基于人工智能 影像组学在骨肌系统疾病中的临床应用与发展.pdf

116江西中医药大学学报 2023 年 8 月第 35 卷第 4 期JOURNAL OF JIANGXI UNIVERSITY OF CM 2023 Vol.35 No.4文献综述基于人工智能+影像组学在骨肌系统疾病中的临床应用与发展 罗娇娇1 刘菲菲2 余刚1 杨智丹3 刘端勇4（1.江西中医药大学研究生院 南昌 330004；2.宜丰县人民医院 江西 宜丰 336300；3.江西中医药大学计算机学院 南昌 330004；4.江西中医药大学科技学院 南昌 330004）摘要随着人工智能（AI）在检测、诊断、危险分层和预后预测骨肌系统疾病中应用方面的迅速增加，人工智能可以利用大量电子健康数据和成像研究建立辅助预测模型，对病人的信息进行处理，最终提出诊断意见、疾病预后及治疗方案。通过介绍基于人工智能的影像组学在肌肉骨骼系统疾病中的临床应用与发展，同时增进骨科临床医师对骨骼肌疾病的影像学更多的认识。关键词人工智能；影像组学；骨肌系统疾病；临床应用中图分类号：R681 文献标识码：AClinical Application and Development of Artificial Intelligence+Imageomics in Musculoskeletal DiseasesLUO Jiao-jiao1,LIU Fei-fei2,YU Gang1,YANG Zhi-dan3,LIU Duan-yong41.Graduate School of Jiangxi University of Chinese Medicine,Nanchang 330004,China;2.Peoples Hospital of Yifeng County,Yifeng 336300,China;3.School of Computing,Jiangxi University of Chinese Medicine,Nanchang 330004,China;4.School of Science and Technology,Jiangxi University of Chinese Medicine,Nanchang 330004,China.Absrtact With the rapid increase of the application of artificial intelligence(AI)in detection,diagnosis,risk stratification and prognosis prediction of musculoskeletal diseases,AI can use a large number of electronic health data and imaging research to establish auxiliary prediction model,process the patients information,and finally put forward the diagnosis opinion,disease prognosis and treatment plan.The purpose of this paper is to introduce the clinical application and development of artificial intelligence based icomics in musculoskeletal diseases,and to enhance the orthopedic clinicians understanding of the imaging of musculoskeletal diseases.Key words Artificial Intelligence;Imageomics;Musculoskeletal Diseases;Clinical Application基金项目：江西中医药大学校级研究生创新专项（JZYC21S10）。通信作者：刘端勇，博士，教授，博士生导师。E-mail:。骨骼肌肉系统疾病是临床中较为常见的疾病之一，临床症状主要表现为持续性疼痛、行动能力障碍以及灵活性和功能的受限，对人们的日常生活和工作有着严重的影响1。骨骼肌肉系统疾病由于其原发疾病的多样性诊断较困难，而现有单一的影像技术尚不能对肌骨病变进行准确的判断，极大地限制了其临床应用价值。人工智能2是一门新兴技术科学，研究和开发用于模拟、拓展人类智能的理论、方法、技术和应用系统；而影像组学可以使用高通量定量特征提取方法将图像转换为可以提取的数据，然后筛选出最有价值的影像组学特征3。当前在医学上通常利用人工智能技术建立的辅助预测模型，这种预测模型可以利用计算机辅助诊断和辅助决策。由于疾病诊疗中存在许多不确定性，人工智能技术结合影像组学可以更好地解决这一不准确的推理问题，使辅助预测模型更接近医生诊疗的思维过程，获得更好的预测结论，为骨肌系统疾病的诊断、疾病预后及治疗提出更好的方案。