作者：刘玥，江光前，万兵，李红，三峡大学附属仁和医院放射科

结核和转移瘤均是脊柱常见病变，临床表现为疼痛、椎体病理性骨折、脊柱后凸和脊髓受压，可能导致神经功能障碍甚至瘫痪。两者的临床治疗方法截然不同，因而对两者的准确鉴别十分重要。作为一种无创、无辐射的检查方法，磁共振成像(magnetic resonance imaging，MRI)为脊柱提供了多角度、多平面、高分辨率的图像，得益于其良好的软组织分辨率，常规MRI 成为检测脊柱病变的最佳影像检查方法，被广泛应用于临床对于脊柱结核和转移瘤的鉴别诊断。然而，两者的临床特征及MRI 表现存在一定重叠，特别是当椎体骨质破坏显著时，由于椎体易出现压缩性骨折导致两者的MRI 征象更不典型，临床工作中存在一定的误诊及漏诊风险。

常规MRI 仅能反映病变组织的形态学改变，在提供组织的微观结构和疾病的病理生理信息方面存在缺陷。近年来，功能MRI 和基于人工智能( artificial intelligence，AI)的MRI 影像组学已越来越多地应用于脊柱病变的定量分析，可为脊柱结核和脊柱转移瘤的鉴别诊断、精准治疗、病情监测及预后评估提供客观依据。本文主要就常规MRI、功能MRI 与基于人工智能的MRI 影像组学在脊柱结核和脊柱转移瘤鉴别诊断中的协同应用及最新研究进展作一综述。

1.　常规MRI

脊柱结核好发于胸腰段，常累及单个或相邻椎体， 导致椎体骨质破坏( 47%) 或溶骨性改变(34%)，通常伴有椎间盘受累，此外还可形成泥沙样死骨及椎旁冷脓肿。脊柱转移瘤好发于胸椎，可累及单个椎体，也可发生于多个不相邻或不同部位的椎体，呈跳跃式受累，椎体骨质破坏主要累及椎体和椎弓根的中后部，通常椎体前后径增大，为扁平形的骨质破坏，椎间盘受累少见。

常规脊柱MRI 允许在多个序列、参数和平面上对脊柱、脊髓和周围软组织进行可视化，椎体信号异常是两者共有且最常见的常规MRI 表现，而T2WI 脂肪抑制序列能消除骨髓背景信号的影响，是观察骨质异常信号的敏感序列。不过，对于非典型或早期的脊柱结核和脊柱转移瘤，若脊柱结核患者处于病变实性肿块阶段，尤其是未形成脓肿或累及椎间盘的病变，椎体骨质破坏和信号变化是常规MRI 图像上的主要表现，两者的鉴别诊断变得困难。此时功能MRI 可依靠反映组织病变微观病理变化的定量参数为两者的鉴别提供有效的影像学标志物。

2.　功能MRI

2.1　多点非对称回波采集与迭代最小二乘法水脂分离(iterative decomposition of water and fat with echo asymmetry and the least squares estimation quantification sequence， IDEAL-IQ) 成像　

作为MRI 脂肪定量序列，IDEAL-IQ 基于Dixon 采集技术将脂肪和水分离，精确测量组织相对脂肪含量和T2弛豫时间。R2∗值是反映组织T2 弛豫状态的定量参数，质子密度脂肪分数( proton density fat fraction，PDFF)值则是脂肪质子密度与脂肪和水质子总密度之比，能反映组织内水和脂肪的相对含量，提示病变过程。在组织病理学水平，脊柱恶性病变与正常骨髓脂肪组织被肿瘤细胞取代有关，而良性病变通常含有残存的脂肪组织，这些脂肪组织弥漫存在于骨髓基质中。此前已有研究证明，PDFF 值在鉴别椎体良、恶性病变方面具备一定的效能。Jung 等研究证明，使用PDFF 值可提高MRI 鉴别脊柱转移瘤和脊柱局灶性造血骨髓沉积的能力。

