编辑推荐：
在对比增强腹部 CT 上鉴别椎体压缩性骨折（VCF）良恶性颇具挑战。本研究评估比较基于影像组学特征的机器学习与基于卷积神经网络（CNN）的深度学习模型对腹部 CT 的 VCF 分类性能，发现深度学习模型性能更优，二者结合或有重要价值。
鉴别椎体压缩性骨折（VCF）的良恶性对临床管理至关重要，但在缺乏软组织对比度的对比增强腹部 CT 上仍具挑战性。本研究利用腹部 CT，对基于影像组学特征的机器学习和基于卷积神经网络（3D CNN）的深度学习模型在 VCF 分类中的表现进行评估与比较。研究分析了 286 例患者的 447 例椎体压缩性骨折（196 例良性，251 例恶性）。通过 PyRadiomics 提取影像组学特征，并经递归特征消除法筛选出 6 个关键纹理特征（如游程方差、归一化依赖非均匀性等），表明纹理异质性可作为恶性标志物。对 CT 数据分别训练机器学习模型（XGBoost、支持向量机 SVM、K 近邻 KNN、随机森林）和 3D CNN 模型，通过精确率、召回率、F1 分数、准确率和曲线下面积（AUC）评估性能。深度学习模型总体表现略优，与表现最佳的机器学习模型（XGBoost）相比，其 AUC 显著更高（77.66% vs. 75.91%，p?<0.05），精确率、F1 分数和准确率也更优。深度学习的注意力图可定位诊断相关区域，模拟放射科医生的关注点，而影像组学虽能提供可量化的生物标志物，但缺乏空间可解释性。本研究强调了机器学习和深度学习的互补优势：影像组学提供与肿瘤异质性相关的可解释特征，而深度学习可自主提取具有空间可解释性的高维模式。整合这两种方法可能提高基于腹部 CT 的 VCF 评估的诊断准确性和临床医生的信任度。研究局限性包括回顾性单中心数据和潜在的选择偏倚。未来需要进行多中心、不同协议的研究以及组织病理学验证，以推广这些发现。
