基于术前椎体CT影像组学与临床特征融合的机器学习模型预测零切迹锚定式 Cage 单节段 ACDF 术后下沉

　　本研究针对ACDF术后Cage下沉的预测难题，创新性地整合术前椎体CT影像组学特征与临床指标（年龄、HU值、T1斜率），构建机器学习预测模型。结果表明，融合模型在独立测试集中AUC达0.813，显著优于单一临床模型（AUC 0.595）和影像组学模型（AUC 0.775），为个体化手术策略制定提供了精准风险评估工具。

　　

颈椎退行性疾病是导致神经压迫的常见病因，前路颈椎间盘切除融合术（ACDF）已成为治疗这类疾病的标准术式。然而，术后椎间融合器（Cage）下沉是最常见的并发症之一，平均发生率约为21%。轻度下沉可能没有症状，但严重下沉会抵消融合手术的益处，导致椎间孔高度丢失、颈椎后凸畸形、假关节形成（骨不连）或神经再次受压，甚至需要翻修手术。因此，术前准确识别下沉高风险患者对指导手术规划、改善预后至关重要。

以往研究已探讨多种下沉风险因素，主要包括骨质量（骨质疏松或骨密度降低会削弱椎体终板支撑能力）、患者年龄和颈椎矢状位对齐参数（如T1斜率）。然而，现有预测方法存在明显局限：传统骨质量评估（如双能X线吸收测量法DXA或单点Hounsfield单位HU测量）仅提供平均密度值，无法反映骨微结构和空间异质性；当前风险分层方法通常孤立评估因素而非考虑协同效应；主观视觉评估缺乏标准化和可重复性；多数研究关注二元结局而非提供个体化风险概率。这些局限凸显了对更复杂、客观、全面预测工具的迫切需求。

影像组学这一新兴领域通过从医学图像中提取大量定量特征，可捕获人眼无法分辨的细微组织特征。借助机器学习技术，影像组学在肿瘤学任务（如肿瘤分级、预后评估）中展现出潜力，并日益应用于肌肉骨骼疾病。与单独使用平均HU或骨密度（BMD）相比，影像组能量化骨小梁纹理、终板形状等复杂模式，这些可能影响Cage在骨内的稳定性。

为此，郑斌等人发表在《Journal of Orthopaedic Surgery and Research》的研究，旨在开发一个预测单节段ACDF术后Cage下沉的模型，整合影像组学和临床参数。研究团队回顾性分析了253例接受零切迹锚定式 Cage（Zero-P）单节段ACDF手术的患者（2016-2023年），将下沉定义为随访期末融合节段高度较术后立即测量值丢失≥3 mm。患者按8:2比例随机分为训练集（n=202；39例下沉）和独立测试集（n=51；14例下沉）。

研究采用的主要关键技术方法包括：基于术前颈椎CT图像，手动分割目标节段相邻椎体区域，使用PyRadiomics工具包提取高通量影像组学特征（超过1000个）；特征经过Z-score标准化，并通过方差、相关性和LASSO回归进行降维筛选；同时收集年龄、椎体HU值和T1斜率等临床变量构建临床模型；采用八种机器学习算法（包括逻辑回归、支持向量机、随机森林、XGBoost等）并通过交叉验证调优，最终在独立测试集上评估模型性能，使用AUC等指标进行比较。

基线特征

分析显示，下沉患者平均年龄更大（55.38±8.95岁 vs. 51.91±8.67岁，P=0.005），融合节段 inferior 椎体平均HU值更低（290.17±20.41 vs. 318.17±17.19，P<0.001），T1斜率更高（22.19°±4.57° vs. 17.99°±4.36°，P<0.001），而性别、BMI、吸烟状况、融合节段、植入物高度等其他因素无显著差异。训练集和测试集在所有这些变量上均无显著差异，表明随机化成功。

影像组学特征提取与LASSO筛选

从每个椎体感兴趣区域（ROI）提取了1085个影像组学特征，涵盖七大类：灰度共生矩阵（GLCM，占23.8%）、一阶统计（19.5%）、灰度游程长度矩阵（GLRLM，17.3%）、灰度区域大小矩阵（GLSZM，17.3%）、灰度依赖矩阵（GLDM，15.2%）、邻域灰度色调差异矩阵（NGTDM，5.4%）和形状特征（1.4%）。纹理衍生描述符占主导地位。通过十折交叉验证LASSO逻辑回归，最终保留11个具有非零系数的特征构建影像组学标志（Rad-sign）。其中，小波变换HLH_glrlm_GrayLevelNonUniformity（衡量骨纹理异质性）具有最大正权重，表明灰度级不均匀性增加下沉风险；而原始形状_Flatness（衡量椎体各向同性）具有最强负系数，暗示更均匀的椎体结构具有保护作用。

最佳算法选择

在仅使用影像组学特征的模型中，LightGBM算法在测试集表现最佳（AUC 0.795），其次为XGBoost（AUC 0.720）。在仅使用临床变量（年龄、HU、T1斜率）的模型中，K近邻（KNN）算法排名第一（AUC 0.778），逻辑回归（AUC 0.736）和XGBoost（AUC 0.750）紧随其后。

融合模型性能与验证

融合模型（结合影像组学和临床特征）在训练队列中表现优异（AUC 0.960），显著优于单独临床模型（AUC 0.897）和影像组学模型（AUC 0.899）。在独立测试队列中，融合模型仍达到最佳判别性能（AUC 0.813），显著超越临床模型（AUC 0.595）和影像组学模型（AUC 0.775）（P<0.05）。此外，融合模型在测试集灵敏度达80%，特异性达80%，显示良好平衡。

讨论与结论

本研究首次将术前CT影像组学与临床变量结合，预测单节段ACDF术后Cage下沉。结果表明，影像组学可提供关于椎体骨质量和结构完整性的重要信息，是对传统临床风险因素的有力补充。融合模型测试AUC达0.813，显著高于单一模型，证实这种多模态方法的优越性。

下沉风险与年龄增长导致的骨质疏松、骨密度降低（通过HU值反映）以及T1斜率增加所致的生物力学改变（如前剪切力增大）密切相关。影像组学特征（如骨纹理异质性和椎体形状各向同性）提供了超越平均HU值的骨微结构信息，与骨小梁矿化不均、微骨折修复等病理过程相关，从而增强预测能力。

本研究局限性包括回顾性设计、中等样本量、手动图像分割限制临床可用性、仅纳入单节段Zero-P手术、缺乏影像组学特征与组织学的直接关联。未来研究方向包括多中心前瞻性验证、拓展至多节段ACDF和其他植入物类型、开发自动化分割算法、结合多模态影像（如MRI）以及构建端到端风险评估系统。

总之，该研究通过整合CT影像组学纹理特征与核心临床指标，构建了高精度预测模型，为实现个体化风险分层、指导手术策略（如终板保护、植入物选择、骨质量优化）提供了有力工具，标志着脊柱外科决策从经验驱动向数据驱动的精准手术模式转变的重要进步。