用于无创追踪椎体转移癌起源的可解释多参数MRI放射组学模型：一项多中心队列研究

《International Journal of Surgery》：Explainable multi-parameter MRI radiomics model for the noninvasive tracing of the origin of vertebral metastatic cancer: a multicenter cohort study

脊椎压缩性骨折中脊椎转移癌（VMC）的MRI影像组学模型构建及验证研究采用多中心数据，通过手动3D分割提取3135个特征并筛选优化，建立SVM预测模型。模型在验证集和外部测试集的AUC分别为0.99、0.87、0.88，准确预测肺癌（96.2%）、乳腺癌（94.5%）和前列腺癌（93.1%）等原发灶，DeLong检验显示模型泛化能力显著，SHAP分析证实小波变换为关键特征贡献者。

　　```section>

摘要 通俗语言总结

---

背景：

准确识别恶性椎体压缩性骨折和椎体转移性癌症（VMC）的起源对于有效治疗至关重要，但目前的诊断方法具有侵入性且缺乏特异性。我们开发了一种基于MRI的可解释放射组学模型，用于无创追踪VMC的起源。

材料与方法：

这项多中心研究纳入了来自五家医院的1,123名椎体压缩性骨折患者，这些患者的诊断结果均已得到确认；其中754名患者的数据根据MRI检查日期被分为训练组和验证组。另外两个独立的外部测试组用于评估该模型的泛化能力。研究使用了矢状T1加权图像、T2加权图像和脂肪抑制T2加权图像进行手动3D病灶分割。从每个感兴趣的区域共提取了3,135个放射组学特征。特征选择采用了最小冗余最大相关性算法。最终预测模型是通过支持向量机算法建立的。

结果：

该放射组学模型在验证集和两个外部测试数据集中的VMC检测方面的接收者操作特征曲线下面积分别为0.99、0.87和0.88。在原发灶预测方面，该模型在所有数据集中对肺癌、乳腺癌和前列腺癌的诊断准确性均很高。DeLong测试表明该模型具有很强的泛化能力。SHAP分析显示小波变换是提高模型透明度的关键因素。

结论：

我们的模型能够区分VMC和良性病灶，并准确预测其起源。它具有很高的泛化能力和可解释性，是一种有前景的无创工具，有助于支持临床决策并减少侵入性活检的需要。

通俗语言总结：研究人员开发了一种新的基于MRI的放射组学模型，用于无创识别椎体转移性癌症（VMC）的起源，旨在通过减少侵入性操作的需求来改善治疗效果。该研究涉及来自多家医院的1,123名患者，利用MRI数据对模型进行训练和验证。该模型在检测VMC及预测其起源方面表现出高准确性，尤其是在肺癌、乳腺癌和前列腺癌方面，且在不同数据集中的表现均十分出色。由于其高度的泛化能力和可解释性，这一工具为优化临床决策和减少侵入性活检提供了有效途径。

```