1 基于人工智能的影像组学影像组学4的深层含义是将数字医学图像转换成可以挖掘的高维数据，可以直观地理解为将视117吴绍峰等：我国社区居家养老研究热点的可视化分析文献综述觉图像信息转换为用于定量研究的深层特征。其动机是生物医学图像包含反映潜在病理生理学的信息，并且可以通过定量图像分析来揭示，实现对感兴趣区域分割、特征提取与模型建立，依靠对大量图像数据信息的深入挖掘、预测和分析，以帮助医生做出最准确的诊断。影像组学预测模型通常由 ROC 曲线5及 AUC值6来进行评估的。接收者操作特征（receiveroperatingcharacteristic，ROC）曲线上的每个点都反映了对相同信号刺激的敏感性。但是，在许多实际应用中，通常希望能够得到最佳性能的模型，因此引入曲线下的面积 AUC（Areaundercurve，AUC）。比较模型时，如果一个模型的 ROC 曲线完全被另一模型的曲线“覆盖”，则可以得出结论，后者的性能要好于前者；如果 2 个模型的 ROC 曲线相交，则很难一概而论，如果此时必须进行比较，则比较合理的判断基础是比较 AUC。当 AUC=1 时，这是一个完美的模型；当 0.5AUC1（比随机猜测更好）时，如果正确设置阈值，则此分类器（模型）可以具有预测值；当 AUC=0.5，模型没有预测价值；如果 AUC0.5，比随机猜测更糟糕，但是只要与预测结果背道而驰，就比随机猜测好。在同一条 ROC 曲线上，越靠近(0,1)的坐标点对应的模型性能越好，因为此时模型具有较高的真正率和较低的假正率。2 基于人工智能的影像组学在骨肌系统疾病中的临床应用2.1 疾病诊断与鉴别诊断在骨骼肌肉系统疾病中，很多疾病特别是肿瘤疾病很难通过常规的无创的方法进行诊断以及鉴别诊断，如软骨肉瘤和内生软骨瘤的主要治疗方式都是行手术治疗，但是两者存在着很大的差异7。软骨肉瘤主要是以姑息性切除或广泛性甚至根治性切除手术为主，内生软骨瘤则以病灶刮除术及植骨术为主。因此，如何正确区分软骨肉瘤和内生软骨瘤对临床决策和判断患者预后具有重要意义。2.1.1 肿瘤 周行知等8对 120 例诊断为软骨肉瘤和内生软骨瘤患者的 MR 图像分别进行特征提取，利用这些特征建立的模型可以有效地区分长骨内源性软骨瘤和软骨肉瘤，从而有助于临床决策。潘洁琳等7收集了 68 例软骨源性肿瘤（27 例软骨肉瘤和 41 例内源性软骨瘤）的 MRI 数据，得到的结果是：基于 T1WI、T2WI-FS 序列的组学模型的诊断准确性高于放射科医生。Hsu 等9在研究中利用基于标准摄取值（SUV）的阈值来识别FDG（Fluoro-deoxy-glucose）阳性的组织，自动分割出 FDG 阳性肿瘤区域。Li 等10提取了 210 例患者（154 例颅底脊索瘤和 56 例颅底软骨肉瘤）的术前 MRI 的特征，认为多参数影像组学特征可以准确而有力地区分颅底脊索瘤和软骨肉瘤。Yi等11指出影像组学在鉴别骨盆 OS 和 EWS 方面很有潜力，并且其中 T2-FS 具有较好的诊断价值。Tagliafico 等12则通过回顾 70 例骨髓移植前的多发性骨髓瘤患者的 CT 资料应用影像组学方法证明了：影像组学方法能够有效地在 CT 上区分弥漫型与灶型多发性骨髓瘤。Yin 等13认为使用 LASSO回归方法+GLM 分类器对 SC 和 SGCT 的鉴别性能最好。2.1.2 肿瘤并发症 除肝脏、肺脏外，肿瘤最容易转移到骨，特别是脊柱区域；在恶性肿瘤发病率增高的同时，CA 脊柱转移的发病率也在上升14。常规寻找肿瘤原发灶的方法有：一是通过有创的方式获取转移组织进行病理活检，二是从影像学上筛查怀疑的原发部位。这些方法不但耗时耗力，而且穿刺活检这种方法有可能会在对创伤患者的同时使肿瘤发生进一步转移。陈永晔等15回顾性分析 61 例经诊断为脊柱转移患者的动态增强磁共振成像（DCE-MRI），在结果中影像组学诊断的准确率为 0.71，卷积神经元网络（CNN）和卷积长短时间记忆（CLSTM）神经元网络的平均诊断准确率分别为 0.71、0.81。另一项研究也采用了神经网络深度学习的方法，Ning 等16纳入 61 例初始无肿瘤诊断后来证实有转移的患者（肺癌 30 例，非肺癌 31 例），得到的结论是：基于 DCE-MRI 的影像组学及深度学习在肺癌脊柱转移瘤的鉴别诊断中具有独特的优势。Dong 等17回顾性分析 99 例非小细胞肺癌患者的CT 数据，提取来自第 12 胸椎水平的胸部 CT 扫描的单个轴位切片的影像组学特征，得到的预测模型可以识别晚期非小细胞肺癌患者的骨骼减少症。Xi 等18建立并验证了一种基于 MRI 的鼻咽癌放疗后鉴别诊断颈椎放射性骨坏死（ORN）与转移的方法。Filograna 等19则对 8 例肿瘤患者共 58个背侧椎体进行了放疗前 MR 检查，建立的模型能有效识别转移性椎体与非转移性椎体。2.1.3骨质疏松何丽等20验证了用于评估检测骨质疏松的常规腰椎磁共振影像组学模型。