基于临床与MRI多模态机器学习模型的颈髓损伤术后神经功能预后预测研究

来自专业脊髓损伤中心的研究人员针对颈髓损伤(CSCI)预后预测难题，创新性地整合临床数据与T2加权矢状位MRI影像特征，构建了基于LightGBM算法的多模态预测模型。该研究纳入247例接受后路减压融合手术的创伤性CSCI患者，通过5折交叉验证证实模型预测6个月后达到美国脊髓损伤协会(ASIA)损伤量表(AIS)D级及以上神经功能恢复的准确率达0.90(AUC 0.94)，关键预测因子涵盖下肢ASIA运动评分(AMS)、入院AIS分级等指标，为临床决策提供了智能化工具。

　　

这项突破性研究聚焦创伤性颈髓损伤(CSCI)患者的神经功能预后预测难题。科研团队巧妙融合临床数据与先进影像组学技术，对247例接受后路减压融合手术的患者展开深度分析。

临床维度囊括人口统计学特征、共病状态、实验室指标及神经系统检查结果，而影像学方面则采用经RadImageNet预训练的卷积神经网络(CNN)解析T2加权矢状位MRI图像。通过轻量级梯度提升机(LightGBM)算法构建的多模态模型，在预测6个月后达到美国脊髓损伤协会(ASIA)损伤量表(AIS)D级及以上神经功能恢复的战役中表现惊艳——准确率飙升至90%，受试者工作特征曲线下面积(AUC)更达到惊人的0.94。

SHAP值分析揭示关键预测因子军团：下肢ASIA运动评分(AMS)担任先锋，入院时AIS分级和上肢AMS构成中军，年龄与糖化血红蛋白(HbA_1c)等生化指标协同MRI影像特征组成后援部队。该模型相较传统单模态方法的优越性，完美诠释了"临床-影像"双剑合璧的威力，为脊髓损伤精准医疗开辟了新战场。