三维放射组学与机器学习在预测颈椎脊髓病椎板成形术术后结局中的应用：一种临床-放射组学模型

《World Neurosurgery》：Three-Dimensional Radiomics and Machine Learning for Predicting Postoperative Outcomes in Laminoplasty for Cervical Spondylotic Myelopathy: A Clinical-Radiomics Model

　　该研究构建了基于三维颈椎脊髓重建、影像组学特征提取和机器学习的预后预测模型，验证了狭窄段分割策略结合临床特征与影像组学特征融合模型（AUC=0.967）在预测颈椎病脊髓病患者术后预后中的最佳性能，为个体化治疗提供新方法。

　　

Bin Zheng | Zhenqi Zhu | Ke Ma | Yan Liang | Haiying Liu

北京大学人民医院脊柱外科

摘要

目的

本研究旨在探索一种基于三维颈椎脊髓重建、放射组学特征提取和机器学习的方法，以建立颈椎脊髓病（CSM）患者的术后预后预测模型。同时，该研究还评估了不同颈椎脊髓分割策略和机器学习算法的预测性能。

方法

对2017年1月至2022年12月期间接受后路单门椎板成形术的126名CSM患者进行了回顾性分析。采用三种不同的颈椎脊髓分割策略（最狭窄段、手术段以及整个颈椎C1-C7段）对术前MRI图像进行放射组学特征提取。良好的临床预后定义为术后JOA恢复率≥50%。通过比较8种机器学习算法的性能，选出了最佳的颈椎脊髓分割策略和分类器。随后，将临床特征（吸烟史、糖尿病、术前JOA评分和cSVA）与放射组学特征相结合，构建了临床-放射组学预测模型。

结果

在三种颈椎脊髓分割策略中，基于最狭窄段的SVM模型表现最佳（AUC=0.885）。在临床特征中，吸烟史、糖尿病、术前JOA评分和cSVA是预测预后的重要指标。当临床特征与放射组学特征结合使用时，融合模型在测试集上的表现优异（准确率=0.895，AUC=0.967），显著优于单独的临床模型或放射组学模型。

结论

本研究验证了三维放射组学与机器学习结合在预测CSM术后预后方面的可行性和优越性。基于最狭窄段的放射组学特征与临床特征的结合能够生成高度准确的预后预测模型，为临床评估和个性化治疗决策提供新的见解。未来的研究需要进一步验证该模型在多中心、大样本队列中的稳定性和泛化能力。