在此项研究中，研究者提取了来自骨质疏松症门诊的 50 例女性患者的 T1WI 和 T2WI 序列的影像组罗娇娇等：基于人工智能+影像组学在骨肌系统疾病中的临床应用与发展118江西中医药大学学报 2023 年 8 月第 35 卷第 4 期文献综述学特征，T1WI+T2WI 结合年龄和绝经因素建立联合组学模型的准确率可达到 92%，结合序列和临床特征可进一步提高诊断效果。Rastegar 等21通过影像组学和机器学习的方法建立了一个模型来诊断骨质疏松症、骨量减少和正常患者，分别描述了对股骨粗隆部分及颈部骨质检测的最佳机器学习模型。2.1.4 椎旁脓肿 脊柱外科手术术后，由不同类型的致病菌在感染椎体后会产生化脓性或结核性感染的不同病理表现，其具有较高致残率，因此有必要尽快明确诊断，虽然MRI 对脊椎感染的诊断提供了一种良好的检查方式22，但临床常难以鉴别临床表现不典型的结核性或化脓性感染患者，容易导致误诊，错过最佳治疗时机。张军23收集了76 例患有椎旁脓肿的 MR 影像学资料，其中结核性 28 例，化脓性 48 例，在影像评分预后模型中，测试集的 AUC 值为 0.82，因此运用医学图像的纹理特征建立模型能有效鉴别化脓性与结核性的椎旁脓肿。2.1.5 骨性关节炎 颞下颌关节骨关节炎（OA）的慢性残疾通常随着年龄的增长而增加24，为了在形态学退化发生之前进行诊断。Bianchi 等25使用采集了 92 例早期颞下颌关节骨性关节炎患者的临床、生物学和高分辨率 CBCT（影像组学）等信息，同时测试了 4 种机器学习模型的诊断性能：逻辑回归模型，随机森林模型，LightGBM 模型和 XGBoost模型。结果表明，XGBoost+LightGBM 模型诊断颞下颌关节 OA 的准确率为 0.823，是效果最佳的，可以有效的在发生形态学退化之前诊断颞下颌关节骨关节炎。2.1.6感染与炎症 DAmico 等26发布了一项初步研究，关于评估使用影像组学方法通过 FDG-PET 和 CT 进行关节假体植入（JP）或创伤后综合干预（SI）患者的感染和炎症鉴别中的价值。研究中纳入了 29 例 JP 或 SI 患者，从每个患者的 CT 和PET 图像中提取出 196 个特征，使用自定义遗传算法进行特征选择，并使用 3 种不同的机器学习（ML）系统：KNN、LDA 和 NaveBayes 分类器（NB），在3 个验证测试中的结果，使用 NB 分类器分析 4 个特征（包括一个基于 CT 的特征和 3 个基于 PET的特征）获得了最好的诊断性能，平均准确率为92%。因此，使用机器学习方法可以有效区分骨感染与炎症。2.2 预测疾病预后与病理分级对于有较强异质性的疾病，例如骨肿瘤，不同肿瘤之间或者同一肿瘤的不同分级的治疗方法是不同的，如何更好地了解患者的预后情况以及病理分级，以便于及时调整治疗方案做到个性化治疗。结合人工智能的影像组学除了在疾病的诊断与鉴别诊断上有大量应用外，影像组学则为预测提供了新方法、新可能。2.2.1 预测疾病预后 滕王锶源27探讨了膝关节巨细胞瘤手术后机械性重建失败的预测指标。本研究选取了 19 例术后机械性重建失败的病例。绘制了 ROC 曲线（ACU=0.891），表明术前 CT 的影像组学分析用于预测膝关节巨细胞瘤手术后机械性重建失败的风险。陈海妹等28对 6 个中心的新辅助化疗和手术切除后经组织学证实的 107 例骨肉瘤的临床和影像学资料进行回顾性分析，在此项研究中基于T1WI 影像组学列线图可作为非侵入性量化工具，用于在治疗前预测 1 年内骨肉瘤的复发可能性。Jamet 等29纳入了欧洲两项独立的前瞻性试验共 139 例多发性骨髓瘤患者的 FDG-PET/CT 影像建立预测模型，该模型能够判断多发性骨髓瘤患者的预后是高风险还是低风险。Schenone 等30分析得知，多发性骨髓瘤与全身骨内体积的扩大有关，机器学习可以识别与疾病演变大部分相关的 CT 图像特征。Vallires 等31建立了一个基于FDG-PET 和 MRI 纹理的联合模型能有效评估早期软组织肉瘤的肺转移风险。2.2.2预测病理分级目前活检是肿瘤手术术前获取病理学分级的主要方法，但由于肿瘤异质性，穿刺活检的误差可能导致结果不准确，在病灶较大的脂肪类肿瘤中尤其突出，因此，迫切需要探索一种准确、无创的术前软组织肉瘤的分级方法以解决现存问题。Wang 等32训 练 了 基 于 MRFSE-T2WI 和T1WI 序列的影像组学机器学习模型，以预测软组织肉瘤的等级，结果表明：联合使用递归式特征消除和少数样本合成过采样技术的随机森林分类算法效能最佳。Gitto 等33研究了 58 例经组织学证实的低度/不典型软骨肿瘤患者（n=26）和高度恶性软骨肉瘤患者（n=32），他们认为机器学习方法对低-高级别软骨骨肿瘤的分类有很好的诊断性能，可以作为肿瘤术前定性的辅助手段。3 问题与展望从全文看来，结合人工智能的影像组学在临床上主要是应用在骨肿瘤方面，只有少数应用在骨质疏松、骨关节炎、感染等方面。而且有着以下的局119吴绍峰等：我国社区居家养老研究热点的可视化分析文献综述限性。第一，当前的研究普遍纳入了样本数量较小，人工智能本来就是能够很方便处理大样本数据的学科，这通常是由于只纳入了单中心的样本，如果纳入了多中心的样本，虽然能够得到较大的样本量，但又面临着如何在不同设备、不同参数采集的数据保证特征的一致性的问题。