基于多序列MRI和临床数据的深度学习放射组学模型在预测腰椎融合术后相邻节段退变中的应用：一项回顾性多中心研究

《BMC Medical Imaging》：Multisequence MRI and clinical data-based deep learning radiomics model for predicting adjacent segment degeneration post-lumbar fusion: a retrospective multicenter study

　　

摘要

背景

虽然相邻节段退变是腰椎融合术后的主要并发症，但目前仍缺乏用于术前风险预测的客观工具。本研究构建了一种模型，整合了临床数据、深度学习技术以及多序列磁共振成像中的放射组学特征，用以预测腰椎融合术后出现相邻节段退变的高风险患者。

方法

本研究共纳入305名术前接受腰椎磁共振检查的患者。这些患者被随机分为训练组（n?=?192）和内部验证组（n?=?83），另外两个中心还各提供了30名患者作为外部测试组。研究采用视觉Transformer 3D模型架构来开发模型，从患者的多序列磁共振图像中提取基于深度学习的放射组学特征以及人工设计的放射组学特征。同时建立了结合最小绝对收缩和选择运算子的逻辑回归模型，并分别构建了基于放射组学特征和深度学习放射组学特征的分类模型。相邻节段退变定义为腰椎手术6个月以上的影像学随访中观察到的退变现象，作为判断标准。通过接收者操作特征曲线评估了14种机器学习分类模型在预测相邻节段退变高风险患者方面的性能，随后通过整合临床基线变量构建了综合模型。

结果

经过特征筛选后，最终选择了17个人工设计的放射组学特征、12个深度学习放射组学特征以及3个临床特征。在放射组学特征模型中，线性支持向量机是最有效的机器学习算法；而在深度学习放射组学特征模型中，AdaBoost的表现最佳。将上述特征与临床特征相结合后构建的综合模型中，梯度提升机又是最有效的机器学习算法。该模型在训练组、内部验证组和外部分别对应的AUC值分别为0.959、0.818和0.895。与两位脊柱外科医生的联合预测结果相比，该综合模型的表现更为优异。校准曲线显示验证组的校准效果更好，决策曲线分析则表明该模型能为患者带来更大的实际益处。

结论

该综合模型能够依据临床特征和磁共振成像结果，有效识别出腰椎融合术后出现相邻节段退变的高风险患者，有助于减少再次手术的需求，从而减轻公共医疗系统的负担。

临床试验编号

无。