基于机器学习和多模态数据融合的腰椎间盘突出症预后预测模型开发与验证

本研究针对腰椎间盘突出症(LDH)患者经皮内窥镜下腰椎间盘切除术(PELD)后早期复发预测难题，通过融合临床文本数据与腰椎MRI影像组学特征，应用LASSO回归等8种机器学习(ML)算法构建预测模型。结果显示，基于9个关键影像组学特征和3项临床特征(年龄、糖尿病史、重体力劳动)的列线图模型AUC达0.86，准确率91%，为临床决策提供了客观精准的个体化预测工具。该成果发表于《European Spine Journal》，为LDH精准诊疗提供了新范式。

　　

腰痛已成为现代社会的"流行病"，而腰椎间盘突出症(LDH)作为其主要病因之一，全球发病率逐年攀升且呈现年轻化趋势。尽管经皮内窥镜下腰椎间盘切除术(PELD)因其微创优势被广泛应用，但术后高达12.5%的复发率始终困扰着临床医生——这相当于每8位手术患者中就有1人可能面临二次手术的痛苦。更棘手的是，传统临床决策高度依赖医生主观经验，缺乏客观量化工具预测哪些患者属于复发高风险人群。

甘肃中医药大学附属医院椎间盘中心的研究团队敏锐捕捉到这一临床痛点，创新性地将影像组学(Radiomics)这一"医学图像大数据挖掘"技术引入LDH研究领域。团队通过融合患者临床文本数据与腰椎MRI定量特征，构建了全球首个基于多模态数据融合的LDH预后预测模型，相关成果发表在脊柱外科权威期刊《European Spine Journal》。这项研究不仅填补了该领域技术空白，更开创了"影像组学+临床指标"双维度预测LDH预后的新范式。

研究团队采用三大关键技术方法：首先回顾性收集428例PELD手术患者的临床资料和术前腰椎MRI数据，由两名放射科医师使用3D Slicer软件独立标注感兴趣区域(ROI)；其次通过高通量提取851个影像组学特征，经LASSO回归筛选出9个关键特征并计算放射组学评分(Rad-score)；最后将Rad-score与临床特征融合，采用逻辑回归构建列线图预测模型，并通过五折交叉验证和决策曲线分析(DCA)评估临床适用性。

患者特征与数据准备
研究纳入428例LDH患者（男女比例196:232），平均年龄56.5±13.4岁，术后6个月随访发现42例复发。表1显示复发组在糖尿病史(38.1% vs 14.8%)、重体力劳动(57.1% vs 30.6%)等特征上存在显著差异(P<0.001)，这些发现为后续模型构建提供了重要临床变量。

影像组学特征挖掘
从每个ROI样本提取的851个特征涵盖形状、纹理等7大类，图3-6通过统计学分析和热图可视化，最终筛选出9个具有显著区分度的关键特征，包括wavelet-HHH_glszm_LargeAreaEmphasis等高阶纹理特征。这些特征揭示了人眼无法识别的微观图像模式，为复发预测提供了新维度。

机器学习模型优化
比较8种ML算法后（图7），LASSO回归以AUC 0.76、准确率91%的表现最优（表2）。图8展示的特征重要性排序中，wavelet-HHH_firstorder_Mean等特征权重最高，这些特征与椎间盘退变机制可能存在潜在生物学关联。

多模态融合模型构建
图12所示的列线图整合了Rad-score、年龄、糖尿病史和重体力劳动4个预测因子。验证显示该模型在测试集AUC达0.86（95%CI 0.79-0.94），图14的决策曲线证实其在广泛阈值范围内具有临床净获益。

这项研究开创性地证实了影像组学特征在LDH预后预测中的独特价值。通过将机器学习挖掘的"数字生物标志物"与传统临床指标融合，模型预测性能显著超越单一维度预测方法。特别值得注意的是，年龄在模型中显示保护效应，这与既往研究结论一致，可能反映年轻患者椎间盘代谢活跃更易复发。研究构建的在线列线图工具（图12）使临床医生能便捷计算个体化复发风险，例如：44岁糖尿病患者（Rad-score 0.12）的复发概率达34.9%，这类可视化工具极大提升了临床决策效率。

尽管存在单中心回顾性研究的局限性，但该成果为LDH精准医疗提供了重要方法论创新。未来通过多中心验证和纳入多参数MRI序列，有望进一步优化模型性能。这项研究标志着脊柱外科诊疗正式迈入"影像基因组学"时代，为实现LDH的预测性、预防性和个性化(P4)医疗奠定了关键技术基础。