这也限制gRAICAR算法的进一步应用[3]。只有充分利用社区的基本影像设备，如X线DR，以社区常见疾病为出发点，如骨性关节炎。基于区域医学影像诊断平台，促进影像大数据发展和应用才能更好的让先进技术下沉到社区，才能符合医疗改革的需要[4]。

1 总体目标

骨性关节炎个体化精准诊疗体系基于区域影像中心膝关节X线平片大数据，总结膝关节X线平片各项观测指标的正常值，运用深度学习技术分析医学影像，并将影像与医学文本记录进行交叉对比，能够极大地降低影像诊断上的失误[5]。该体系提供标准化诊断系统，实现精准诊疗，将优秀的医疗资源从单个医院解放出来，辐射到基层医疗机构进行远程指导，从而平衡医疗卫生资源，提高医疗质量，让百姓在家门口社区即可享受三甲医院的高质量服务[6]。

2 建设内容

（1）建立KOAI-RADS膝关节骨性关节炎的量化评分系统。将膝关节骨性关节炎的影像大数据进行处理，采用线性数据降维方法，取累计贡献率最大的前m个主成分，然后使用K-L分级及WOMAC评分方法，将受检者分为0～4级。

（2）运用深度学习技术（BP神经网络算法）自动判断新病人的膝关节骨性关节炎等级。本文将使用Python编程语言进行编程，并用受检者膝关节骨性关节炎数据集训练BP神经网络，为新病人自动分级。

（3）预测0级患者胫股内侧关节间隙狭窄的趋势。根据膝关节骨性关节炎的影像数据，计算胫骨平台骨小梁EMD距离、胫骨平台骨小梁各向异性程度和各向异性方向等数据。

（4）1～4级骨性关节炎患者的综合干预治疗。如功能锻炼指导、口服药物、力线矫正和关节置换等。

（5）建立随访机制。随访时间为3～5年，密切关注受检者膝功能状况，定期为患者提供康复建议。如果随访期间发现患者骨性关节炎等级发生改变，应及时上报，并更正其等级，提供更精准的治疗服务。

3 骨性关节炎个体化精准诊疗体系的建立

3.1 总体架构设计

该体系依托社区影像大数据，使用数据挖掘技术发现规律，建立膝关节骨性关节炎评分标准，构建量化评分系统用于规范诊疗。全面了解慢性骨性关节炎的影像学分级的相关性及治疗前后症状与影像学表现一致性，评估不同等级的患者对不同治疗方案的接受程度，有助于更好地制定个体化治疗方案[7-8]。该体系的总体架构，见图1。

3.2 KOAI-RADS量化评分系统建立

建立KOAI-RADS量化评分系统之前，要先对现有的膝关节骨性关节炎影像数据进行处理[9]。骨性关节炎影像大数据处理流程，见图2。本文采用线性数据降维的方法，提取了累计贡献率最大的4个主成分。主成分分别为骨赘面积（Osteophyte Area，OPA），内外侧最小关节间隙（minimum Joint Space Width，mJSW），内外侧关节间隙面积（Joint Space Area，JSA），股骨胫骨角（Femur Tibial Angle，FTA）。

基于KL分级及WOMAC评分系统，通过559例样本的测量数据和鼓楼医院各位专家诊断经验获得指标的正常参考值，OPA：0 mm2；mJSW：男内侧3.70 mm，外侧4.77 mm，女内侧3.26 mm，外侧4.22 mm；JSA：男125.0 mm2，女111 mm2；FTA：男176.1°，女174.9°[10]。

记录每一位受检者的分级及其每一单项数据的测量值，获得大数据后，总结0～4级各项指标的均值，并依据此数值建立评分系统，其中，内侧关节间隙最小值所占权重最大。

3.3 BP神经网络算法的设计

神经网络（Back Propagation，BP）是 1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入—输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小[11]。

K-L分级和WOMAC评分方法的分级过程是通过分析归纳，获得症型诊断的过程。这个过程无法用一个确定的指标对患者进行分类处理，我们可以把它看作是一个从观察指标到症型诊断的非线性映射。本文选择BP神经网络，运用Python 3.6版本进行BP算法编程。该算法采用非线性数学模型对膝关节骨性关节炎患者分级进行模拟，并得到了较好的分类结果[12]。BP神经网络模型，见图4。

图3 各指标的测量

注：a.载入膝关节OA图像的原始图；b.通过滤过减少图像噪声和识别胫骨股骨的轮廓；c.感兴趣区范围，其中心包括关节间隙；d.蓝线为股骨髁的边界，是关节间隙的上界和外界；e.绿线为胫骨平台的前后缘，红线是前后缘绿线的中线，作为关节间隙的下界；f.贯穿下界的黑色直线与红线的交点作为内侧界；g.白色区域为内外侧关节间隙面积；h.棕线为内外侧最窄关节间隙；i.胫骨内侧轮廓蓝线从计算测量区到关节面；j.红区（骨赘面积）为突出于光滑轮廓的部分；k.股骨和胫骨测量区以外区域的蓝线边界，用紫色画出其中线；l.用黑线标出股骨胫骨角[13]。