Kwack 等应用IDEAL-IQ 鉴别脊柱转移瘤和脊柱良性局灶性病变，研究显示转移瘤的脂肪分数( fatfraction， FF)值和R2∗值均较良性局灶性病变低，且FF 值对两者的鉴别较R2∗ 值更为准确。王帅娜等也尝试利用IDEAL-IQ 鉴别脊柱结核与脊柱转移瘤，研究显示转移瘤组的FF 值和R2∗ 值均较结核组明显减低，且FF 值是两者鉴别的独立预测因子之一，与此前的研究结论相同。脊柱结核和脊柱转移瘤的IDEAL-IQ 参数存在显著差异，原因可能在于后者的侵袭性更强、微环境更复杂多样，且肿瘤细胞增殖迅速、骨髓脂肪含量减少。

研究证明，无论是使用组织病理学测定的人体骨骼脂肪含量，还是使用基于磁共振波谱的脊柱骨髓脂肪分数作为参考标准，PDFF 在确定骨髓脂肪含量时都具有较高的准确性。因此IDEAL-IQ 可为脊柱结核和脊柱转移瘤的鉴别提供新的影像学标记物。

2.2　MRI 动态对比增强成像( dynamic contrast enhanced magnetic resonance imaging， DCEMRI)

DCE-MRI 通过分析对比剂在组织的流入和清除过程评估组织的血管分布及渗透性，利用时间-信号强度曲线(time-signal intensity curve， TIC)获取多个灌注参数值，能敏感识别与病变相关的参数变化，在肿瘤的血管渗透性分析及早期诊断、分级、治疗方案制定及疗效评估等方面应用广泛，尤其在脊柱良恶性病变的鉴别中具有一定价值。

Lang等发现脊柱转移瘤和脊柱结核的TIC 存在明显差异，前者多为速降型曲线，后者以平台型为主。推测速降型曲线与脊柱转移瘤肿瘤血管丰富、血管内皮细胞通透性高有关，而脊柱结核间质成分较多、血管通透性相对较低，使造影剂易滞留于血管外间隙，故以平台型曲线为主。由此认为，速降型曲线提示脊柱转移瘤的可能性较高。但脊柱转移瘤与脊柱结核的TIC 形态可能出现重叠，仅凭TIC 形态鉴别两者存在一定局限性，而DCE-MRI 结合Tofts 双室药代动力学模型，能通过组织微观灌注特征参数值定量反映病变部分病理生理信息，可直接获取代表组织内部微血管病理生理改变的客观参数值定量分析脊柱的微循环特征，有效弥补了这一不足。

DCE-MRI 参数主要包括反映组织内微血管血流量及毛细血管通透性相关性的常数Ktrans 值、血浆与血管外细胞外间隙之间的速率常数Kep 值、血管外细胞外间隙对比剂的容积分数Ve 值、区域血管分数Vp 值。王丽等研究发现，相比于椎体结核，椎体转移瘤的Ktrans 值、Vp 值、Kep 值更高而Ve 值更低，反映转移瘤血管通透性较结核高。

Verma 等通过比较脊柱结核与脊柱恶性肿瘤的DCE-MRI 灌注参数值发现，恶性肿瘤的Kep 值显著高于结核，是恶性肿瘤的最佳独立预测指标(取Kep 截断值≥1.17min-1 时敏感性93.8%， 特异性100%， 准确率94.4%)；两者的DCE-MRI 参数值差异明显，可作为鉴别诊断重要的量化指标。不过，相对于其他评价脊柱微循环状态的MRI 技术，DCE-MRI 在脊柱病变的应用相对较少，其评估性能还需通过进一步研究来验证。

2.3　弥散加权成像( diffusion weighted imaging，DWI)　

DWI 可获取组织内部的表观弥散系数( apparent diffusion coefficient， ADC) 值，根据活体组织中水分子的弥散运动状态反映病变的病理生理信息，是一种单指数模型。ADC 值是衡量水分子弥散运动受限程度的定量指标，反映了组织间隙内自由水含量。相较于正常组织和良性病变，肿瘤细胞增殖速度快、细胞间黏度大、水分子弥散受限明显，ADC 值较低。脊柱转移瘤会导致椎体骨髓成分变化，肿瘤细胞取代正常骨髓细胞，肿瘤细胞紧密排列，使细胞外间隙减少、水分子弥散受限，ADC 值明显降低。