第 二，特 征 提 取 的 软 件 及 方 法 繁 杂，例如 PyRadiomics、3DSlicer、ITK-SNAP、MIM、MATLAB、Mazda4.6、慧影影像组学云平台等等，有的是付费的，有的则是免费开源的，不同的研究者的由于条件的不同所以选择亦然不同，很难得到一个统一的标准。第三，ROI 分割当前主要还是获通过手动方法对图像 ROI 进行分割。手动分割还是金标准，虽然其准确性高但是极大的消耗研究者的时间和精力，因此难以实现自动化大数据集分析。第四，模型建立算法的局限性，这个问题不是某个个体或组织就可以解决的，需要国际上制定相关标准化规范。当前也有研究尝试通过国际合作建立影像组学的标准化指南34，但该研究也并没有在所有特征上达到共识，仍然需要更深层次的研究。人工智能的影像组学是一个结合医学+物理+计算机的跨领域学科，随着机器学习算法、图像分析等技术的发展，影像组学将不断趋于成熟及标准化、规范化。当前影像组学的应用在肿瘤方向比较多，如果影像组学也能用于常规的疾病如腰椎间盘突出、颈椎病、膝关节骨性关节炎的治疗预后，将会为临床治疗提供一个新的途径。参考文献1郭瑞君.可视化超声技术在肌肉骨骼系统疾病中的应用 J.中国医学影像技术,2019,35(8):1121-1122.2王万良,张兆娟,高楠,等.基于人工智能技术的大数据分析方法研究进展 J.计算机集成制造系统,2019,25(3):29-547.3 刘珂,张恩龙,王奇政,等.影像组学在骨肿瘤中的临床研究进展J.磁共振成像,2020,11(10):957-960.4李舒,黄铖,丁长伟,等.影像组学领域研究热点分析 J.中国科技信息,2020(22):123-124.5HooZH,CandlishJ,TeareD.WhatisanROCcurve?J.EmergMedJ,2017,34(6):357-359.6KamarudinAN,CoxT,Kolamunnage-DonaR.Time-dependentROCcurveanalysisinmedicalresearch:currentmethodsandapplicationsJ.BMCMedResMethodol,2017,17(1):53.7潘洁琳，姜云萍，占颖莺，等.基于 MRI 平扫的影像组学模型鉴别软骨肉瘤与内生软骨瘤 J.南方医科大学学报,2020,40(4):483-490.8周行知,许镭,林鹏,等.应用 MR 影像组学特征鉴别长骨内生软骨瘤与软骨肉瘤的研究分析 J.实用肿瘤杂志,2019,34(3):219-226.9HsuCY,DoubrovinM,HuaCH,etal.RadiomicsFeaturesDifferentiateBetweenNormalandTumoralHigh-FdgUptakeJ.SciRep,2018,8(1):3913.10LiL,WangK,MaX,etal.RadiomicanalysisofmultiparametricmagneticresonanceimagingfordifferentiatingskullbasechordomaandchondrosarcomaJ.EurJRadiol,2019,118:81-87.11YiD,YinP,MaoN,etal.DifferentiationofPelvicOsteosarcomaandEwingSarcomaUsingRadiomicAnalysisBasedonT2-WeightedImagesandContrast-EnhancedT1-WeightedImagesJ.BioMedresearchinternational,2020,2020:9078603.12TagliaficoAS,CeaM,RossiF,etal.DifferentiatingdiffusefromfocalpatternonComputedTomographyinmultiplemyeloma:AddedvalueofaRadiomicsapproachJ.EurJRadiol,2019,121:108739.13YinP,MaoN,ZhaoC,etal.Comparisonofradiomicsmachine-learningclassifiersandfeatureselectionfordifferentiationofsacralchordomaandsacralgiantcelltumourbasedon3DcomputedtomographyfeaturesJ.EurRadiol,2019,29(4):1841-1847.14马卓,吕智.脊柱转移癌的认识与诊治 J.中国骨与关节杂志,2012,1(2):185-189.15陈永晔,张恩龙,张家慧,等.基于磁共振动态增强的影像组学及深度学习在肺癌脊柱转移鉴别诊断中的应用 J.