影像组学结合机器学习在鉴别脊柱结核与转移瘤中的价值研究

目的分析脊柱结核(TBS)与脊柱转移瘤(MST)患者受累椎体的MRI表现与影像组学特征,评价基于MRI特征的逻辑回归(Logistic)模型与基于影像组学特征的机器学习模型的诊断效能。方法搜集本院经病原学检查与手术病理证实的TBS与MST患者,利用Logistic分析MRI特征。提取受累椎体T_(2)WI脂肪抑制序列(T_(2)-FS)的影像组学特征,组内相关系数(ICC)评价组学特征值测量的可重复性。依次使用t检验、SelectKBest以及最小绝对收缩和选择算子(LASSO)筛选特征。利用交叉验证(CV)划分数据集,随机森林(RF)及支持向量机(SVM)模型在训练集上进行监督学习,在测试集上进行评价,并与Logistic模型相比较。受试者工作特征(ROC)曲线及决策曲线分析(DCA)分别用来评价机器学习的分类效能及实际临床净收益,校准曲线评估模型的预测误差,Z检验用来比较ROC曲线下面积(AUC)之间的差异。结果101例患者被纳入样本(51例TBS,50例MST),筛选到3个MRI特征构建Logistic模型,6个影像组学特征(ICC均>0.75)进行机器学习。训练集上RF的AUC为0.997(95%CI 0.994~1.000),SVM为0.991(95%CI 0.981~1.000),差异无统计学意义(P=0.250)。Logistic的AUC为0.871(95%CI 0.800~0.941),低于测试集上的RF:0.993(95%CI 0.986~1.000)与SVM:0.989(95%CI 0.979~1.000)(P均<0.05)。DCA表明,RF的净获益优于SVM,优于Logistic。校准曲线显示三个模型预测概率与真实概率间的差异无统计学意义(P均>0.05),预测误差均值分别为0.019(RF)、0.019(SVM)、0.052(Logistic)。结论基于受累椎体的影像组学特征进行机器学习鉴别TBS与MST是可行的,其结果优于基于MRI特征的Logistic模型,对于术前减少侵入性检查与指导治疗有着重大意义。