根据实际情况，本文设计的BP神经网络输入层n取值4，输出层q取值5，其中隐含层神经元个数p设置为10。权重和偏好的初始化采用Python中的random函数，随机设置在[-0.5，0.5]之间。学习率为0.05，sigmoid函数为p(t)=1/(1+e-t)，最大训练次数为2000次[14]。

本文使用197例男性膝关节骨性关节炎患者的数据对神经网络进行训练，其中0～4级患者数量大致相同，分别为：0级：38例；1级：41例；2级：39例；3级：39例；4级：40例。采用54名男性新患者的数据进行测试，总测试次数为10次，并通过Python3.6版本中的confusion_matrix包生成预测结果。新患者骨性关节炎分级情况，见表1。

表1 新患者骨性关节炎分级情况

表1为第1次测试结果，表中最后一列为骨性关节炎0～4级患者分级的准确率，可求得第1次测试过程中BP神经网络模型的分级平均准确率为81.87%。按照此方法进行10次测试，得到了该模型分级情况平均准确率为83.42%，这为处理海量的医疗数据提供了一个较好的参考方法。该预测模型同时也存在一些不足之处，其一可以采用遗传算法等优化算法对参数进行优化，提高预测准确率。再者就是由于一些区域卫生信息平台处于起步阶段，新增的样本数据量太少，造成分级测试结果的准确率浮动太大。如何解决这些问题，也是接下来需要研究的地方[15]。

3.4 胫股内侧关节间隙狭窄趋势的预测

预测胫股内侧关节间隙狭窄的趋势，需要用到T.Woloszynski的胫骨小梁骨质地分析法。该方法要观察三项数据，分别为胫骨平台骨小梁EMD距离、胫骨平台骨小梁各向异性程度和胫骨平台骨小梁各向异性方向。下列计算公式中，θ为方向标志的的角度，S(θ)为其权重[16]。

骨小梁EMD距离计算方法：采用了Rubner提出的图像处理和计算机视觉结合的方法计算。

3.5 骨性关节炎患者的综合干预治疗

通过结合骨关节病分级（K-L分级）评分及AP位股骨远端，胫骨近端角等，可以指导骨关节炎治疗策略。具体包括：健康宣教（运动指导，饮食指导，心理指导等）、药物治疗、力线矫正、单间室置换和全关节置换。

治疗药物：氨基葡萄糖。国内大量的临床应用经验证实，氨基葡萄糖对治疗早中期的骨关节炎是有效的，其作用表现在缓解疼痛症状、改善关节功能、延缓病程发展。

用法用量：常用剂量每天不应小于1500 mg，否则疗效欠佳，每天分2～3次服用，持续8周以上显效，8～12周为1疗程，每年可重复2～3疗程，使用一年以上疗效更稳定，可联合NSAIDs使用。

安全性评价：氨基葡萄糖的药物安全性是值得肯定的，它的不良反应发生率低，远低于非甾体抗炎药，特别是胃肠道不良反应。对有壳水生动物如虾蟹、贝壳类过敏者，应禁用氨基葡萄糖类药物。氨基葡萄糖对哺乳期及儿童的影响尚不清楚，故哺乳期妇女不宜服用。

局限性软骨损伤是骨关节炎的高危因素，局限性软骨损伤根据软骨损伤的位置、大小、深度、软骨下软骨损伤的程度可以采用微骨折、自体骨软骨移植及其组织工程软骨修复技术治疗。

对于有症状的膝关节内侧间室骨性关节炎可以采用胫骨近端外翻截骨术治疗，综合考虑患者的年龄、性别、职业、功能要求等决定是否手术，对于高龄患者应当谨慎考虑。

对于髋或者膝骨关节炎患者，在经过非药物及药物干预的保守治疗后，关节疼痛、僵硬及活动功能仍未获得明显改善者，可推荐行关节置换手术。针对有明显症状，伴或不伴关节功能活动障碍的患者，关节置换手术是有效的，并且具有很高的成本效益，可以显著提高患者的生活质量。

3.6 随访机制的建立

本文提出的骨性关节炎个体化精准诊疗体系的随访机制是通过示范区内医疗机构的PACS业务来完成的。各PACS业务能够对患者历史版本的报告进行直观的比较，可追溯审核修改过程和检查过程，并生成归档随访报告。系统中设置的随访时效一般为3～5年，如果发现患者的等级发生偏差，应立即对患者的诊断数据进行重新处理，更正其骨性关节炎等级，以便提供更精准的治疗服务。

