基于脊柱旁肌MRI影像组学的机器学习模型预测腰椎退行性滑脱症术后疗效

本研究针对腰椎退行性滑脱症(LDS)患者术后疗效预测难题，开发了基于脊柱旁肌T2加权MRI的影像组学模型。通过回顾性分析155例接受单节段后路腰椎椎间融合术(PLIF)患者数据，结合T检验、Pearson相关性和Lasso算法筛选特征，构建7种机器学习模型。逻辑回归(LR)和临床-影像组学联合模型表现最优，测试集AUC达0.826（95% CI 0.766-0.886），为临床决策提供量化工具。

　　

这项开创性研究探索了脊柱旁肌影像组学特征与腰椎退行性滑脱症(LDS)手术预后的关联。科研团队对2021-2023年间155例接受单节段后路腰椎椎间融合术(PLIF)的患者进行回顾性分析，采用8:2比例划分训练集与测试集。

通过轴向T₂加权腰椎MRI提取定量影像组学特征后，研究团队运用三重筛选策略：T检验消除组间差异不显著特征，Pearson相关性去除冗余特征，Lasso回归进一步降维。基于优选特征，构建了包含支持向量机(SVM)、随机森林(RF)等7种机器学习模型的比较体系。

逻辑回归(LR)模型展现出最优预测效能，其临床-影像组学联合版本在训练集和测试集分别获得0.822和0.826的AUC值，显著优于单一特征模型。决策曲线分析(DCA)证实该模型具有显著的临床净获益，尤其在阈值概率20-80%区间表现突出。

这些发现揭示了脊柱旁肌影像组学特征可作为预测PLIF手术疗效的新型生物标志物。该模型不仅能辅助制定个性化治疗方案，其采用的"临床+影像"多模态策略更为脊柱疾病预后研究开辟了新范式。特别值得注意的是，研究中采用的T₂加权序列特征与肌肉脂肪浸润程度可能存在病理生理学关联，这为后续机制研究提供了重要线索。