卿培东等发现脊柱转移瘤的ADC值明显低于相邻正常椎体和非转移瘤椎体，其原因可能与肿瘤血供丰富、肿瘤细胞数量增加影响水分子弥散有关。姚晓群等通过研究也发现脊柱结核的ADC 值高于脊柱转移瘤，分析其原因，可能与结核细胞外水分子增多且弥散运动增加有关；对照病理结果，提示DWI 对于脊柱结核和脊柱转移瘤的鉴别具有一定的敏感性和特异性。然而，对于部分患者，脊柱结核和脊柱转移瘤的ADC 值可能存在重叠。

Schmeel 等评价了ADC值和PDFF 值鉴别椎体良性和恶性病变的效能，该研究指出PDFF 值对椎体正常骨髓和恶性病变的鉴别效果较好，ADC 值则对椎体良性病变的特征显示更佳；与使用单一参数相比，两参数联合应用能显著提高鉴别诊断的准确率，也表明了DWI 与其他多模态MRI 技术联合应用对鉴别脊柱结核和脊柱转移瘤的可行性与重要性。

2.4　体素内不相干运动成像( intravoxel incoherent motion imaging，IVIM)

2.4.1　双指数模型　

一方面，DCE-MRI 耗时长、费用高，且不适用于MRI 对比剂禁忌患者；另一方面，ADC 值是弥散和灌注效应值的总和，因此DWI 并不能真实反映组织中水分子弥散情况。IVIM 双指数模型因此应运而生，其无需使用对比剂，仅通过设定多次小b 值( <200 s/ mm2 ) 即可在体素水平分离出“弥散”和“灌注”两种因素的定量参数，以纯弥散系数D、伪弥散系数D∗及灌注分数f 量化分析组织水分子运动的真性弥散及微循环灌注的假性弥散，可反映病变早期分子水平变化。

脊柱恶性肿瘤细胞排布致密、水分子含量减少，造成弥散受限；而结核的病理改变以渗出、坏死、骨质破坏为主，一方面病变椎体内新生血管增多，新生血管通透性高，水分子渗漏至血管外出现淤血、水肿，另一方面椎体骨质破坏导致邻近组织炎症、水肿，即使出现干酪样坏死，对比转移瘤其水分子含量减少和弥散受限并不显著，因此D 值较转移瘤高。可见IVIM 参数中反映水分子弥散的ADC 值和D 值可能对脊柱转移瘤和脊柱结核的鉴别存在价值。

此前就有研究表明IVIM 双指数模型可在脊柱转移瘤与脊柱不典型血管瘤、脊柱多发性骨髓瘤的鉴别诊断中发挥作用。但秦思源等研究发现脊柱结核和脊柱转移瘤的ADC 值和D 值无明显差异，因此认为IVIM 对两种疾病鉴别诊断价值有限，分析原因可能与其原发灶的生物学特性相关。参数D∗ 值和f 值主要与组织内微血管密度和其内血液流速有关。

秦思源等研究发现，脊柱转移瘤较脊柱结核的D∗ 值更高、f 值更低，f 值变化的原因可能在于转移瘤的细胞密度高于正常组织，细胞间质的毛细血管被肿瘤细胞压迫、变形，导致微循环灌注比例降低。而王帅娜等研究显示脊柱转移瘤组的D∗值较脊柱结核组低，而f 值无显著差异，可见脊柱结核和脊柱转移瘤的IVIM 微循环灌注参数D∗ 值和f 值并不稳定。参数D∗和f 值易受脂肪、b 值大小、数量、激励次数设定及病变大小、位置等多因素影响，在脊柱结核和脊柱转移瘤鉴别的应用价值还有待进一步探索。

