多模态成像融合与机器学习模型开发：利用CT Hounsfield单位和MRI特征对脊柱炎症性病变进行鉴别诊断

《European Spine Journal》：Multimodal imaging fusion and machine learning model development: differential diagnosis of spinal inflammatory lesions using combined CT hounsfield units and MRI features

　　脊柱感染性疾病鉴别诊断研究整合MRI形态学与CT HU值，构建Lasso回归与Logistic模型，通过ROC、校准曲线和DCA验证，显著区分结核性与化脓性脊柱炎（TS/PS），提供临床决策工具。

　　

摘要

目的

本研究旨在通过整合磁共振成像（MRI）的形态学特征和计算机断层扫描（CT）的密度参数（亨斯菲尔德单位，HU），开发一种用于区分结核性脊柱炎（TS）和化脓性脊柱炎（PS）的鉴别诊断模型。该研究旨在利用多模态数据的互补性，实现定性和定量信息的融合，从而为临床医生提供一种快速、客观的决策支持工具，以帮助评估脊柱炎症性病变的特征。

方法

从患有TS和PS的患者的MRI和CT扫描中提取影像数据，然后进行比较和总结。使用接收者操作特征（ROC）曲线来确定最佳的HU值阈值。采用最小绝对收缩量选择算法（Lasso回归）来识别对模型构建最有预测价值的特征。基于逻辑回归的预测模型被开发出来，并以诺模图的形式进行可视化。模型验证通过自助重采样、ROC分析和决策曲线分析（DCA）来完成。

结果

共有171名患者被纳入研究，其中TS患者91名，PS患者80名。观察到两组患者在MRI特征上存在统计学上的显著差异（P < 0.05）。此外，在病变椎体终板、小脓肿、大脓肿和椎体内脓肿方面，TS患者与PS患者之间的HU值也存在显著差异（P < 0.05）。该预测模型包含了7个独立的预测因子。校准曲线、ROC分析和DCA均显示出模型的优异性能。

结论

结合MRI和CT的HU值分析能够有效区分TS和PS。这种整合了影像特征和定量参数的预测模型具有较高的准确性和临床实用性，为优化脊柱传染性疾病的诊断和治疗策略提供了一种新的方法。