整合能谱CT定量参数的机器学习模型对症状性颈动脉斑块识别的应用研究

目的评估整合能谱CT定量参数、传统CT特征及临床参数的机器学习(ML)模型对症状性颈动脉斑块的识别能力。方法回顾性分析171例行头颈部CTA检查发现颈动脉斑块的患者资料。由两位观察者独立观察、测量并计算3个能谱CT定量参数以及8个传统CT特征,并收集患者的临床资料。将研究人群分为症状组(n=104)和无症状组(n=67),并进行组间差异性分析以及传统的多因素Logistic回归分析。使用能谱CT定量参数、传统CT特征及临床参数,并基于XGboost算法构建症状性斑块的预测模型。绘制受试者工作特征(ROC)曲线,根据曲线下面积(AUC)计算模型的准确率、F1分数等指标评估模型的性能。结果包括前十个重要变量的XGboost整合模型[AUC 0.946(95%CI 0.890~1.000)]的AUC值显著高于能谱特征模型[AUC 0.778(95%CI 0.638~0.918),P=0.016]、传统CT特征模型[AUC 0.702(95%CI 0.548~0.856),P=0.001]及临床参数模型[AUC 0.754(95%CI 0.608~0.900),P=0.009]。此外,相较于传统的多因素Logistic回归分析[AUC 0.845(95%CI 0.785~0.904)],XGboost整合模型亦具有较高的症状性斑块识别能力。结论整合能谱CT定量参数、传统CT特征及临床参数的ML模型具有较好的症状性颈动脉斑块的识别能力。