2.4.2　拉伸指数模型　

肿瘤组织的微观结构远比想象复杂。IVIM 双指数模型仅反映了细胞内、外两个质子池的运动，未涉及相移、涡流及其他因素影响，且当b 值显著增大时水分子弥散将不再服从高斯分布，因此双指数模型对分析水分子在体素中的实际分布存在缺陷。拉伸指数模型无需区分体素中不同区间即可评估组织结构的异质性，以体素内水弥散异质性系数α 值和分布弥散系数DDC 值反映复杂的生物组织和病理生理特性。α 值是反映组织复杂程度的特征性参数，组织结构越复杂，水分子弥散均匀性越差，α 值越小。α 值在0 到1之间变化，α 值越接近1，体素中的弥散越均质，越接近于单指数模型；α 值越接近0，体素内弥散的异质性增加，为复杂的多指数衰减。

大量囊变、坏死、出血或间质增生将导致较高的组织异质性，恶性肿瘤的血管结构更为复杂、细胞形态更不均匀，组织异质性因此更高。IVIM 双指数和拉伸指数模型在脊柱病变中应用较少，可能是由于脊柱和相邻组织关系紧密，以及外周呼吸运动和心脏大血管搏动使图像伪影明显。Xing 等在脊柱IVIM 研究中使用较小相位编码方向的视野减少图像读取时间，相对增加了相位编码线方向的带宽，达到了提高空间分辨率、减少了图像变形和伪影的目的，确保对病变细节的观察与分析、对感兴趣区(region of interest，ROI)的准确选取及各参数值的准确性。

Zhang 等联合应用DWI 单指数、IVIM 双指数和拉伸指数模型对脊柱转移瘤和脊索瘤进行研究，研究发现脊索瘤的ADC 值、D 值、DDC 值、α 值均明显高于转移瘤，可能与转移瘤细胞排布更致密、增殖速度更快及更易缺血坏死导致的细胞异质性更高有关，D 值因在单一参数中AUC 最高而被认为鉴别诊断价值最高，不过D 值、f 值和α 值联合诊断的AUC 较D 值更高，表明IVIM 多参数联合应用较单一参数D 值更能提高鉴别转移瘤的效能。

王帅娜等则认为脊柱结核组和脊柱转移瘤组间α 值无显著差异，可能与两者均表现为对骨质的侵蚀与破坏，因而组织复杂度类似有关；此外还发现ADC 值、PDFF 值和D∗值是鉴别脊柱结核和脊柱转移瘤的独立预测因子，三者的联合诊断效能显著高于各单项参数值，并高于单独应用IDEAL-IQ 或IVIM。可见，多模态MRI可为脊柱结核和脊柱转移瘤的鉴别提供更可靠的依据。

DDC 值是依据体积分数加权的多区间ADC 值的比率之和，与仅能反映特定方向水分子弥散信息的ADC 值和D 值不同，DDC 能反映多个方向的水分子弥散信息，因此对弥散变化更敏感。吴慧等研究显示ADC 值、D 值、DDC 值在脊柱疾病的诊断应用有良好的相关性。

总之，双指数及拉伸指数拟合模型可定量反映组织内弥散、灌注及组织复杂程度。不过双指数模型和拉伸指数模型的ROI 选取并不相同:由于α值反映水分子在组织内弥散的异质性，拉伸指数模型ROI 应尽可能包含病变的整体；而双指数模型中，囊变、坏死、出血、钙化等区域会严重影响各参数值，因此双指数模型ROI 选取应避开以上区域。

3.　基于AI 的MRI 影像组学

影像组学是计算机辅助诊断与检测系统的延伸。基于MRI 的影像组学是一种定量的图像分析方法，将数字MRI 图像转换为可挖掘的高维特征，包括信号强度、几何形状和纹理特征，这些特征可提供对图像的全面描述，并用于预测模型的开发，以研究疾病的诊断和预后。影像组学与AI 相结合能优势互补:前者在为后者提供海量数据的同时，还使后者的结果更具有科学性和可解释性，而后者不仅满足了前者对于计算能力的需求，各种分类和预测模型更拓宽了前者的应用场景。其中，深度学习和机器学习是最常用的方法。

3.1　深度学习　

影像组学要求对病灶精准分割以提取基于像素直方图和高级纹理的特征，因而准确的ROI 分割对数据分析至关重要，是影像组学流程中最关键的部分和模型构建的重要前提。而深度学习的优势在于能自动识别并高效提取图像特征。目前已有多项基于深度学习的关于病灶定位、疾病诊断、肿瘤分类以及疾病进展预测模型的报道。针对脊柱病变，基于深度学习的应用研究也日益增多。

