基于二维深度学习特征与临床特征的随机森林模型预测轴性脊柱关节炎脊柱结构性损伤进展

《BMC Medical Imaging》：Integrating deep learning signature from 2D spinal radiographs with clinical features: a machine learning model to predict structural spinal damage progression in axial spondyloarthritis

　　

摘要

背景

开发一种机器学习模型，将基于脊柱X线片提取的二维深度学习特征（DL2D）与临床特征相结合，用于预测轴性脊柱关节炎（axSpA）脊柱结构性损伤的进展。

方法

本回顾性研究纳入来自两个中心的277名axSpA患者，收集了临床和脊柱X线数据。首先使用单因素回归筛选临床特征，随后采用最小绝对收缩和选择算子（LASSO）回归进行进一步筛选。基于脊柱X线片，使用三种架构构建深度学习模型；选择最优模型提取DL2D特征，并将其与临床特征整合，训练支持向量机（SVM）和随机森林（RF）模型，用于预测颈椎和腰椎改良Stoke强直性脊柱炎脊柱评分（mSASSS）的进展。模型性能通过均方误差（MSE）、平均绝对百分比误差（MAPE）、偏差、决定系数（R2）以及Pearson相关性来评估线性一致性。按随访间隔进行亚组分析。

结果

单因素分析在颈椎和腰椎数据集中分别得到14个和18个显著临床特征，经LASSO回归后分别缩减为9个和10个。由于DenseNet121在验证阶段表现优异（MSE：颈椎0.694，腰椎0.663；MAPE：分别为0.779和0.742），被选用于DL2D特征提取。整合DL2D特征与临床特征的联合模型持续优于单模态模型。基于RF的联合模型表现出强泛化能力，验证集/测试集MSE分别为0.539/0.405（颈椎）和0.411/0.293（腰椎），MAPE分别为0.540/0.390和0.438/0.390，同时具有更高的R2、更强的Pearson相关性以及更低的偏差。亚组分析证实，1–4年随访期的预测效果优于≥4年随访期。

结论

整合DL2D特征与临床特征的随机森林模型能够准确预测axSpA短期（1–4年）脊柱结构性损伤的进展，可能有助于风险分层和及时干预。