机器学习助力预测脊髓型颈椎病术后恢复：小样本也有大作用

为提升脊髓型颈椎病（CSM）术后功能恢复预测，研究发现机器学习结合特定方法效果佳。

　　本研究旨在探究如何将机器学习方法应用于小样本，以提高对接受椎板成形术的脊髓型颈椎病（CSM）患者术后功能恢复的预测能力，该功能恢复通过日本骨科学会（JOA）评分进行衡量，同时充分利用现有研究和专家知识。研究人员分析了 143 例接受椎板成形术的 CSM 患者的数据，测量了 11 个与颈椎排列和椎旁肌肉相关的关键影像参数。运用不同的特征工程方法对多种机器学习算法进行评估，并通过重复随机抽样和置信区间来评价模型性能。研究结果显示，增加随机数据分割的次数可提高性能指标的稳定性，纳入脂肪浸润参数能够增强预测性能。高斯朴素贝叶斯算法在使用最优特征集时表现最佳，准确率达到 76.90%（置信区间为 65.01 - 88.78%），曲线下面积（AUC）为 75.24%（置信区间为 59.20 - 91.28%）。逻辑回归和支持向量机的表现也较为出色，而随机森林则具有高特异性但低敏感性。本研究表明，当机器学习与基于专家知识的特征工程以及严格的评估方法相结合时，能够有效地利用小样本预测 CSM 患者的术后结果。多次训练迭代和报告置信区间可增强结果的可靠性。在临床环境中进行此类预测任务时，机器学习在特征选择方面的灵活性使其相较于传统统计方法更具优势。