Wang 等以MRI 增强扫描为基础，使用改进的U-Net 和Inception-ResNet 分割模型，使脊柱转移瘤的平均诊断准确率达到98%， 精确度高达98.001%，证明了深度学习分割脊柱病灶的可行性。深度学习的常用方法是卷积神经网络( convolutional neural network，CNN)，CNN 由一系列卷积层组成，多个卷积层被连接到一个深度网络中，该网络可检测越来越抽象和复杂的特征层次结构。

CNN 可执行诸如病灶分类、定位甚至像素级分割等任务，在医学影像分析中应用广泛，包括肿瘤检测、器官分割和病理分析。Wang 等采用CNN 对941 例肿瘤患者进行MRI 特征提取，利用Softmax 函数分析特征向量并得到了脊柱无转移、轻度转移、明显转移的分类结果，诊断脊柱转移瘤的准确率达96.54%，展示了CNN 对脊柱转移瘤早期准确诊断的应用前景。Duan 等使用MVITV2、EfficientNet-B3、Res-Net101 和ResNet34 四种神经网络架构建立了用于鉴别脊柱结核和脊柱转移瘤的深度学习模型，通过比较发现，MVITV2 模型在内部及外部测试集的准确率和AUC 均为最高，还表现出了达到或超过经验丰富的脊柱外科医师的鉴别诊断能力，证明深度学习在鉴别脊柱结核和脊柱转移瘤方面极具应用价值。

3.2　机器学习　

机器学习是统计学和计算机科学的一门交叉学科，相比传统的统计学建模，机器学习对数据处理速度更快、挖掘更具深度，使对疾病的准确预测成为可能。影像组学需根据研究目的选择合适的算法来构建模型，常用的机器学习算法包括Logistic 回归模型、随机森林、支持向量机等。

樊知昌等对脊柱结核和脊柱转移瘤的MRI 特征使用Logistic 分析并筛选出3 个特征构建Logistic 模型，还提取了受累椎体T2WI 脂肪抑制序列的6 个影像组学特征进行机器学习，对比发现随机森林和支持向量机两种算法的AUC 均高于Logistic 模型，随机森林的实际临床净收益也优于支持向量机和Logistic 模型，表明基于机器学习的MRI 影像组学模型对脊柱结核和脊柱转移瘤的鉴别明显优于传统的基于MRI 特征的Logistic 模型。应用深度学习自动分割并获取脊柱病变的MRI影像组学特征，联合相关参数信息，利用机器学习在海量数据中提取特征、总结规律并生成诊断模型，对于脊柱结核和脊柱转移瘤的鉴别与及时干预有指导性意义。

4.　结语与展望

常规MRI 可通过T2WI 脂肪抑制序列反映椎体骨质破坏及病灶分布区间情况、椎旁软组织及椎间盘受累与否等典型征象，有助于脊柱结核和脊柱转移瘤的鉴别。功能MRI 通过分析椎体内脂肪含量、水分子弥散、微循环灌注、组织异质性等微观量化指标，可敏感反映脊柱结核、脊柱转移瘤的病理生理改变，将为两种疾病的鉴别诊断、临床治疗提供新的影像学标记物，尤其是多种定量参数的联合应用对提高两者诊断的准确性和高效性显示出了巨大的前景。

与AI 相结合的MRI 影像组学则通过高效挖掘图像多元化、深层次特征，精确评估病灶微环境的异质性，对两者的鉴别提供了比传统形态学和统计学更大的价值。尽管部分功能MRI 技术和AI 在脊柱的应用还处于研究阶段，但可预见，两者的应用将为两种疾病的精准诊疗和改善预后带来新的机遇。

来源：刘玥，江光前，万兵，等.多模态磁共振成像鉴别脊柱结核和脊柱转移瘤的研究进展[J].医学研究与战创伤救治，2025，38(05):544-550.DOI:10.16571/j.cnki.2097-2768.2025.05.016.