编辑推荐：
为预测腰椎融合术后椎间融合器沉降（CS）高风险患者，研究人员构建整合多数据的模型，其预测性能良好，助力临床决策。
腰椎，作为人体的 “顶梁柱”，支撑着上半身的重量，还参与着日常的各种活动。然而，随着年龄的增长、生活习惯等因素影响，腰椎退行性疾病越来越常见，严重影响人们的生活质量。当保守治疗无效时，腰椎融合手术成为重要的治疗手段。在手术中，椎间融合器（cage）起着关键作用，它能帮助实现椎体间的融合，让不稳定的腰椎重获稳定。但令人头疼的是，术后椎间融合器沉降（Cage subsidence，CS）问题时有发生。这不仅会降低椎间高度、削弱前柱支撑，还可能导致患者需要进行二次手术，给患者带来身体痛苦和经济负担，也增加了医疗系统的压力。
目前，临床主要依靠术后影像学检查来诊断 CS。但要是能在术前就准确判断哪些患者术后发生 CS 的风险高，就能提前调整治疗方案，降低手术风险。现有的基于医学影像的预测方法，大多依赖医生的主观判断，结果差异很大。传统方法如临床医生的视觉评估和简单统计模型，既缺乏一致性，也无法准确捕捉影像特征与 CS 风险之间的复杂关系。因此，开发一种更可靠、客观、数据驱动的预测模型迫在眉睫。
为了解决这些问题，首都医科大学附属北京朝阳医院、北京友谊医院、北京世纪坛医院的研究人员 Zou Congying、Chen Ruiyuan 等人开展了一项研究。他们的研究成果发表在《BioMedical Engineering OnLine》杂志上。
研究人员采用了以下关键技术方法：首先，收集了来自三个医院的 305 例接受腰椎融合手术患者的术前 CT 和 MRI 数据，按照 7:2:1 的比例分为训练集（n=214）、验证集（n=61）和测试集（n=30） 。其次，运用基于 3D 视觉变换的深度学习模型处理数据，通过 LASSO 回归进行特征选择，构建逻辑回归模型。最后，利用多种机器学习算法评估模型的预测能力，并建立了联合临床模型。
下面来看看具体的研究结果：
- 临床基线特征：研究共纳入 305 例患者，年龄在 36 - 90 岁之间，女性 162 例，男性 143 例。其中 143 例患者被诊断为骨质疏松。在随访期间，75 例患者被诊断为 CS。经分析，骨质疏松与 CS 的发生显著相关。
- 影像组学特征选择及预测模型构建（基于传统影像组学）：通过 LASSO 回归进行特征选择和降维，最终保留了 11 个影像组学特征。基于这些特征构建的模型中，AdaBoost 算法表现最佳，训练集、验证集和测试集的曲线下面积（AUC）分别为 0.872、0.788 和 0.851。
- 特征选择及预测模型构建（基于深度学习影像组学）：同样使用 LASSO 回归，筛选出 5 个深度学习影像组学（DLR）特征。基于这些特征构建的模型，经 AdaBoost 算法优化后，训练集、验证集和测试集的 AUC 分别达到 0.821、0.725 和 0.807 。
- 基于临床数据、传统影像组学特征和深度学习影像组学特征的联合模型：联合模型中，AdaBoost 算法进一步提升了模型准确性。训练集、验证集和测试集的 AUC 分别为 0.941、0.832 和 0.935。特征重要性分析显示，DLR 特征、传统影像组学特征和骨质疏松对预测结果贡献最大。联合模型的预测性能显著优于单一特征模型，也超过了两位经验丰富的脊柱外科医生的预测水平。
研究结论和讨论部分指出，本研究成功开发了一种整合临床特征和影像数据的预测模型，能够有效识别腰椎融合术后 CS 高风险患者。该模型为术前风险分层和临床决策提供了重要依据，有助于减少二次手术的需求，改善患者预后。同时，研究还发现 MRI 在预测 CS 高风险患者方面比 CT 更重要。不过，该研究也存在一些局限性。比如手动 MRI 图像标注存在主观性，样本量有限，不同医院 CT 和 MRI 数据集的扫描仪间差异未充分评估等。未来的研究需要优化自动 MRI 图像分割技术，增加样本量，进行多中心前瞻性验证。
总体而言，这项研究成果为腰椎融合手术的临床决策提供了有力支持，尽管存在一些不足，但为后续研究指明了方向，有望推动腰椎融合手术领域的进一步发展，让更多患者受益。
