《The Spine Journal》：Radiomics-Powered Radiographic Image Analysis for Enhanced Mechanical Complications Prediction and Surgical Planning in Adult Spine Deformity
编辑推荐：
基于放射学成像（radiomics）的PrIm算法通过自动提取脊柱影像特征，显著提升成人脊柱畸形（ASD）术后机械并发症（MC）预测模型性能（AUC-ROC 0.75 vs 0.71，p<0.001），其贡献度达65.7%，优于传统TRM-GAP评分及非放射学变量。
Ferran Pellisé|Sleiman Haddad|Susana Nú?ez Pereira|Caglar Yilgor|Anika Pupak|Manuel Ramirez Valencia|Javier Pizones|Ahmet Alanay|Ibrahim Obeid|Frank S. Kleinstueck|Fabio Galbusera|Oleguer Sagarra
西班牙巴塞罗那Vall d'Hebron大学医院脊柱外科
摘要
背景
放射组学（Radiomics）是一种利用机器学习（ML）从处理过的放射图像中提取定量特征的技术，有望改进临床预测模型。它能够全面描述脊柱的形状和排列情况。我们假设，基于处理后图像（PrIm）的算法在预测成人脊柱畸形（ASD）患者的术后机械并发症（MC）方面优于传统的放射测量方法（TRM）和评分系统。
目的
本研究旨在比较PrIm算法与TRM-GAP评分在预测ASD患者术后机械并发症方面的性能。
研究设计/方法
本研究采用了一个专注于ASD的前瞻性国际多中心数据库的数据，进行了基于人工智能的回顾性分析。
患者样本
研究对象为18岁及以上接受手术治疗的ASD患者，这些患者至少有2年的随访时间，并且具有完整的术前、术后6周及2年的随访数据。
结局指标
主要机械并发症包括脊柱棒材骨折、假关节形成、连接处驼背或失效等。
方法
通过自动椎体质心生成算法分析处理后的全脊柱站立位放射图像，以绘制脊柱的前后（PA）和侧位图像。自动计算每个椎体与骨盆质心之间的距离和角度。利用Catboost构建机器学习模型，结合非放射学变量（Non-R：人口统计学、PROMS、手术相关数据）、TRM+GAP评分以及PrIm特征进行建模。通过AUC-ROC、敏感性、特异性和Brier评分（0=完美校准/1=较差）来评估预测准确性。同时使用SHapley Additive Explanations（SHAP）值来评估各变量的贡献，并分析过拟合或噪声问题。
结果
共分析了690名患者（81%为女性，平均年龄52±19岁，脊柱融合节段数为9.7±3.9个，3CO比例为18.6%，43.5%接受了骨盆固定手术，37.5%出现了术后机械并发症）。PrIm+Non-R模型的性能优于现有的“金标准”模型（Non-R+TRM-GAP）：AUC-ROC为0.75 vs 0.71（p=0.009），准确性为0.72 vs 0.62（p<0.001），特异性为0.79 vs 0.60（p<0.001），敏感性为0.52 vs 0.70（p<0.001），Brier评分为0.17 vs 0.22（p<0.001）。将TRM和GAP评分加入PrIm模型并未提升预测效果。SHAP调整后的模型显示，PrIm变量对预测结果的贡献最大，占65.7%，而非放射学变量（手术相关因素16.1%、PROMS 11.3%、人口统计学因素6.9%）。个性化的SHAP决策图揭示了与术后机械并发症风险最相关的椎体。
结论
基于全脊柱处理后放射图像的放射组学技术能够实现ASD术后机械并发症最准确的预测模型。这种新方法为临床医生提供了强大且高效的个人化手术规划工具，从而改善了ASD手术的预后。
引言
术后机械并发症（MC）仍是成人脊柱畸形（ASD）手术中最常见且最不为人所理解的并发症[1]。脊柱负荷的分布与脊柱的形状和排列密切相关，因此脊柱排列是导致MC发生的关键因素[2]。多项研究表明，排列评分和公式是预测这些并发症的有效指标[3,4]。
现代医学越来越多地利用先进的测量技术来揭示通过手动检查难以发现的疾病特征[5]。传统的决策支持系统通常需要耗费大量人力进行数据录入，且准确率往往不够理想[6]。相比之下，利用详细前瞻性数据的自动化人工智能模型为解决这些挑战提供了有希望的方案[7]。
放射组学专注于从放射图像中自动提取定量特征，有助于识别细微但具有临床意义的特征。放射组学生物标志物在疾病诊断、预后预测和治疗效果评估方面显示出显著价值[5]。此外，放射组学还能帮助评估脊柱的形状和排列[8]。
我们假设，基于处理后图像的算法在预测ASD患者的术后机械并发症方面将优于传统的放射测量方法和评分系统[4],[8],[9],[10],[11]。
材料与方法
我们对一个前瞻性国际多中心数据库中的ASD患者（年龄≥18岁，脊柱侧弯≥20°或胸椎后凸≥60°，矢状垂直轴（SVA）≥5 cm或骨盆倾斜（PT）≥20°）进行了回顾性分析。所有参与中心均获得了机构审查委员会（IRB）的批准，并且所有患者均签署了知情同意书。
结果
分析时，数据库包含2,417名患者，其中1,617名接受了手术治疗。其中1,489名患者拥有完整的手术数据，1,015名患者拥有完整的放射学数据，690名患者同时拥有完整的手术数据、放射学数据和2年的随访数据。符合研究纳入标准的690名患者特征如下：81%为女性，平均年龄52±19岁，脊柱融合节段数为9.7±3.9个，18.6%接受了
讨论
放射组学是一个新兴且发展迅速的研究领域，专注于通过数据驱动的分析开发新的生物标志物[5]。在个性化医疗时代，放射组学为应用机器学习算法进行预后（如生存期或不良事件）预测提供了有力工具，从而增强了临床决策能力并促进了临床决策支持系统的开发。
结论
我们的研究表明，放射组学在预测ASD手术中的机械并发症方面具有变革潜力。通过使用全脊柱处理后的放射图像，放射组学开发出了迄今为止最准确的预测模型，超越了基于传统放射测量方法的机器学习模型。这种创新方法为临床医生提供了强大、高效且精确的个人化手术规划工具。
作者贡献
Ferran Pellisé：概念构思、数据管理、资金筹集、研究设计、方法论制定、项目监督、验证、初稿撰写、审稿与编辑。Sleiman Haddad：概念构思、数据管理、研究设计、监督、验证、初稿撰写、审稿与编辑。Susana Nú?ez Pereira：研究设计、监督、验证。Caglar Yilgor：概念构思、监督、验证、初稿撰写
资金来源
DePuySpine Synthes、Medtronic、Nuvasive。
作者贡献声明
Ferran Pellisé：审稿与编辑、初稿撰写、监督、资源协调、研究设计、资金筹集、数据分析、概念构思。Sleiman Haddad：审稿与编辑、初稿撰写、监督、方法论制定、研究设计、数据分析、概念构思。Susana Nú?ez Pereira：审稿与编辑、监督、方法论制定、研究设计、数据分析。Caglar Yilgor：审稿与编辑
致谢
感谢Alba Vila Casademunt博士多年来为保持数据质量和团队凝聚力所做的不懈努力。