临床放射学杂志,2020,39(1):111-116.16NingL,ZhangY,ZhangEL,etal.DifferentiationofspinalmetastasesoriginatedfromlungandothercancersusingradiomicsanddeeplearningbasedonDCE-MRIJ.Magneticresonanceimaging,2019,64:4-12.17DongX,XuD,AoYW,etal.Identifyingsarcopeniainadvancednon-smallcelllungcancerpatientsusingskeletalmuscleCTradiomicsandmachinelearningJ.Thoraciccancer,2020,11(9):2650-2659.18XiZ,LiL,JiangHL,etal.Cervicalspineosteoradionecrosisorbonemetastasisafterradiotherapyfornasopharyngealcarcinoma?TheMRI-basedradiomicsforcharacterizationJ.BMCmedicalimaging,2020,20(1):104.19FilogranaL,LenkowiczJ,CelliniF,etal.Identificationofthemostsignificantmagneticresonanceimaging(MRI)radiomicfeaturesinoncologicalpatientswithvertebralbonemarrowmetastaticdisease:a feasibilitystudyJ.RadiolMed,2019,124(1):50-57.20何丽,刘斋,高志梅,等.腰椎磁共振影像组学对女性骨质疏松症的诊断价值 J.中国组织工程研究,2020,24(30):4841-4846.21RastegarS,VaziriM,QasempourY,etal.Radiomicsforclassificationofbonemineralloss:AmachinelearningstudyJ.DiagnosticandInterventionalImaging,2020,101(9):599-610.22张海栋,王仁法,宋少辉,等.脊柱化脓性感染的 MRI 征象 J.放射学实践,2010,25(2):189-192.23张军.基于影像组学的化脓性及结核性椎旁脓肿鉴别诊断 D.青岛大学,2019.24陈宁.衰老与颞下颌关节骨关节病 J.口腔颌面外科杂志,2013,23(5):325-329.25BianchiJ,RuellasACDO,GonalvesJR,etal.OsteoarthritisoftheTemporomandibularJointcanbediagnosedearlierusingbiomarkersandmachinelearningJ.Scientificreports,2020,10(1):8012.26DAmicoN,GandolfoP,ValbusaG,etal.Aradiomicapproachforsuccessfuldistinctionofinfectionversusinfammationinpatientstreatedwithreparativeorthopaedicsurgery:ApilotstudyJ.（下转第 124 页）罗娇娇等：基于人工智能+影像组学在骨肌系统疾病中的临床应用与发展124江西中医药大学学报 2023 年 8 月第 35 卷第 4 期文献综述43王硕,罗崇念,袁经权,等巴西人参 3 种提取液对耐缺氧、抗疲劳及抗肿瘤作用的影响 J.现代预防医学,2010,37(8):1537-1539.44DeAJT.Brazilianginsengderivativesfortreatmentofsicklecellsymptomatology:US5449516P.1995-09-12.45赵秀敏尘肺合并呼吸道感染的临床治疗 J.临床合理用药,2010,3(14):114-115.46王娟珐菲亚参胶囊辅助大容量全肺灌洗术治疗煤工尘肺的临床效果观察 J.现代医学,2016,44(2):239-241.47RodrigoRF,LetciaAT,KristhianoC,etal.A20-hydroxyecdysone-enrichedfractionfromPfaffiaglomerata(Spreng.)Pedersenrootsalleviatesstress,anxiety,anddepressioninmiceJ.Journalofethnopharmacology,2020:113599-113599.48TakemotoT.Pfafficacidsanditsderivatives:JP59010548AP.1982-01-20.49MazzantiG,BraghiroliL,TitaB,etal.Anti-inflammatoryActivityofPfaffiaPaniculata(Martius)KuntzeandPfaffiaStenophylla(Sprengel)StuchlJ.Pharmacol,1993,27:91-92.50MazzantiG,BraghiroliL,TitaB.etal.Analgesicandanti-inflammatoryactionofPfaffiapaniculata(Martius)KuntzeP.Phytother,1994,8(7):413-416.51NevesCS,GomesSSL,SantosTR,etal.