基于统计模型和机器学习评估老年椎骨退变程度及强度

目的腰椎退行性病变多发于老年人群,它会导致椎骨形状和密度分布发生改变,进而影响其力学性能。本研究旨在通过统计形状和统计外观模型(SSM/SAM)定量描述退变椎骨形状和密度分布变化,并提取主成分模式结合机器学习建立椎骨退变程度和强度的预测模型。方法基于75名老年男性L1椎骨建立详细的SSM和SAM,提取其主成分模式来定量描述退变椎骨形状和密度分布特征。根据L1椎骨的退变程度,将所有受试者分为轻度退变组(n=22)、中度退变组(n=29)和重度退变组(n=24)。利用单因素方差分析比较三个退变组SSM和SAM模式得分之间的差异,提取存在显著性差异的模式,基于One-vs-Rest算法构建椎骨退变程度分类模型(OVR)。个体化有限元分析计算所有椎骨模型的强度,结合参数筛选获得的主成分模式,基于粒子群算法优化支持向量机构建骨强度预测模型(PSO-SVM)。结果使用SSM 5、SSM 11、SAM 2、SAM 3和SAM 5构建的OVR模型,其判别不同退变程度的准确率可达80%以上。使用SSM 1、SSM 2、SAM 1、SAM 4和SAM 5构建的PSO-SVM模型可以有效预测骨强度(相关系数均大于0.93,均方根误差均小于328.55 N)。结论统计模型可识别退变椎骨形状和密度变化,SSM/SAM模式可用于评估椎骨退变程度及强度。上述发现有助于临床医生进行病理诊断和骨折风险评估。