Development and Validation of Ai Model Using Subchondral Trabecular Radiomics in Prediction of Early Osteoarthritis Knee in Diverse Population

早期骨關節炎的治療計劃中最重要的障礙是缺乏可以為臨床決策帶來簡單的定量生物標記。 膝關節炎(OA膝)的盛行率不斷上升，需要開發更準確、更有效率的檢測工具，減少不必要的侵入性關節鏡檢查。有限的研究證明了MRI放射組學在檢測OA膝的準確性，但仍需要進一步的研究來評估其早期檢測能力並滿足臨床要求。本研究提案包括兩個目標：(1) 研究臨床診斷和OA膝關節病人的T2參數圖與軟骨下小樑放射組學(STR)之間的相關性，(2) 開發和驗證早期STR檢測深度學習模型不同族群的OA膝。此外，本研究可實現可信賴的AI建模和跨國驗證，為日常臨床應用奠定了基礎。 本研究可以為臨床決策帶來簡單定量生物標記，新穎性和臨床影響包括 : 1. 節省時間：STR 消除了對 T2 參數圖值的特殊成像脈衝序列和耗時的邊界調整的需要，從而簡化了成像工作流程，節省時間。 2. 預測OA膝風險：放射組學透過識別早期軟骨下變化，有助於識別高風險個體，以幫助進一步預防和健康促進。 3. 監測OA膝進展：放射組學為追蹤疾病隨時間的進展提供了可靠的工具，有助於減少不必要的侵入性手術（例如關節鏡檢查）之前評估治療效果。 我們的研究將放MRI射組學特徵建構成有用的生物標誌物，將顯示出良好的預測性和追蹤疾病進展，因為MRI-STR是非侵入性的，可以測量骨結構異常，幫助臨床醫生改善醫病溝通、決策，選擇合適的病人進行合適治療，包括藥物治療、健康促進、復健治療、透明質酸注射（Hyaluronic Acid）、富血小板血漿治療法 （Platelet-rich plasma） 和細胞因子治療法（Cytokine-Rich Plasma）。在此之前，沒有監測工具來了解疾病的改善或進展，進而重複注射治療藥物的浪費和沒有定量生物標記參考進行高費用治療，但隨著我們這項創新AI建模和跨國驗證研究可以促進個體化醫療。