“Brazilianginseng”(PfaffiaglomerataSpreng.Pedersen,Amaranthaceae)methanolicextract:cytogenotoxicityinanimalandplantassaysJ.SouthAfricanJournalofBotany,2016,106:174-180.52AuharekSA,CarolloCA,OliveiraRJ,etal.EvaluationofthetestisfunctionofmiceexposedinuteroandduringlactationtoPfaffiaglomerata(Brazilianginseng)J.Andrologia,2019,51(8):e13328.53AlmeidaIV,DsmanE,MattgeGI,etal.InvivoantimutagenicactivityofthemedicinalplantsPfaffiaglomerata(Brazilianginseng)andGinkgobilobaJ.Geneticsandmolecularresearch:GMR,2017,16(3):16039785.（收稿日期：2021-01-07）编辑：曾文雪EuropeanJournalofNuclearMedicineandMolecularImaging,2018,45:S67.27滕王锶源.膝关节骨巨细胞瘤扩大刮除术后机械性重建失败的风险因素及预测指标 D.杭州:浙江大学,2018.28陈海妹,刘金,程梓轩,等.基于多中心 T1WI 影像组学列线图治疗前预测骨肉瘤一年内复发的价值 J.中华放射学杂志,2020,54(9):874-881.29JametB,MorvanL,NanniC,etal.Randomsurvivalforesttopredicttransplant-eligiblenewlydiagnosedmultiplemyelomaoutcomeincludingFDG-PETradiomics:acombinedanalysisoftwoindependentprospectiveEuropeantrialsJ.Europeanjournalofnuclearmedicineandmolecularimaging,2021,48(4):1005-1015.30SchenoneD,LaiR,CeaM,etal.RadiomicsandartificialintelligenceanalysisofCTdatafortheidentificationofprognosticfeaturesinmultiplemyelomaJ.MedicalImaging,2020.31 ValliresM,FreemanCR,SkameneSR,etal.AradiomicsmodelfromjointFDG-PETandMRItexturefeaturesforthepredictionoflungmetastasesinsoft-tissuesarcomasoftheextremities.J.Physicsinmedicineandbiology,2015,60(14):5471-5496.32WangHX,ChenHS,DuanSF,etal.RadiomicsandMachineLearningWithMultiparametricPreoperativeMRIMayAccuratelyPredicttheHistopathologicalGradesofSoftTissueSarcomasJ.JournalofMagneticResonanceImaging,2020,51(3):791-797.33GittoS,CuocoloR,AlbanoD,etal.MRIradiomics-basedmachine-learningclassificationofbonechondrosarcomaJ.Europeanjournalofradiology,2020,128:109043.34HattM,MartinV,DimitrisV,etal.IBSI:aninternationalcommunityradiomicsstandardizationinitiativeJ.JournalofNuclearMedicine,2018,59:287.（收稿日期：2021-04-28）编辑：王河宝（上接第 119 页）