基于增量区域CT影像组学的机器学习模型预测下颌骨骨放射坏死非节段性切除术后进展

《BMC Oral Health》：Incremental-region CT radiomics for predicting progression after non-segmental resection of osteoradionecrosis of the jaw: an observational cohort study

　　

摘要

背景

下颌骨骨放射坏死（ORNJ）非节段性切除术后进展影响相当比例的患者，目前术前评估无法识别那些有风险的患者。我们开发了基于增量区域CT影像组学的机器学习模型，以预测非节段性切除术后进展。

方法

2014年1月至2024年12月期间接受下颌骨非节段性切除的ORNJ患者（n = 120）按时间顺序分为训练集（n = 90）和内部留出测试集（n = 30）。基于术前CT图像开发了三个增量区域模型：R_Seq（死骨）、R_Seq+BM（加病灶周围骨边缘）和R_Seq+BM+ST（加病灶周围骨边缘和相邻软组织）。对每种配置，通过训练集中的重复10折交叉验证比较了六种算法。由于随后使用测试集比较配置，因此同时报告了测试集AUC最高的模型和同一配置的交叉验证选择模型。通过判别能力、校准和决策曲线分析评估性能。

结果

在18种模型-算法配置中，R_Seq+BM+ST使用XGBoost获得了最高的测试集判别能力（AUC, 0.875; 95% CI, 0.727–1.000; Brier评分, 0.197）。由于该模型是根据测试集性能选择的，因此同时报告了同一配置的交叉验证选择模型作为保守估计（GBM; 交叉验证AUC, 0.779; 测试AUC, 0.806）。主模型的测试AUC比其自身交叉验证AUC高出0.121，保守模型的测试AUC低于交叉验证AUC 0.069。两种骨性配置显示出较低的测试集判别能力（最大测试AUC分别为0.764和0.792），但三种配置在交叉验证下未显示出明显区分（最佳平均CV AUC分别为0.766、0.799和0.779）。主模型在内部测试队列中显示出初步的排除潜力。

结论

在交叉验证下，三区域配置未显示出相对于两种骨性配置的明显优势，仅在测试集比较中观察到增量增益。这些发现应被视为假设生成性，并在临床考虑前需要进行外部多中心验证，同时应参考保守基准。