基于平片影像组学模型开发与验证：预测伴后壁损伤的脊柱骨折

为解决脊柱骨折伴后壁损伤的早期诊断难题，研究人员通过深度学习技术整合脊柱正侧位平片影像组学特征，构建了基于支持向量机(SVM)的预测模型。该模型在训练中心(AUC:0.909)和验证中心(AUC:0.837)均展现优异性能，显著优于单体位影像分析和3年资历脊柱外科医生的判断，为临床决策提供智能化辅助工具。

　　

当脊柱骨折累及椎体后壁结构时，其不稳定性风险显著升高，直接影响临床治疗策略选择。为提升这类特殊骨折的早期识别能力，研究者创新性地采用视觉转换器(Vision Transformer, ViT)技术，从130例患者的正位(anteroposterior)与侧位(lateral)平片影像中提取多维特征。通过特征优选构建的机器学习模型中，支持向量机(Support Vector Machine, SVM)表现尤为突出——在训练队列中曲线下面积(AUC)达0.909_{(95%CI:0.763–1.000)}，验证队列中AUC为0.837_{(95%CI:0.678–0.996)}，其诊断效能甚至超越具有3年临床经验的脊柱专科医师。这项研究证实，融合双体位X线影像的放射组学模型，能精准捕捉后壁损伤的细微征象，为临床医生提供客观量化的决策支持。