4 讨论

目前医学影像数据大多依赖人工分析，如X线、CT、MRI只能依靠影像诊断医生主观判读。由于受不同层级医院诊断医生的水平限制，医学影像诊断正确性也受到影响，所以老百姓对基层医院服务水平的信任度不够。本文的主要研究目的是基于影像大数据建立骨性关节炎的个体化精准诊疗体系。该体系能够提高基层医院的诊断水平，真正实现三甲医院先进技术下沉到社区，对于本地区的影像诊断水平具有很好的推动作用，使膝关节骨性关节炎的治疗达到规范化基础上的个体化，提高人民群众的就医满意度，符合国家医改的大趋势。

[1] 姚侃敏,陆勇,何萍,等.基于区域医疗数据平台的多病种影像特征库的建设及应用情况[J].中国医疗设备,2014,29(8):73-75.

[2] 王潇,张爱迪,严谨.大数据在医疗卫生中的应用前景[J].中国全科医学,2015,18(1):113-115.

[3] 汪鹏,吴昊,罗阳,等.医疗大数据应用需求分析与平台建设构想[J].中国医院管理,2015,35(6):40-42.

[4] 颜延,秦兴彬,樊建平,等.医疗健康大数据研究综述[J].科研信息化技术与应用,2014,5(6):3-16.

[5] 罗旭,刘友江.医疗大数据研究现状及其临床应用[J].医学信息学杂志,2015,36(5):10-14.

[6] 范美玉,陈敏.基于大数据的精准医疗服务体系研究[J].中国医院管理,2016,36(1):10-11.

[7] 惠华强,郑萍,张云宏.医疗大数据研究面临的机遇与发展趋势[J].中国卫生质量管理,2016,23(2):91-93.

[8] 郑华光,王伊龙,李姝雅,等.精准医疗与脑血管病:教学实践与探索[J].中国卒中杂志,2016,11(7):604-606.

[9] 叶永平,蒋垚,曾炳芳.膝骨关节炎病因、X线片及临床表现分析[J].临床骨科杂志,2000,3(3):169-173.

[10] 马玉峰,王庆甫,陈兆军,等.膝关节骨性关节炎X线测量与WOMAC评分的多重线性回归分析[J].中国骨伤,2012,25(5):373-376.

[11] 张琪.人工智能的发展及其在医学领域中的应用[J].电子技术与软件工程,2016,(20):259.

[12] 陈华忠,谢忠好,曾碧新.人工神经网络在类风湿关节炎诊断中的应用[J].数理医药学杂志,2010,23(2):213-216.

[13] 王清玉,王佳佳,李良华,等.膝关节骨关节炎不同分期与膝关节轴线角的相关性分析[J].中国中医骨伤科杂志,2016,24(11):24-29.

[14] 白云静,申洪波,孟庆刚.基于共轭梯度下降算法的类风湿关节炎BP神经网络证候模型研究[J].中国中医药信息杂志,2010,17(3):96-97.

[15] 洪芳,何建成,曹雪滨.人工神经网络在中医证候研究中的应用现状与趋势[J].辽宁中医杂志,2013,40(1):13-15.

[16] 杨立伟,张礼荣,王冬青,等.3.0 T MRI与X线平片上分别测量膝关节间隙宽度的对比研究[J].临床放射学杂志,2013,32(7):1003-1007.

Research of Osteoarthritis Individualized Precise Diagnosis and Treatment System Based on Big Imaging Data

SHUAI Renjun1, CHEN Ping2, LIU Honglin1, SU Yifei2, JIANG Yan1, TAO Jing1
1.College of Computer Science and Technology, Nanjing Technology University, Nanjing Jiangsu 211816, China;2.Nanjing Health Information Center, Nanjing Jiangsu 210003, China

Abstract:ObjectiveTo make the treatment of knee osteoarthritis more standardized and individualized, the individualized precise diagnosis and treatment system of osteoarthritis based on big imaging data was researched.MethodsThe knee osteoarthritis quantitative scoring system was established by using data mining related techniques, K-L classification and WOMAC score.ResultsThis system provided objective bases accurately for patients’ osteoarthritis treatments.ConclusionThe research of this system will help to make better individualized treatment plans, and improve the satisfaction of treatment and the quality of life.

Key words:big imaging data; osteoarthritis; individualized precise diagnosis treatment; data mining; K-L classification; WOMAC score

通讯作者：陈平，研究员级高级工程师，南京市卫生信息中心副主任，主要研究方向为卫生信息化。

基于影像大数据的骨性关节炎个体化精准诊疗体系的研究

引言